[发明专利]一种基于平均影响值数据变换的k-近邻故障诊断方法

说明书

本发明公开了一种基于平均影响值数据变换的k‑近邻故障诊断方法，步骤如下：S1，采集数据集合X；S2，对数据集合X进行标准化处理；S3，构建BP神经网络；S4，计算数据集合的平均影响值MIV；S5，计算加权后的数据集合X′；S6，将加权后的数据集合X′输入到k‑近邻分类器中进行故障诊断，得到故障结果。本发明将标准化处理后的数据通过BP神经网络得到数据变化的平均影响值MIV，MIV能够反映出BP神经网络的权重矩阵的变化情况，是评价BP神经网络输入参数相关性的最佳指标，所以MIV可以测定出神经网络输入神经元对输出神经元的影响权重。根据MIV对输入数据集进行处理能对数据集中有效特征进行突出，降低数据的维度，增强输入数据集与输出的关联性。

技术领域

本发明属于故障诊断技术领域，具体涉及一种基于平均影响值数据变换的k-近邻故障诊断方法。

背景技术

在现在工业生产和社会服务中，各类自动化设备越来越复杂，使得精细建模较为困难。但近年来传感器技术的发展，我们可以获得大量的监测数据。常存在着大量的高度相关的状态变量，而这些变量的瞬时采样值都反映着设备运行是否正常、系统输出是否达标等关键信息。因此基于数据驱动的故障诊断方法越来越受到人们的重视。然而基于数据驱动的方法必然要面临各类变量量纲差异的问题，现有基于数据驱动的故障诊断方法有很多，像主元分析、小波变换、支持向量机等大多是在原有量纲的基础上；进行故障诊断。即使进行数据标准化，同样要面临标准化之后变量之间的多样性降低，几何角度呈均匀分布等问题。这给后续数据压缩和特征提取带来了一定的难度。尽管后来提出了一些基于像信息增益、信息熵、Gini不纯度等方法求取特征权值的方法，但因其计算的复杂性，使得其实际应用较为困难。为解决上述问题，从业人员进行了大量的探索，也提出了一些方法。譬如一种基于类内加权平均值的模块主元分析算法，主要针对主成分分析算法在人脸识别中识别率低的问题。还有一种相对主元分析(Relative Principle Component Analysis，RPCA)的方法，它利用系统的先验信息引入每个变量的权重，以消除由于标准化后数据“均匀”分布造成的特征提取困难的问题，但是该方法的不足之处在于它需要来自系统的大量先验信息这在实际工程应用中难以获得。

发明内容

针对上述现有技术中描述的不足，本发明提供一种基于平均影响值数据变换的k-近邻故障诊断方法，该方法能有效提高故障分类精度。

为解决上述技术问题，本发明所采用的技术方案如下：

一种基于平均影响值数据变换的k-近邻故障诊断方法，步骤如下：S1，采集数据集合X，数据集合X包括L个数据集x(k)；

X＝[x(1),x(2),...,x(L)] (1)；

x(k)＝[x1(k),x2(k),...,xi(k),...,xn(k)]T (2)；

其中，X为数据集合，x(k)为数据集合中第k个的数据集，k＝1,2,…,L；xi(k)为第k个数据集中的第i个数据，i＝1,2,…,n；

S2，对数据集合X进行标准化处理，标准化公式为：