故障嚴(yán)重程度識(shí)別的有序分類(lèi)特征分析方法.pdf

1、近年來(lái),故障診斷技術(shù)得到了深入研究和廣泛應(yīng)用。隨著人工智能、模式識(shí)別、機(jī)器學(xué)習(xí)以及計(jì)算機(jī)技術(shù)的發(fā)展,故障診斷技術(shù)朝著智能化的方向發(fā)展。在實(shí)際應(yīng)用中,識(shí)別故障嚴(yán)重程度是故障診斷領(lǐng)域的一個(gè)挑戰(zhàn)。獲取故障的嚴(yán)重程度信息能夠幫助用戶(hù)了解設(shè)備狀態(tài)的發(fā)展趨勢(shì),制定合理的維修策略和檢修方案。
　　故障嚴(yán)重程度可以表示為“輕微故障”、“中等故障”和“嚴(yán)重故障”,不同嚴(yán)重程度之間存在序的關(guān)系。在模式識(shí)別領(lǐng)域中,故障嚴(yán)重程度識(shí)別可以理解為有序分類(lèi)問(wèn)題

2、。一些故障特征和故障的嚴(yán)重程度之間存在單調(diào)關(guān)系,被稱(chēng)為單調(diào)故障特征,即特征值隨著故障程度的增大而單調(diào)變大或變小。單調(diào)故障特征能夠反映出與故障嚴(yán)重程度之間的單調(diào)趨勢(shì),為故障嚴(yán)重程度識(shí)別提供直觀、簡(jiǎn)單的診斷信息,但也存在一些特征與故障程度不存在單調(diào)依賴(lài)關(guān)系。我們稱(chēng)前者為單調(diào)特征,后者為非單調(diào)特征。
　　在設(shè)備狀態(tài)監(jiān)測(cè)中的大量傳感器數(shù)據(jù),只有很少一部分與故障嚴(yán)重程度是相關(guān)的。大量不相關(guān)的故障特征會(huì)增加系統(tǒng)的復(fù)雜性,降低分類(lèi)器的識(shí)別能力。

3、因此,在故障程度識(shí)別之前需要從全部特征集合中選擇與故障嚴(yán)重程度相關(guān)的故障特征子集,去除不相關(guān)和冗余的故障特征。本文從有序分類(lèi)問(wèn)題出發(fā),研究從原始特征空間中尋找最優(yōu)特征子集問(wèn)題,以提高故障程度識(shí)別的泛化性能。本文首先假設(shè)全部特征都與故障嚴(yán)重性之間滿(mǎn)足單調(diào)依賴(lài)性,把故障嚴(yán)重性問(wèn)題當(dāng)做單調(diào)分類(lèi)問(wèn)題進(jìn)行研究,然后再考慮實(shí)際問(wèn)題中只有部分特征與故障嚴(yán)重性具有單調(diào)關(guān)系的情形,開(kāi)展了以下幾方面的工作:
　　首先,設(shè)計(jì)了基于距離的單調(diào)分類(lèi)特征選擇

4、算法?；舅枷胧歉鶕?jù)在特征空間中樣本的區(qū)分能力來(lái)評(píng)價(jià)特征集的質(zhì)量。將距離函數(shù)作為特征評(píng)價(jià)函數(shù)設(shè)計(jì)了特征選擇算法,并用實(shí)驗(yàn)驗(yàn)證了算法的有效性。
　　其次,設(shè)計(jì)了基于排序熵的魯棒單調(diào)分類(lèi)特征選擇算法。大部分真實(shí)分類(lèi)任務(wù)不是嚴(yán)格單調(diào)一致的,需要設(shè)計(jì)能夠容忍不一致的單調(diào)分類(lèi)特征選擇算法。排序互信息基于概率分布函數(shù)計(jì)算,繼承了信息熵的魯棒性。本文采用排序互信息作為特征評(píng)價(jià)指標(biāo),通過(guò)最大相關(guān)最小冗余(mRMR)搜索策略尋找一個(gè)特征子集。實(shí)驗(yàn)驗(yàn)

5、證了排序互信息的魯棒性和特征選擇算法的有效性。
　　再次,設(shè)計(jì)了混合特征的有序分類(lèi)特征選擇算法。實(shí)際故障嚴(yán)重程度識(shí)別任務(wù)中,只有部分特征與嚴(yán)重性程度之間是單調(diào)的。在單調(diào)特征和非單調(diào)特征共存的情況下,討論了混合特征選擇算法。將單調(diào)特征和非單調(diào)特征分開(kāi)處理,對(duì)單調(diào)特征考慮單調(diào)一致性,對(duì)非單調(diào)特征考慮一般分類(lèi)一致性,給出了混合特征分類(lèi)一致性假設(shè)條件,并設(shè)計(jì)特征評(píng)價(jià)指標(biāo),構(gòu)造了有序分類(lèi)的混合特征選擇算法。
　　最后,將提出的混合特征