CN104484678A - 基于故障类型分类能力评价矩阵的多分类器融合故障诊断方法 - Google Patents

Abstract

本发明公开了基于故障类型分类能力评价矩阵的多分类器融合故障诊断方法。本发明基于分类器度量级输出形式，提出了以分类器输出结果熵值评价分类器多故障类型分类能力的方法，计算得到评价矩阵，并构建了基于模糊综合评判方式的多分类器融合基本模型，进行决策级融合，得出最终的诊断结论。

Description

基于故障类型分类能力评价矩阵的多分类器融合故障诊断方法

技术领域

本发明涉及一种基于故障类型分类能力评价矩阵的多分类器融合故障诊断方法。

背景技术

投票法是目前多分类器融合中最为简便且常用的方法。这种方法认为每个分类器的分类能力是一致的，并未考虑各个分类器的分类能力的差异性。但由于各个分类器自身算法不同，因此分类能力也不同，尤其是在多故障类型诊断的时候，差异性也就越明显，即整体性能优良的分类器也会出现对某种故障类型诊断能力较弱的情况，而整体性能较差的分类器在某一类型故障时，也可以表现出来独特的优势。因此如何将多分类器的结果形成有效地互补，充分利用每个分类器的优势，成为研究的主要问题。问题的核心在于如何对各个分类器对不同故障类型的分类能力进行量化以及融合的法则。

发明内容

本发明要解决的技术问题是提供一种基于故障类型分类能力评价矩阵的多分类器融合故障诊断方法。

为了解决上述技术问题，本发明采用的技术方案是：基于故障类型分类能力评价矩阵的多分类器融合故障诊断方法，包括以下步骤：

设故障类型有m种，则组成模式空间D可以记为

D＝C₁∪C₂∪…∪C_m

其中C_i，成为一个类，且要求C₁∩C₂∩…∩C_m＝Φ；

若用J个分类器e_j(j＝1,2,…,J)对来自模式空间D的样本x进行分类，分类器e_j的输出可以记为

y_j＝e_j(x)

分类器e_j的输出形式为该向量给每一个类别标签分配了一个数值，用来度量样本x属于该类的程度，即该种故障类型的发生概率；这里要求 $0\≤y_j^i\≤1,$ 且 $\underset{i=1}{\overset{m}{\mathrm{\Σ}}}{y}_j^i=1;$

融合步骤：

(1)为了衡量分类器分类能力，需要一定数目N样本进行测试；在测试数据中随机抽取N个样本，要求m种故障类型的样本数目比为1:1:…:1；

(2)对于故障类型C_i，按照下式分别计算J个分类器输出的熵求其均值作为第j分类器故障类型C_i输出的熵值；

上式中常数K的取值与故障类型的数目m有关；

因为根据信息熵的定义，若分类器输出该输出认为样本m种故障的概率相同，也就是说该判断无效，此时熵具有最大值；为了分析方便，使熵值在[0,1]范围内，因此取

如果分类器对某样本的判断类型与期望类型不同时，意味着诊断错误，也可以理解为该判断无效，因此这种情况下，直接令熵值为最大值1；

(3)偏差度

$d_{y_j}^{C_i}=1-{\stackrel{\‾}{H}}_{y_j}^{C_i},(j=\mathrm{1,2},\·\·\·,J)$

对于故障类型C_i，第J个分类器的权重为

${\mathrm{\ω}}_{y_j}^{C_i}=\frac{d_{y_j}^{C_i}}{\underset{j=1}{\overset{J}{\mathrm{\Σ}}}{d}_{y_j}^{C_i}},(i=\mathrm{1,2},\·\·\·,m)$

(4)得到权重矩阵A为

矩阵A中的元素 ${\mathrm{\ω}}_{y_j}^{C_i},(i=\mathrm{1,2},\·\·\·,m;j=\mathrm{1,2},\·\·\·,J)$ 代表分类器y_j对故障类型C_i， $\∀i\∈\mathrm{\Λ}=\{\mathrm{1,2},\·\·\·,m\}$ 的权重；

(5)对于某一样本X，J个分类器的输出组成待评判矩阵R

(6)因此多分类器融合的结果为

B_m×m＝A·R

取该矩阵的对角线元素组成向量B_out，根据最大隶属原则，确定故障类别。

本发明的有益效果是：

提出了基于分类器输出熵的多故障类型分类能力的评价方法以及模糊综合评判的融合决策，得到最终的故障决策。

具体实施方式

一种基于故障类型分类能力评价矩阵的多分类器融合故障诊断方法，包括以下步骤：

设故障类型有m种，则组成模式空间D可以记为

D＝C₁∪C₂∪…∪C_m

其中C_i，成为一个类，且要求C₁∩C₂∩…∩C_m＝Φ；

若用J个分类器e_j(j＝1,2,…,J)对来自模式空间D的样本x进行分类，分类器e_j的输出可以记为

y_j＝e_j(x)

分类器e_j的输出形式为该向量给每一个类别标签分配了一个数值，用来度量样本x属于该类的程度，即该种故障类型的发生概率；这里要求 $0\≤y_j^i\≤1,$ 且 $\underset{i=1}{\overset{m}{\mathrm{\Σ}}}{y}_j^i=1;$

融合步骤：

(1)为了衡量分类器分类能力，需要一定数目N样本进行测试；在测试数据中随机抽取N个样本，要求m种故障类型的样本数目比为1:1:…:1；

(2)对于故障类型C_i，按照下式分别计算J个分类器输出的熵求其均值作为第j分类器故障类型C_i输出的熵值；

上式中常数K的取值与故障类型的数目m有关；

因为根据信息熵的定义，若分类器输出该输出认为样本m种故障的概率相同，也就是说该判断无效，此时熵具有最大值；为了分析方便，使熵值在[0,1]范围内，因此取

如果分类器对某样本的判断类型与期望类型不同时，意味着诊断错误，也可以理解为该判断无效，因此这种情况下，直接令熵值为最大值1；

(3)偏差度

$d_{y_j}^{C_i}=1-{\stackrel{\‾}{H}}_{y_j}^{C_i},(j=\mathrm{1,2},\·\·\·,J)$

对于故障类型C_i，第J个分类器的权重为

${\mathrm{\ω}}_{y_j}^{C_i}=\frac{d_{y_j}^{C_i}}{\underset{j=1}{\overset{J}{\mathrm{\Σ}}}{d}_{y_j}^{C_i}},(i=\mathrm{1,2},\·\·\·,m)$

(4)得到权重矩阵A为

矩阵A中的元素 ${\mathrm{\ω}}_{y_j}^{C_i},(i=\mathrm{1,2},\·\·\·,m;j=\mathrm{1,2},\·\·\·,J)$ 代表分类器y_j对故障类型C_i，的权重；

(5)对于某一样本X，J个分类器的输出组成待评判矩阵R

(6)因此多分类器融合的结果为

B_m×m＝A·R

取该矩阵的对角线元素组成向量B_out，根据最大隶属原则，确定故障类别。

以上所述的本发明实施方式，并不构成对本发明保护范围的限定。任何在本发明的精神和原则之内所作的修改、等同替换和改进等，均应包含在本发明的权利要求保护范围之内。

Claims (1)

1.基于故障类型分类能力评价矩阵的多分类器融合故障诊断方法，包括以下步骤：

设故障类型有m种，则组成模式空间D可以记为

D＝C₁∪C₂∪...∪C_m

其中C_i，成为一个类，且要求C₁∩C₂∩...∩C_m＝Φ；

若用J个分类器e_j(j＝1,2,...,J)对来自模式空间D的样本x进行分类，分类器e_j的输出可以记为

y_j＝e_j(x)

分类器e_j的输出形式为该向量给每一个类别标签分配了一个数值，用来度量样本x属于该类的程度，即该种故障类型的发生概率；这里要求 $0\≤y_j^i\≤1,$ 且 $\underset{i=1}{\overset{m}{\mathrm{\Σ}}}{y}_j^i=1;$

融合步骤：

(1)为了衡量分类器分类能力，需要一定数目N样本进行测试；在测试数据中随机抽取N个样本，要求m种故障类型的样本数目比为1:1:...:1；

(2)对于故障类型C_i，按照下式分别计算J个分类器输出的熵求其均值作为第j分类器故障类型C_i输出的熵值；

上式中常数K的取值与故障类型的数目m有关；

因为根据信息熵的定义，若分类器输出该输出认为样本m种故障的概率相同，也就是说该判断无效，此时熵具有最大值；为了分析方便，使熵值在[0,1]范围内，因此取

如果分类器对某样本的判断类型与期望类型不同时，意味着诊断错误，也可以理解为该判断无效，因此这种情况下，直接令熵值为最大值1；

(3)偏差度

$d_{y_j}^{C_i}=1-{\stackrel{\‾}{H}}_{y_j}^{C_i},(j=\mathrm{1,2},...,J)$

对于故障类型C_i，第J个分类器的权重为

${\mathrm{\ω}}_{y_j}^{C_i}=\frac{d_{y_j}^{C_i}}{\underset{j=1}{\overset{J}{\mathrm{\Σ}}}{d}_{y_j}^{C_i}},(i=\mathrm{1,2},...,m)$

(4)得到权重矩阵A为

矩阵A中的元素 ${\mathrm{\ω}}_{y_j}^{C_i},(i=\mathrm{1,2},...,m;j=\mathrm{1,2},...,J)$ 代表分类器y_j对故障类型C_i， $\∀i\∈\mathrm{\Λ}=\{\mathrm{1,2},...,m\}$ 的权重；

(4)对于某一样本X，J个分类器的输出组成待评判矩阵R

(5)因此多分类器融合的结果为

B_m×m＝A·R

取该矩阵的对角线元素组成向量B_out，根据最大隶属原则，确定故障类别。