[發(fā)明專利]基于平均影響值數(shù)據(jù)變換的特征加權(quán)K近鄰故障診斷方法

有效

• 申請?zhí)枺?/td>: 201711053636.2
• 申請日: 2017-11-01
• 公開（公告）號: CN107832789B
• 公開（公告）日: 2020-11-06
• 發(fā)明（設(shè)計(jì)）人: 文成林;姬思雨
• 申請（專利權(quán)）人: 杭州電子科技大學(xué)
• 主分類號: G06K9/62
• 分類號: G06K9/62;G06N3/08;G06N3/04;G06F30/27
• 代理公司: 杭州君度專利代理事務(wù)所(特殊普通合伙) 33240
• 代理人: 朱月芬

本發(fā)明公開了一種基于平均影響值數(shù)據(jù)變換的特征加權(quán)K近鄰故障診斷方法。本發(fā)明中MIV的計(jì)算過程是通過對系統(tǒng)的輸入值做等比例增加和減小，得到增加和減少后的數(shù)據(jù)分別作為系統(tǒng)輸入，求解其對應(yīng)的系統(tǒng)輸出值。求取各個(gè)輸入變量做等比例增加對應(yīng)的系統(tǒng)輸出值減去各個(gè)輸入變量做等比例減小對應(yīng)的系統(tǒng)輸出值得到系統(tǒng)輸入的各個(gè)參變量對系統(tǒng)輸出的影響程度值及MIV值；采用多次計(jì)算求平均值的方式確定各個(gè)特征變量最終的MIV值。通過對MIV值一定的等比例放縮，將其用作K近鄰方法輸入數(shù)據(jù)的特征權(quán)值來進(jìn)行故障診斷。通過UCI標(biāo)準(zhǔn)數(shù)據(jù)集的仿真測試，驗(yàn)證了本方法的有效性。

技術(shù)領(lǐng)域

本發(fā)明屬于故障診斷領(lǐng)域，具體涉及一種基于平均影響值數(shù)據(jù)變換的特征加權(quán)K近鄰故障診斷方法。

背景技術(shù)

在現(xiàn)在工業(yè)生產(chǎn)和社會服務(wù)中，各類自動化設(shè)備越來越復(fù)雜，使得精細(xì)建模較為困難。但近年來傳感器技術(shù)的發(fā)展，我們可以獲得大量的監(jiān)測數(shù)據(jù)。常存在著大量的高度相關(guān)的狀態(tài)變量，而這些變量的瞬時(shí)采樣值都反映著設(shè)備運(yùn)行是否正常、系統(tǒng)輸出是否達(dá)標(biāo)等關(guān)鍵信息。因此基于數(shù)據(jù)驅(qū)動的故障診斷方法越來越受到人們的重視。然而基于數(shù)據(jù)驅(qū)動的方法必然要面臨各類變量量綱差異的問題，現(xiàn)有基于數(shù)據(jù)驅(qū)動的故障診斷方法有很多，像主元分析、小波變換、支持向量機(jī)等大多是在原有量綱的基礎(chǔ)上進(jìn)行故障診斷。即使進(jìn)行數(shù)據(jù)標(biāo)準(zhǔn)化，同樣要面臨標(biāo)準(zhǔn)化之后變量之間的多樣性降低，幾何角度呈均勻分布等問題。這給后續(xù)數(shù)據(jù)壓縮和特征提取帶來了一定的難度。盡管后來提出了一些基于像信息增益、信息熵、Gini不純度等方法求取特征權(quán)值的方法，但因其計(jì)算的復(fù)雜性，使得其實(shí)際應(yīng)用較為困難。為解決上述問題，從業(yè)人員進(jìn)行了大量的探索，也提出了一些方法。其中一種稱為相對主元分析(Relative Principle Component Analysis，RPCA)的方法，它利用系統(tǒng)的先驗(yàn)信息來引入每個(gè)變量的權(quán)重，以消除由于標(biāo)準(zhǔn)化后數(shù)據(jù)“均勻”分布造成的特征提取困難的問題，但是該方法的不足之處在于它需要來自系統(tǒng)的大量先驗(yàn)信息這在實(shí)際工程應(yīng)用中難以獲得。MIV方法能夠反映處神經(jīng)網(wǎng)絡(luò)的權(quán)重矩陣的變化情況，被認(rèn)為評價(jià)神經(jīng)網(wǎng)絡(luò)輸入?yún)?shù)相關(guān)性的最佳指標(biāo)，MIV可以測定出神經(jīng)網(wǎng)絡(luò)輸入神經(jīng)元對輸出神經(jīng)元的影響權(quán)重。MIV符號代表相關(guān)的方向，絕對值大小代表影響的相對權(quán)重。

發(fā)明內(nèi)容

本發(fā)明針對現(xiàn)有技術(shù)的不足，設(shè)計(jì)一種基于平均影響值數(shù)據(jù)變換的特征加權(quán)K近鄰故障診斷方法。本方法通過運(yùn)用平均影響值(MIV)算法計(jì)算經(jīng)過標(biāo)準(zhǔn)化處理后各個(gè)特征分量對系統(tǒng)輸出的影響程度，根據(jù)其數(shù)值上的比例關(guān)系為各個(gè)特征變量賦權(quán)值。然后，采用UI-balance標(biāo)準(zhǔn)數(shù)據(jù)集，根據(jù)創(chuàng)建的機(jī)器學(xué)習(xí)故障診斷模型進(jìn)行模型測試，并將其應(yīng)用到智能電網(wǎng)信息物理系統(tǒng)的攻擊檢測中。

本發(fā)明包括以下各步驟：

步驟(1)依據(jù)信號的前向傳播和誤差的反向傳播來構(gòu)建BP神經(jīng)網(wǎng)絡(luò)：

步驟(1-1)網(wǎng)絡(luò)的初始化：

假設(shè)輸入層的節(jié)點(diǎn)個(gè)數(shù)為n，隱含層的節(jié)點(diǎn)個(gè)數(shù)為l，輸出層的節(jié)點(diǎn)個(gè)數(shù)為m；各層節(jié)點(diǎn)的個(gè)數(shù)無統(tǒng)一的標(biāo)準(zhǔn)，一般是根據(jù)輸入輸出序列在經(jīng)過多次實(shí)驗(yàn)來確定。輸入層到隱含層的權(quán)重ω_ij，隱含層到輸出層的權(quán)重為ω_jk'，輸入層到隱含層的偏置為a_j，隱含層到輸出層的偏置為b_k'。以上權(quán)重及偏置參數(shù)的初始化是隨機(jī)的，在接下來的多次迭代中進(jìn)行一次次的更新修正。學(xué)習(xí)速率為η，取[0.01,0.1]之間，激勵函數(shù)g(x)的輸出結(jié)果是[-1,1]或者[0,1]，其中激勵函數(shù)g(x)有諸多形式，本方法將其取作Sigmoid函數(shù)。形式為：

步驟(1-2)正向傳遞：有了輸入和初始參數(shù)以及激活函數(shù)，一個(gè)節(jié)點(diǎn)的輸出表示如下，對應(yīng)輸入乘以連接隱含層的對應(yīng)權(quán)值加上閾值，最后經(jīng)過激活函數(shù)得到隱含層節(jié)點(diǎn)的一個(gè)輸出，假設(shè)系統(tǒng)輸入為X＝[x₁,x₂,....x_n]，計(jì)算表達(dá)式如下。

隱含層節(jié)點(diǎn)的輸入：