[发明专利]一种基于复杂网络和置信规则推理的电梯故障诊断方法

权利要求书

1.一种基于复杂网络与置信规则推理的电梯故障诊断方法，其特征在于该方法包括以下各步骤：

步骤(1)设定电梯的故障辨识框架Θ＝{F₁＝NF,F₂＝TF,F₃＝PF,F₄＝CF}，其中NF表示电梯处于无故障状态即正常工况，TF表示电梯处于曳引机电路故障状态，PF表示电梯处于曳引轮磨损故障状态，CF表示电梯处于配重块磨损故障状态；

步骤(2)设f_1,i，f_2,i为能够反映故障辨识框架Θ中每个故障F_i的故障特征参数，其来源于故障特征参数集合G＝{g_n|n＝1,2,…,N}，集合G中的元素涵盖速度信号、加速度信号、力矩信号、角速度信号、角加速度信号，分别由曳引轮、电梯轿厢和配重块的各类传感器提供，共有N个故障变量；

步骤(3)将f_1,i,t，f_2,i,t，F_i表示故障样本M_i,t＝{[f_1,i,t,f_2,i,t,F_i]|t＝1,2,3,…,S_i}，其中[f_1,i,t,f_2,i,t,F_i]为一个故障特征样本向量，S_i表示故障为F_i状态下的时间序列表示为F_i状态下的样本数据采样个数，取S_i＝2000；分别采样各个故障状态下的故障特征样本向量，并将采集到的所有样本向量其表示为集合形式共计可获得δ个故障特征参数的时间序列点，δ＝2×|M|＝16000，|M|表示集合M中的个数；

步骤(4)利用可视图方法将时间序列样本转化为复杂网络；具体的，以样本数据作为复杂网络的节点，以样本数据点之间的可视连边作为复杂网络的边；其中，可视连边的获取如下：设T＝{t_i}_i＝1,...,η为一个具有η个数据的时间序列，时间序列中任意两个数据点(τ_a,t_a)和(τ_b,t_b)，对其中τ_aτ_iτ_b，如果满足以下条件：

则称这两点可视，两点之间有可视连边；重复公式(1)直至遍历所有的点，将时间序列转换为具有拓扑关系的复杂网络；

利用可视图对δ个故障特征参数数据进行复杂网络建模，其中取每ξ＝40个时间序列点进行可视图建模得到一个对应的复杂网络，共计可得H＝400个复杂网络，每个网络的统计特征样本为其中的分别表示网络的平均最短路径，网络的平均聚类系数，网络的平均度；

步骤(5)构建置信规则库，置信规则推理系统的输入为复杂网络的统计特征样本，分别为网络的平均最短路径，网络的平均聚类系数和网络的平均度，记为x＝{x_i|i＝1,2,3},其参考值集合为其中置信规则推理系统的输出为电梯故障状态，记为y，其参考值集合为D＝{D_n|n＝1,2,3,4}，其中D₁＝NF＝1，D₂＝TF＝2，D₃＝PF＝3，D₄＝CF＝4；该规则库由K＝27条规则组成，设其中第k条规则R_k的表示形式如下：

其中，表示在第k条规则中输入变量x_i的参考值，且有为第k条规则的第n个评估等级D_n对应的信度，满足

步骤(6)置信规则推理系统的推理，具体过程如下：

(6-1)计算输入数据x_i在第k条规则中的匹配度；

其中表示第k条规则的第i个输入参考值；

(6-2)考虑前提属性权重ε_i，计算第k条规则的第i个前提属性的匹配度α_i,k；

(6-3)计算第k条规则的激活权重w_k；

其中，θ_k是第k条规则的权重θ_k∈[0,1]，设定初始规则权重θ_k＝1；T_k表示第k条规则的前提属性的个数；

(6-4)根据激活权重w_k，使用证据推理算法对被激活规则的信度β_n,k进行融合得到信度β_n；

取信度最大的评估等级D_n作为置信规则推理系统的输出y；

步骤(7)构建置信规则库的优化模型，以推理输出结果与实际结果的欧氏距离作为优化目标函数，以初始规则权重θ_k，评估等级的初始信度β_n,k，前提属性初始权重ε_i为可优化参数，建立优化模型；

其中，β_max为β_n最大的信度，D_βmax为β_max对应的评估等级，lb_j为第j个参考值的下限，ub_j为第j个参考值的上限，为第p条规则的第j个前提属性参考值，为第q条规则的第j个前提属性参考值，k＝1,…,K，n＝1,…,N，j＝1,…,T，p≠q∈[1,…,K]；

使用MATLAB软件工具箱的fmincon函数迭代寻优，在约束条件下，搜寻规则库的最优参数；

步骤(8)对于步骤(4)得到的复杂网络统计特征样本集合Φ，按照样本数9:1的训练测试比得到训练样本集合Φ_train和测试样本集合Φ_test；选取Φ_train作为置信规则库的输入，重复步骤(6-1)到(7)得到最优的置信规则库推理模型实现电梯的故障诊断估计；之后再利用该最优模型对测试样本集合Φ_test重复步骤(6-1)到(6-4)来验证该模型的质量。

2.根据权利要求1所述的一种基于复杂网络与置信推理的电梯故障诊断方法，其特征在于：步骤(7)中所建立的优化模型为：min E(θ_k,β_n,k,e_i)，约束条件为：

其中，lb_j为第j个前提属性数据值的下限，ub_j为第j个前提属性数据值的上限，为第p条规则的第j个前提属性参考值，为第q条规则的第j个前提属性参考值。