[發明專利]用于故障診斷的因果關系鄰接矩陣特征提取方法

有效

• 申請號: 202010756998.3
• 申請日: 2020-07-31
• 公開（公告）號: CN111860686B
• 公開（公告）日: 2022-08-19
• 發明（設計）人: 劉杰;徐煜博
• 申請（專利權）人: 北京航空航天大學
• 主分類號: G06K9/62
• 分類號: G06K9/62;G06N5/04;G06N7/00
• 代理公司: 北京孚睿灣知識產權代理事務所(普通合伙) 11474
• 代理人: 韓燕

1.一種用于故障診斷的因果關系鄰接矩陣特征提取方法，其特征在于，其包括如下步驟：

S1、采集原始故障監測數據作為原始故障特征變量數據集；

S2、對原始故障特征變量數據集進行預處理，得到預處理后的故障特征變量數據集X；

S3、根據預處理后的故障特征變量數據集X，采用因果推斷方法構建因果關系網絡圖G:

G＝(V,E)

其中，V為故障特征變量節點集，E為故障特征變量間的因果關系邊組成的集合；

S4、根據因果關系網絡圖G進行故障特征提取，構建基于因果關系提取的新的故障特征變量數據集T，步驟如下：

S41、將因果關系網絡圖G轉換為相應的因果關系鄰接矩陣A_(m×m)；

根據因果關系網絡圖G將數據集X中故障特征變量間的因果關系轉換為相對應的因果關系鄰接矩陣A_(m×m)，其中第i行第j列的元素為a_ij；

其中，m為故障特征變量個數；

S42、對因果鄰接矩陣A_(m×m)和預處理后的故障特征變量數據集X進行初步刪減，得到刪減后的因果鄰接矩陣Ar_((m-r)×m)和刪減后的數據集Xr_(n×(m-r))；

在因果關系鄰接矩陣A_(m×m)中，找到在因果關系網絡圖中沒有子節點的r個果節點，刪除A_(m×m)中r個果節點故障特征變量在矩陣A_(m×m)中所在行，得到最終的因果關系鄰接矩陣Ar_((m-r)×m)，

同時刪除數據集X中對應故障特征變量所在列，得到刪減后的數據集Xr_(n×(m-r))；

S43、對刪減后的因果鄰接矩陣Ar_((m-r)×m)轉置后進行奇異值分解，得到奇異值較大的幾組奇異向量組成的奇異向量矩陣Ve_((m-r)×K)；

將刪減后的因果關系鄰接矩陣Ar_((m-r)×m)進行轉置，對轉置后矩陣進行奇異值分解，得到從大到小排序的m-r個奇異值以及相對應的m-r組奇異向量，最終選取K個最大的奇異值對應的K組奇異向量組成奇異向量矩陣Ve_((m-r)×K)；

S44、將刪減后的數據集矩陣與奇異向量矩陣做矩陣相乘，得到基于因果關系提取的新的故障特征變量數據集T；

將刪減后的數據集Xr_(n×(m-r))與此奇異向量矩陣Ve_((m-r)×K)相乘得到最終K組新的故障特征變量數據集T_(n×K)，即T＝XrVe，

得到原始的高維故障監測數據集進行降維所提取出來的新的基于因果關系的故障特征變量數據集。

2.根據權利要求1所述的用于故障診斷的因果關系鄰接矩陣特征提取方法，其特征在于，所述S2中的預處理過程如下：

S21、刪除離散數據故障特征變量中僅有一種狀態的故障特征變量；

S22、將原始故障特征變量數據集中的連續數據故障特征變量的監測數據離散化轉換為離散數據故障特征變量的監測數據；

S23、將原始故障特征變量數據集中離散數據故障特征變量狀態中的標簽屬性值轉換為數值型值，假設某離散數據故障特征變量的z種狀態值為標簽屬性值，即分別將其轉換為0,1…z-1這z種數值型值。

3.根據權利要求1或2所述的用于故障診斷的因果關系鄰接矩陣特征提取方法，其特征在于，所述離散數據故障特征變量數據集X為：

其中，故障特征變量個數為m，每一故障特征變量有n個數據樣本，標簽變量除外。

4.根據權利要求1或2所述的用于故障診斷的因果關系鄰接矩陣特征提取方法，其特征在于，S22的轉換方法為采用無監督離散化方法中的等寬算法。

5.根據權利要求1或2所述的用于故障診斷的因果關系鄰接矩陣特征提取方法，其特征在于，S23中的轉換方法為將z種狀態值為標簽屬性值的離散變量，分別轉換為0,1，…，z-1的z種數值型值。