[發明專利]一種基于粗糙集和證據理論的故障診斷方法及系統

在審

• 申請號: 202210607154.1
• 申請日: 2022-05-31
• 公開（公告）號: CN115018307A
• 公開（公告）日: 2022-09-06
• 發明（設計）人: 賈寶柱;廖志強;孔德峰
• 申請（專利權）人: 廣東海洋大學
• 主分類號: G06Q10/06
• 分類號: G06Q10/06;G06Q10/00;G06N5/04
• 代理公司: 北京盛詢知識產權代理有限公司 11901
• 代理人: 劉靜

1.一種基于粗糙集和證據理論的故障診斷方法，其特征在于，包括如下步驟：

S1、根據原始數據表中帶標簽數據的參數名稱和數據類別，得到條件屬性集，所述條件屬性集表示為C＝{c₁，c₂，c₃，...，c_n}，其中n為輸入的條件屬性的維度；

S2、根據系統常見故障狀態得到決策屬性集，所述決策屬性集表示為D＝{d₁，d₂，d₃，...，d_m}，其中m為輸出的決策屬性的維度；

S3、基于所述條件屬性集和所述決策屬性集，建立基于不同工況下第i條原始采集數據樣本的輸入條件屬性與決策屬性相對應的數據決策表，所述數據決策表表示為S；

S4、對所述數據決策表進行屬性的約簡處理，獲得約簡決策表；

S5、根據所述約簡決策表，獲得約簡決策表中所有條件屬性對每個決策屬性的基本置信度，所述基本置信度用于進行故障診斷。

2.根據權利要求1所述的基于粗糙集和證據理論的故障診斷方法，其特征在于，S1中所述原始數據表中的原始數據類型為連續的條件屬性時，按照標準參數范圍對原始數據進行離散化處理；正常區間范圍數據離散化后設置條件屬性碼為1，低于正常區間范圍下限則設置條件屬性碼為0，高于正常區間范圍上限則設置其條件屬性碼為2。

3.根據權利要求2所述的基于粗糙集和證據理論的故障診斷方法，其特征在于，所述離散化處理采用額定工況下參數指標范圍，對于非額定工況下采集的參數數據，根據數據采集時對應的設備工況點，并結合變工況參數變化曲線來確定參數的正常區間范圍。

4.根據權利要求1所述的基于粗糙集和證據理論的故障診斷方法，其特征在于，S2中所述決策屬性集為已知的故障狀態，其與條件屬性之間的推理關系為非線性或非一一映射關系，對于條件屬性與決策屬性間存在簡單一一映射關系的決策屬性直接剔除。

5.根據權利要求1所述的基于粗糙集和證據理論的故障診斷方法，其特征在于，S4中所述屬性的約簡處理的方法包括：基于粗糙集的等價屬性定義進行的屬性約簡處理，剔除數據決策表中的冗余屬性及相關數據信息。

6.根據權利要求5所述的基于粗糙集和證據理論的故障診斷方法，其特征在于，所述等價屬性為在保持知識庫分類能力不變的前提下，對數據決策表中存在的冗余條件屬性及其相關信息進行簡約的原則；

所述等價屬性定義為：

其中，x為樣本數據向量，其數據維度取決于原始采集數據的輸入條件屬性維度n；X為所有樣本數據向量構成的樣本數據集，X＝{x₁，x₂，x₃，...，x_k}，其中k為樣本數據的數量；c_i為條件屬性，c_i(x)為樣本數據x在屬性下c_i的值，C＝{c₁，c₂，c₃，...，c_n}為所有條件屬性集合。

7.根據權利要求1所述的基于粗糙集和證據理論的故障診斷方法，其特征在于，S5中獲取所述基本置信度的方法包括：采用基于證據置信度的基本置信度分配方法。

8.根據權利要求1所述的基于粗糙集和證據理論的故障診斷方法，其特征在于，所述基本置信度的計算方法如下：

其中，i＝1,2,...,n，Y_i＝{y|y∈U∧y_D＝d_i}，d_i∈V_D，U為原始數據表。

9.一種基于粗糙集和證據理論的故障診斷系統，其特征在于，包括：條件屬性模塊、決策屬性模塊、決策表模塊、處理模塊、計算模塊；

所述條件屬性模塊用于根據原始數據表中帶標簽數據的參數名稱和數據類別，得到條件屬性集；

所述決策屬性模塊用于根據系統常見故障狀態得到決策屬性集；

所述決策表模塊用于基于所述條件屬性集和所述決策屬性集，建立基于不同工況下第i條原始采集數據樣本的輸入條件屬性與決策屬性相對應的數據決策表；

所述處理模塊用于對所述數據決策表進行屬性的約簡處理，獲得約簡決策表；

所述計算模塊用于根據所述約簡決策表，獲得約簡決策表中所有條件屬性對每個決策屬性的基本置信度。