[发明专利]一种基于特征证据离散化的旋转机械故障特征约简方法

摘要

本发明提出一种基于特征证据离散化的旋转机械故障特征约简方法，首先利用K均值将原始测量数据聚为T个数据簇，再使用随机模糊变量模型对每个数据簇建模，匹配得到每个测量值的证据，根据决策规则决定测量值转换后的离散值并得到决策表，此时故障特征为条件属性，样本的故障模式为决策属性；计算压缩二进制矩阵获取核属性，分别计算剩余条件属性与核属性集合并集的似真信度，将具有最小似真信度并集对应的条件属性添加至核属性集合中，直至最小似真信度为1时停止，同时得到最终的约简结果。本发明做离散化处理时，考虑到数据簇之间的边界模糊性，相比单一使用K均值，离散处理更加精准，同时压缩二进制矩阵减少了计算量和存储空间。

主权项

一种基于特征证据离散化的旋转机械故障特征约简方法，其特征在于该方法包括以下步骤：(1)首先设定旋转机械设备的故障集合为Θ＝{F1,L,Fi,L,FN}，Fi代表故障集合Θ中的第i个故障，i＝1,2,L,N，N为故障个数；x＝{x1,L,xj,L,xm}为测得的故障特征向量，xj代表第j个特征参数fj的测量值，j＝1,2,...,m；(2)在每种故障模式下分别测得n个特征向量x，总共sum＝N*n个特征向量样本组成历史样本集合U＝{x1,K,xr,K,xsum}，其中xr＝{xr,1,L,xr,j,L,xr,m}，r＝1,2,K,sum；根据故障特征的数据分布设定离散值集合V＝{1,K,t,K,T}，建立故障特征fj对应的各离散值随机模糊变量模型t＝1,2,K,T，其中随机模糊变量模型由外部隶属度函数uout(x)和内部隶属度函数uin(x)组成，获取中的每个随机模糊变量模型的步骤如下：(2－1)利用K均值算法将这sum个向量样本中故障特征fj的测量值按照从小到大的顺序划分为T个数据簇{X1,j,K Xt,j,K,XT,j}，每个数据簇代表对应的离散值，其中st代表第t个数据簇中特征fj的测量值个数；(2－2)由数据簇Xt,j获得对应的频率直方图，然后对其进行插值拟合得到特征fj的正态分布概率密度函数(2－3)首先计算出随机模糊变量模型的外部隶属度函数uout(x)，确定概率密度函数的峰值点xp，即正态分布的均值，其隶属度为uout(x)＝1；对应fj在该数据簇的变化范围是[xL,xR]＝[xp‑3σ,xp+3σ]，σ为标准差；在区间[xL,xp]和[xp,xR]上分别均匀插入M个点和l＝1,2,K,M，这些点产生M+2个嵌套子区间其中利用在这些区间进行积分运算，得到外部隶属度函数uout(x)，其中(2－4)由于在测量特征fj时，传感器会存在系统误差，用内部隶属度函数uin(x)来表示系统误差，该误差取决于传感器供应商提供的测量精度x(1±ε％)，根据该精度规格构造内部隶属度函数：(2－5)最终的随机模糊变量模型At,j是将uout(x)和uin(x)的α水平截集结合而得到的，uout(x)和uin(x)的α水平截集分别为和那么At,j由一组α水平截集来表示，这里用式(3)形式的矩阵表示：其中αM+1＝1<αM<L<α0＝0；(3)将样本中特征fj的测量值xr,j与中各个随机模糊变量模型匹配，获得xr,j与各离散值对应的信度，组成一条证据，具体的匹配如下：(3‑1)xr,j为单次测量值，其随机模糊变量模型为矩形隶属度函数：(3‑2)令xb＝xr,j(1‑ε％)和xc＝xr,j(1+ε％)为μr,j(x)取值为1的左右分界点，那么μr,j(x)与At,j的匹配程度ρr,j(t)分为以下3种情况求取：a)当或时，此时μr,j(x)与At,j的内部隶属度函数uin(x)完全或部分重合,则ρr,j(t)＝1；b)当且时，μr,j(x)位于At,j的左侧，则这里k＝0,1,2,K,M，通过对两个相邻截集之间的外部隶属度函数进行线性化，利用线性化函数的斜率公式获取匹配度，由于xc比xb更靠近At,j的uin(x)，所以这里计算关于xc的斜率作为匹配度；c)当且时，μr,j(x)位于At,j的右侧，则(4)依照以上过程，计算出μr,j(x)与每种离散值的随机模糊变量模型的匹配度ρr,j(t),t＝1,2,K,T，对它们进行归一化处理：那么对于测量值xr,j，其对应各离散值的证据为mr,j＝{mr,j(1),L,mr,j(t),L,mr,j(T)}    (8)根据最大信度决策规则来决定测量值的离散值，即测量值xr,j对应的离散值由最大信度mr,j(t)＝max(mr,j)决定，判断其离散值为t；(5)经过离散化处理后的所有的样本构成便于粗糙集处理的决策表形式，此时故障特征为条件属性，故障模式为决策属性，如表1所示表1经离散化处理后的决策表U f1… fj… fmD x1t1,1… t1,j… t1,mF1… … …   … … … xrtr,1… tr,j… tr,mFi… … … … … … … xsumtsum,1… tsum,j… tsum,mFN决策表中离散值tr,j∈V，D代表样本的决策属性；(6)令C＝{f1,f2,K,fm}，根据离散化后的决策表构造条件属性集合C和决策属性D的等价关系已知等价关系推导出等价类[x]C＝{y∈U|(x,y)∈RC}和[x]D＝{y∈U|(x,y)∈RD}，最后由故障特征集合C和故障模式D对样本集合U的划分分别为：更直观地表示为U/RC＝{B1,K,Bβ,K,BJ}，U/RD＝{Y1,K,Yi,K,YN}；Bβ和Yi分别是样本集U的子集，且Bβ中样本的条件属性都相等，Yi中样本决策属性都相同；令其中U2＝U‑U1；rj代表样本xp和xq在特征fj的差别：其中，delrep代表删除集合中条件属性相同的样本；由此构建压缩二进制矩阵CBM＝[objectpair,totaloneij,msij]，其中objectpair＝(xp,xq)，表示对应的二进制编码；在矩阵CBM中totaloneab＝1所在行中，二进制mspq中1的位置所代表的条件属性，即为核属性；(7)若以决策属性划分样本集合U，即U/RD＝{Y1,K,Yi,K,YN}；否则，在决策表上增加一列属性δC＝{D(y):y∈[x]C}，并以该属性代替决策属性来划分样本集合U，即U/δC＝{Y1,K,Yi,K,YN}；将所有核属性添加至约简集Red中，剩余属性C'＝C‑Red，分别计算剩余属性fw∈C'与约简集Red的并集B＝Red∪fw以及B的似真信度，将具有最小似真信度并集对应的属性添加至Red集合中，重复上述步骤直至Red集合的信度为1，并获得最终的约简结果，具体如下：a)对于每一个fw∈C',首先计算其与约简集Red的并集B，以及B对样本集合的划分U/B＝{[x]B,x∈U},B＝Red∪fw以及条件属性集合B在集合Yi的上近似由上近似得到该故障特征集的似真信度：其中|.|代表集合中元素个数；b)将具有最小值的γw对应的属性fw添加至约简集Red中，即Red＝Red∪fw，同时令C'＝C'‑fw；若最小值为1，停止运算，得到最终的约简集Red；否则返回至上一步继续运算。