CN112784480B - 一种油液状态自学习量化表征方法、存储介质及设备 - Google Patents
一种油液状态自学习量化表征方法、存储介质及设备 Download PDFInfo
- Publication number
- CN112784480B CN112784480B CN202110043935.8A CN202110043935A CN112784480B CN 112784480 B CN112784480 B CN 112784480B CN 202110043935 A CN202110043935 A CN 202110043935A CN 112784480 B CN112784480 B CN 112784480B
- Authority
- CN
- China
- Prior art keywords
- state
- layer
- oil
- attribute
- index
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 239000007788 liquid Substances 0.000 title claims abstract description 54
- 238000012512 characterization method Methods 0.000 title claims abstract description 39
- 238000003860 storage Methods 0.000 title claims abstract description 24
- 238000012549 training Methods 0.000 claims abstract description 31
- 238000012544 monitoring process Methods 0.000 claims abstract description 28
- 238000003062 neural network model Methods 0.000 claims abstract description 27
- 230000004927 fusion Effects 0.000 claims abstract description 11
- 238000004364 calculation method Methods 0.000 claims abstract description 8
- 230000006870 function Effects 0.000 claims description 31
- 238000000034 method Methods 0.000 claims description 21
- 238000005457 optimization Methods 0.000 claims description 21
- 238000004422 calculation algorithm Methods 0.000 claims description 18
- 238000011156 evaluation Methods 0.000 claims description 13
- 238000012545 processing Methods 0.000 claims description 13
- 230000004913 activation Effects 0.000 claims description 10
- 230000015572 biosynthetic process Effects 0.000 claims description 6
- 238000010606 normalization Methods 0.000 claims description 6
- 238000003786 synthesis reaction Methods 0.000 claims description 6
- 238000013507 mapping Methods 0.000 claims description 5
- 238000013139 quantization Methods 0.000 claims description 5
- 230000008569 process Effects 0.000 claims description 4
- 238000011478 gradient descent method Methods 0.000 claims description 3
- 238000007781 pre-processing Methods 0.000 claims description 3
- 238000003745 diagnosis Methods 0.000 abstract description 5
- 238000004590 computer program Methods 0.000 description 10
- 238000010586 diagram Methods 0.000 description 10
- 239000002245 particle Substances 0.000 description 10
- 238000013528 artificial neural network Methods 0.000 description 9
- 238000009826 distribution Methods 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 230000001419 dependent effect Effects 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 239000002253 acid Substances 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 239000008280 blood Substances 0.000 description 1
- 210000004369 blood Anatomy 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000019771 cognition Effects 0.000 description 1
- 150000001875 compounds Chemical class 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000009795 derivation Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 238000005461 lubrication Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2113/00—Details relating to the application field
- G06F2113/08—Fluids
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Evolutionary Computation (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biophysics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computer Hardware Design (AREA)
- Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Biomedical Technology (AREA)
- Geometry (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Feedback Control In General (AREA)
Abstract
本发明公开了一种油液状态自学习量化表征方法、存储介质及设备，构建指标‑属性‑状态三层模糊状态表征体系模型；得到各监测指标对应每个状态等级的隶属概率作为指标隶属度；进行加权融合计算得到得到属性隶属度；制定推理规则库，得到油液综合状态隶属于各状态等级的信度；应用最大、最小和平均效用区间对各个状态等级进行信度赋值，使油液状态表征结果为量化的输出结果；建立KBNN神经网络模型；将KBNN神经网络模型各层之间的连接分别对应指标‑属性‑状态三层模糊状态表征体系模型各层之间的连接；对连接后的KBNN神经网络模型进行训练，将训练完成后的KBNN模型投入使用，进行油液状态量化表征。本发明大大提高了油液状态诊断表征的准确性和精确性。
Description
技术领域
本发明属于油液状态监测技术领域，具体涉及一种油液状态自学习量化表征方法、存储介质及设备。
背景技术
油液作为机器的血液，能够从机理上反映机器摩擦学状态的衰变，进而综合反映大型设备的健康状态，因而成为可靠的设备状态载体。虽然油液是一个理化特性综合体，但是由于多指标、非单调等因素导致其信息表征的不确定性严重制约了油液监测技术的发展。因此，研究油液不确定状态信息表征技术具有很重要的意义。
专家知识决策是解决油液信息冲突和非单调等不确定性问题的有效方法。对于知识的不确定性进行基于概率和模糊集的表达方式，能够将定量油液监测数据信息转换成模糊信念结构，从而解决油液不确定状态评估问题。同时基于推理机规则库能够智能地进行规则组合，其蕴含的机理知识为油液不确定状态提供可解释性的推理。然而，油液机理知识无法明确及有限的专家经验是专家系统应用的瓶颈，传统依赖经验的专家系统在进行油液状态表征时缺乏灵活性，一旦建立油液监测的专家系统，便无法从实际的工况数据中进行学习，并无法针对多变的环境工况做出相应的调整。
大数据时代下的油液状态监测趋于智能化发展方向，对决策的实时性和准确性提出了更高要求。以人工神经网络为代表的智能学习模型逐步应用于油液监测的数据分析，并且利用其数据非线性映射关系可以实现自学习功能，具有很强的泛化能力和容错能力。神经网络在油液监测中有着广泛的应用，如磨粒的智能识别，磨损性能的预测，润滑状态的辨识等。但是，这些数据驱动的模型同黑盒子一样的神经网络模型完全依赖数据与状态之间的映射关系，模型准确度依赖于大量的数据获取，模型缺乏可解释性等缺点限制了神经网络在油液监测中的应用。
因此，如何使模型既具有强的知识可解释性，也能够自学习地获取数据规律提高油液状态量化表征的准确性，已经成为迫切需要解决的问题之一。
发明内容
本发明所要解决的技术问题在于针对上述现有技术中的不足，提供一种油液状态自学习量化表征方法、存储介质及设备，提高油液状态量化表征的准确性。
本发明采用以下技术方案：
一种油液状态自学习量化表征方法，包括以下步骤：
S1、构建指标-属性-状态三层模糊状态表征体系模型，模型自下而上的三层结构分别映射油液的指标、属性和状态，并应用模糊隶属度进行各层之间隶属关系表征，对指标层数据进行数据归一化处理，并采用模糊隶属函数进行模糊化处理，得到各监测指标对应每个状态等级的隶属概率作为指标隶属度；采用加权融合计算得到属性隶属度；基于if-then规则应用专家知识制定推理规则库，基于推理规则库对属性隶属度进行模糊推理，再应用证据推理算法对推理结果进行证据融合，得到油液综合状态隶属于各状态等级的信度，应用最大、最小和平均效用区间对各个油液状态等级进行信度赋值，将油液状态表征结果作为指标-属性-状态三层模糊状态表征体系模型的输出结果；
S2、建立包括指标层、属性层、状态等级层、规则前件层、规则后件层、信度层和状态输出层的KBNN神经网络模型；将步骤S2建立的KBNN神经网络模型各层之间的连接分别对应步骤S1指标-属性-状态三层模糊状态表征体系模型各层之间的连接；
S3、对步骤S2连接后的KBNN神经网络模型进行训练，修正模型参数，将修正后的KBNN模型参数导入步骤S1的指标-属性-状态三层模糊状态表征体系模型中，将指标-属性-状态三层模糊状态表征体系模型投入使用进行油液状态量化表征。
具体的，步骤S1中，指标层为通过不同监测手段获取的油液监测数据；属性层由反映油液相同特征的指标集合构成；从属性层到状态层中间经过基于知识的模糊推理和基于效用区间的量化表征；状态层为最终的输出层，油液状态值HI由[0，1]的数值表示设备的故障情况，0表示设备处于最好的状态，1表示设备处于故障最严重的状态。
具体的，步骤S1中，对不同的油液指标进行归一化数据前处理得到归一化后的油液指标数据然后划分状态等级集H；采用高斯模糊隶属函数评估指标对应的状态等级，得到监测数据aij的指标隶属于Hc的状态等级概率P(Hc|aij)。
具体的，步骤S1中，属性隶属度计算如下：
其中，Hc为油液状态等级，c＝1，2…，N，N为状态等级数目；i＝1，2…，r，r为油液的属性数目；j＝1，2…，g，g为属性i中指标数目；P(Hc|aij)为第i个属性中对应的第j个指标隶属于Hc的概率；wij为指标的权重，为模型待优化参数。
具体的，步骤S1中，首先应用“if-then”规则制定n条推理规则：IF：isH1and...is Hcand…and/>is HN；THEN：{(H1，β1)，…，(Hc，βc)，…，(HN，βN)}，IF部分的内容为规则前件，THEN部分的内容为规则后件；/>表示第k条规则前件中的第i个油液属性，r代表属性数目；βc为规则后件中的信度；然后基于规则库对属性状态进行模糊推理，确定第k条规则的激活权重θk；最后应用ER算法对每条规则的推理结果进行证据融合，计算油液状态隶属于相应状态等级的信度Hc。
具体的，步骤S1中，应用最大、最小和平均效用区间对各个状态等级进行信度赋值；表示y(t)隶属于Hc的可能性的最小信度，定义最大信度为/>对应所有的油液评估等级H＝{H1，H2，…，Hc…，HN}中，假设评估状态等级为Hc的效用区间为μ(Hc)；定义最小的效用区间为μ(H1)，最大的效用区间为μ(HN)，计算得到最大、最小、平均效用值y(t)；当评估结果的信息完整时，得到油液状态的量化输出y(t)。
具体的，步骤S2中，指标层到属性层以属性隶属度作为连接函数，输出属性隶属度；等级层中，基于专家经验建立规则库，构造n条推理规则，利用第k条规则的激活权重作为连接函数计算每一条规则的激活权重，实现基于规则库的油液状态推理，得到n条规则后件；信度层中，应用合成后的油液状态等级为Hc的信度、合成后的油液状态等级为Hc的不确定度和归一化系数进行证据推理，得到规则合成后的油液状态隶属于不同状态等级的信度；为了量化表征油液状态，应用油液状态的量化输出y(t)建立信度层与输出层之间的连接，得到最终的油液状态量化指标HI。
具体的，步骤S3中，KBNN神经网络模型优化训练策略如下：
首先基于训练数据采用传统梯度下降法对模型参数中的指标权重wij和信度区间μ(Hc)两类参数进行训练，得到优化后的指标权重wij和信度区间μ(Hc)，再采用PSO算法训练KBNN模型的其余参数：模糊隶属区间(μ，σ)和规则权重wk；参数向量的优化过程中，应用PSO算法反复地加权全局最优和个体最优经验；选择均方误差函数作为损失函数。
本发明的另一个技术方案是，一种存储一个或多个程序的计算机可读存储介质，所述一个或多个程序包括指令，所述指令当由计算设备执行时，使得所述计算设备执行所述的方法中的任一方法。
本发明的另一个技术方案是，一种计算设备，包括：
一个或多个处理器、存储器及一个或多个程序，其中一个或多个程序存储在所述存储器中并被配置为所述一个或多个处理器执行，所述一个或多个程序包括用于执行所述的方法中的任一方法的指令。
与现有技术相比，本发明至少具有以下有益效果：
本发明一种油液状态自学习量化表征方法，在油液状态监测过程中，监测指标多种多样，指标信息具有模糊性和不确定性，为了得到准确度大、信度值高的油液状态评估结果，表征油液的不确定状态，基于模糊隶属概率分布和油液系统知识构建指标-属性-状态(I-A-S)三层模糊状态表征体系模型。并且为了基于数据驱动的信息来更新知识，应用神经网络的自学习功能实现I-A-S模型的参数更新，构建联合知识与数据进行油液状态量化表征的神经网络模型(KBNN)，应用基于粒子寻优算法(PSO)的优化策略进行模型优化训练，使知识在数据的引导下进行更新。该模型既具有强的知识可解释性又能够从数据中获取规律，大大提高了油液状态量化表征的准确性。
进一步的，通过构建指标-属性-状态三层模糊状态表征体系模型，并应用模糊隶属度进行各层之间隶属关系表征，减少了油液多指标数据的不确定性，能更为准确地对油液状态进行表征。
进一步的，为了使油液各监测指标具有统一的量纲，对指标数据进行归一化处理；为了进行各层之间隶属关系表征，采用模糊隶属函数对归一化后的数据进行模糊化处理。
进一步的，油液的属性由对应的油液指标集构成，故通过指标层数据加权融合得到属性层数据，减少了油液数据的特征维度，提高了表征的鲁棒性。
进一步的，基于专家经验构建规则知识库，联合知识库推理与证据合成对油液状态进行量化表征，由于专家经验和证据合成理论的加入，对油液状态的诊断表征具有了很高的准确性。
进一步的，为了得到油液状态的精确数值，从而用于神经网络的学习训练，将S4得到的油液状态等级H(H∈{H1，H2，…，Hc…，HN})量化为区间[0，1]中的具体数值。
进一步的，数据中包含大量的油液信息，为了提取数据中的信息来更新知识，构建联合知识与数据进行油液状态量化表征的神经网络模型(KBNN)，应用神经网络的自学习功能进行I-A-S模型的参数更新，提高模型的准确性。
进一步的，基于粒子寻优算法(PSO)的优化策略进行模型优化训练，更新模型参数。
综上所述，本发明大大提高了油液状态诊断表征的准确性和精确性。
下面通过附图和实施例，对本发明的技术方案做进一步的详细描述。
附图说明
图1为I-A-S模型示意图；
图2为KBNN模型示意图；
图3为模型验证结果图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
应当理解，当在本说明书和所附权利要求书中使用时，术语“包括”和“包含”指示所描述特征、整体、步骤、操作、元素和/或组件的存在，但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。
还应当理解，在本发明说明书中所使用的术语仅仅是出于描述特定实施例的目的而并不意在限制本发明。如在本发明说明书和所附权利要求书中所使用的那样，除非上下文清楚地指明其它情况，否则单数形式的“一”、“一个”及“该”意在包括复数形式。
还应当进一步理解，在本发明说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合，并且包括这些组合。
在附图中示出了根据本发明公开实施例的各种结构示意图。这些图并非是按比例绘制的，其中为了清楚表达的目的，放大了某些细节，并且可能省略了某些细节。图中所示出的各种区域、层的形状及它们之间的相对大小、位置关系仅是示例性的，实际中可能由于制造公差或技术限制而有所偏差，并且本领域技术人员根据实际所需可以另外设计具有不同形状、大小、相对位置的区域/层。
本发明提供了一种油液状态自学习量化表征方法，基于模糊隶属概率分布和油液系统知识构建指标-属性-状态(I-A-S)三层模糊状态表征体系模型；为了基于数据驱动的信息更新知识，应用神经网络的自学习功能实现I-A-S模型的参数更新，构建联合知识与数据进行油液状态量化表征的神经网络模型(KBNN)，应用基于粒子寻优算法(PSO)的优化策略进行模型优化训练，使知识在数据的引导下进行更新；既具有强的知识可解释性又能够从数据中获取规律，大大提高了油液状态量化表征的准确性。
本发明一种油液状态自学习量化表征方法，包括以下步骤：
S1、构建指标-属性-状态三层模糊状态表征体系模型；
S101、按如图1所示构建指标-属性-状态(I-A-S)三层模糊状态表征体系模型，I-A-S模型中，自下而上的三层结构分别映射油液的指标、属性和状态，并应用模糊隶属度进行各层之间隶属关系表征；
其中，指标层为通过不同监测手段获取的油液监测数据。
属性层由反映油液相同特征的指标集合构成，比如粘度、酸值等指标构成了油液的理化属性，颗粒数、水分等指标构成了油液的污染属性。
从属性层到状态层中间经过了基于知识的模糊推理和基于效用区间的量化表征
状态层为最终的输出层，油液状态值HI由[0,1]的数值表示设备的故障情况，0表示设备处于最好的状态，1表示设备处于故障最严重的状态。
S102、指标层中需要对指标层数据进行数据预处理，包括归一化处理和采用模糊隶属函数进行模糊化处理，得到各监测指标对应每个状态等级的隶属概率，称作指标隶属度；
为了使数据具有统一的量纲和维度，首先对不同的油液指标进行归一化数据前处理；计算公式如下：
其中，aijN表示指标aij失效时的阈值，其设定值可以参照换油标准中规定的失效值；aij0表示指标aij初始值，其设定可参照新油指标。为归一化后的油液指标数据，I1为效益型指标集合，I2为成本型指标集合。
然后划分状态等级集：
H＝{H1，H2，…，Hc…，HN}
其中，c＝1，2，…N，H1，H2，…，Hc…，HN表示状态从好到坏N个等级。
采用高斯模糊隶属函数来评估指标对应的状态等级，计算公式如下所示：
其中，μ和σ为高斯函数的均值和方差，为经公式(1)归一化的指标数据，P(Hc|aij)表示监测数据aij的指标隶属于Hc的状态等级概率，模型参数μ和σ为待优化参数。
S103、属性层中需要计算各个属性隶属于各状态等级的概率，即属性隶属度，属性隶属度由对应的指标进行加权融合计算得到；
应用公式(3)进行属性隶属度计算：
其中，Hc为油液状态等级，c＝1，2…，N，N为状态等级数目；i＝1，2…，r，r为油液的属性数目；j＝1，2…，g，g为属性i中指标数目；P(Hc|aij)为第i个属性中对应的第j个指标隶属于Hc的概率；wij为指标的权重，为模型待优化参数。
S104、从属性层到状态层首先需经过知识推理：基于“if-then”规则应用专家知识制定推理规则库，基于规则库对属性状态进行模糊推理，再应用ER算法对推理结果进行证据融合，得到油液综合状态隶属于各状态等级的信度；
首先应用“if-then”规则制定n条推理规则：
IF：isH1and…/>is Hc and…and/>is HN
THEN：{(H1，β1)，…，(Hc，βc)，…，(HN，βN)}
规则中，IF部分的内容为规则前件，THEN部分的内容为规则后件。表示第k条规则前件中的第i个油液属性，其隶属于状态等级Hc的概率通过公式(3)进行计算，r代表属性数目；βc为规则后件中的信度，表示该条规则推理得到的油液状态隶属于状态等级Hc的概率，其设定是基于该条规则的专家经验知识。
然后基于规则库对属性状态进行模糊推理，推理过程需要计算相应规则的激活权重，其中第k条规则的激活权重通过公式(4)进行计算：
其中，θk为激活权重，n为规则数，P(Hc|Ai)为属性Ai隶属于状态等级Hc的概率，N为状态等级数目；wk为规则的权重，需要通过监测数据优化训练来设定。
最后应用ER算法对每条规则的推理结果进行证据融合，计算油液状态隶属于相应状态等级的信度Hc，其计算公式如式(5)、式(6)和式(7)所示：
其中，表示合成后的油液状态等级为Hc的信度，/>表示合成后的油液状态等级为Hc的不确定度。考虑信息的完整性，/>K为归一化系数，θi为第i条规则的激活权重，/>表示第i条规则后件中推理结果为Hc的信度，n为规则数，N为状态等级数目。
S105、状态的量化表征：基于步骤S104得到的油液各状态等级信度值，应用最大、最小和平均效用区间对各个状态等级进行信度赋值，使油液状态表征结果为量化的输出结果；
应用最大、最小和平均效用区间对各个状态等级进行信度赋值。表示y(t)隶属于Hc的可能性的最小信度，定义其最大信度为/>对应所有的油液评估等级H＝{H1，H2，…，Hc…，HN}中，假设评估状态等级为Hc的效用区间为μ(Hc)，这些效用区间需要通过监测数据训练获取其参数值。定义最小的效用区间为μ(H1)，最大的效用区间为μ(HN)，则最大、最小、平均效用值y(t)可通过下式进行计算：
当评估结果的信息是完整的，则油液状态的量化输出y(t)则简化得到式(11)：
S2、建立包括指标层、属性层、状态等级层、规则前件层、规则后件层、信度层和状态输出层的KBNN神经网络模型；将步骤S2建立的KBNN神经网络模型各层之间的连接分别对应步骤S1指标-属性-状态三层模糊状态表征体系模型各层之间的连接；
KBNN神经网络模型结构：类比于I-A-S模型，按图2所示的结构设定7层神经网络，分别为指标层、属性层、状态等级层、规则前件层、规则后件层、信度层和状态输出层，通过构建油液状态量化表征的KBNN模型，实现数据与知识联合的网络架构的搭建；
KBNN神经网络模型结构主要构成包括：
1.指标-属性-状态三层基于油液监测数据的状态表征结构；
2.包括规则推理、信度合成及规则组合的知识推理结构。
模型的输入为经归一化后的指标集数据，模型输出为油液综合状态的量化表征值。KBNN的神经元分别按照油液指标数目、属性数目、状态等级数目、规则数等进行设定，具体参数如表1所示：
表1 KBNN层节点数
KBNN神经网络模型各层之间的连接：KBNN网络各层之间的连接分别对应I-A-S模型各层之间的连接；
KBNN神经网络模型各层之间连接函数分别对应I-A-S模型的推导公式。指标层到属性层通过以公式(3)作为连接函数，输出属性隶属度。等级层中，基于专家经验建立规则库，构造n条推理规则，利用公式(4)作为连接函数计算每一条规则的激活权重，实现基于规则库的油液状态推理，得到n条规则后件。信度层中，应用公式(5)(6)(7)进行证据推理，得到规则合成后的油液状态隶属于不同状态等级的信度。为了量化表征油液状态，应用公式(11)建立信度层与输出层之间的连接，得到最终的油液状态量化指标HI。
S3、对步骤S2连接后的KBNN神经网络模型进行训练，修正模型参数，将修正后的KBNN模型参数导入步骤S1的指标-属性-状态三层模糊状态表征体系模型中，将指标-属性-状态三层模糊状态表征体系模型投入使用进行油液状态量化表征。
基于I-A-S模型进行参数优化的KBNN神经网络模型，能够从数据中进行参数自学习更新，实现海量数据监测时油液状态的表征。首先基于训练数据采用粒子寻优算法(PSO)对模型进行训练，优化模型参数，实现知识在数据引导下的自我更新。训练完成后的KBNN神经网络模型即可投入使用，用其进行油液状态量化表征的准确性远高于依赖单一专家经验的专家系统。
在构建好KBNN神经网络模型后，需要基于数据对模型进行训练，优化模型参数。KBNN模型中需要优化的参数为公式(2)(3)(4)(11)中相应的参数，具体如表2所示：
表2 KBNN优化参数
KBNN神经网络模型优化训练策略：首先基于训练数据采用传统梯度下降法对模型参数中的指标权重wij和信度区间μ(Hc)两类参数进行训练，得到优化后的指标权重wij和信度区间μ(Hc)，再采用PSO算法训练KBNN模型的其余参数：模糊隶属区间(μ，σ)和规则权重wk。
KBNN神经网络模型中的参数向量的优化过程中，应用PSO算法反复地加权全局最优和个体最优经验，例如第q维的第μ个粒子在第s+1次迭代，其更新为：
其中，μ＝1，…，M，q＝1，...，N，c1是粒子跟踪自己历史最优值的权重系数(认知)，c2是粒子跟踪群体最优值的权重系数(社会)，和/>用来合并加权系数的随机数；r是系数更新时候的约束因子，一般取1。
选择均方误差(MSE)函数作为损失函数，如式(14)所示：
其中，y(i)表示作为样本标签的油液状态真实值，表示由I-A-S模型计算获得的状态预测值。P是包括(wij，μ(Hc))在内的参数向量，M是训练样本的个数，J表示训练过程中的均方误差。
PSO进行KBNN模型参数优化的算法步骤如下所示：
本模型的目的是对油液状态进行诊断，并将诊断结果进行量化表征，量化表征是将油液的状态从状态等级H(H∈{H1，H2，…，Hc…，HN})量化为区间[0，1]中的具体数值，量化表征后得到的数值表示模型对油液状态的诊断结果，0表示设备处于最好的状态，1表示设备处于故障最严重的状态。通过量化表征可以更为精确地诊断油液当前状态的好坏。
本发明再一个实施例中，提供了一种终端设备，该终端设备包括处理器以及存储器，所述存储器用于存储计算机程序，所述计算机程序包括程序指令，所述处理器用于执行所述计算机存储介质存储的程序指令。处理器可能是中央处理单元(Central ProcessingUnit，CPU)，还可以是其他通用处理器、数字信号处理器(Digital Signal Processor、DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现成可编程门阵列(Field-Programmable GateArray，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等，其是终端的计算核心以及控制核心，其适于实现一条或一条以上指令，具体适于加载并执行一条或一条以上指令从而实现相应方法流程或相应功能；本发明实施例所述的处理器可以用于油液状态自学习量化表征方法、存储介质及设备的操作，包括：。
本发明再一个实施例中，本发明还提供了一种存储介质，具体为计算机可读存储介质(Memory)，所述计算机可读存储介质是终端设备中的记忆设备，用于存放程序和数据。可以理解的是，此处的计算机可读存储介质既可以包括终端设备中的内置存储介质，当然也可以包括终端设备所支持的扩展存储介质。计算机可读存储介质提供存储空间，该存储空间存储了终端的操作系统。并且，在该存储空间中还存放了适于被处理器加载并执行的一条或一条以上的指令，这些指令可以是一个或一个以上的计算机程序(包括程序代码)。需要说明的是，此处的计算机可读存储介质可以是高速RAM存储器，也可以是非不稳定的存储器(non-volatile memory)，例如至少一个磁盘存储器。
可由处理器加载并执行计算机可读存储介质中存放的一条或一条以上指令，以实现上述实施例中有关油液状态自学习量化表征方法、存储介质及设备的相应步骤；计算机可读存储介质中的一条或一条以上指令由处理器加载并执行如下步骤：。
请参阅图3，将实验数据分为训练数据与测试数据输入到KBNN模型中，用训练集对模型进行训练，测试集对模型进行验证，得到结果如图3所示，可以看出基于本发明提出的方法进行油液状态量化表征，本模型的输出值与真实值非常接近，油液状态量化表征准确性很高。
综上所述，本发明一种油液状态自学习量化表征方法、存储介质及设备，在油液状态监测过程中，监测指标多种多样，指标信息具有模糊性和不确定性，为了得到准确度大、信度值高的油液状态评估结果，表征油液的不确定状态，基于模糊隶属概率分布和油液系统知识构建指标-属性-状态(I-A-S)三层模糊状态表征体系模型。并且为了基于数据驱动的信息来更新知识，应用神经网络的自学习功能实现I-A-S模型的参数更新，构建联合知识与数据进行油液状态量化表征的神经网络模型(KBNN)，应用基于粒子寻优算法(PSO)的优化策略进行模型优化训练，使知识在数据的引导下进行更新。该模型既具有强的知识可解释性又能够从数据中获取规律，大大提高了油液状态量化表征的准确性。
本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
以上内容仅为说明本发明的技术思想，不能以此限定本发明的保护范围，凡是按照本发明提出的技术思想，在技术方案基础上所做的任何改动，均落入本发明权利要求书的保护范围之内。
Claims (3)
1.一种油液状态自学习量化表征方法，其特征在于，包括以下步骤：
S1、构建指标-属性-状态三层模糊状态表征体系模型，模型自下而上的三层结构分别映射油液的指标、属性和状态，并应用模糊隶属度进行各层之间隶属关系表征，对指标层数据进行数据归一化处理，并采用模糊隶属函数进行模糊化处理，得到各监测指标对应每个状态等级的隶属概率作为指标隶属度；采用加权融合计算得到属性隶属度；基于if-then规则应用专家知识制定推理规则库，基于推理规则库对属性隶属度进行模糊推理，再应用证据推理算法对推理结果进行证据融合，得到油液综合状态隶属于各状态等级的信度，应用最大、最小和平均效用区间对各个油液状态等级进行信度赋值，将油液状态表征结果作为指标-属性-状态三层模糊状态表征体系模型的输出结果；
首先应用“if-then”规则制定n条推理规则：IF: THEN：{(H1,β1),…,(Hc,βc),…,(HN,βN)}，IF部分的内容为规则前件，THEN部分的内容为规则后件；/>表示第k条规则前件中的第i个油液属性，r代表属性数目；βc为规则后件中的信度；然后基于规则库对属性状态进行模糊推理，确定第k条规则的激活权重θk；最后应用ER算法对每条规则的推理结果进行证据融合，计算油液状态隶属于相应油液状态等级Hc的信度βc；
应用最大、最小和平均效用区间对各个状态等级进行信度赋值；表示y(t)隶属于Hc的可能性的最小信度，定义最大信度为/>对应所有的油液评估等级集H＝{H1,H2,…,Hc…,HN}中，假设评估状态等级为Hc的效用区间为μ(Hc)；定义最小的效用区间为μ(H1)，最大的效用区间为μ(HN)，计算得到最大、最小、平均效用值y(t)；当评估结果的信息完整时，得到油液状态的量化输出y(t)；
对不同的油液指标进行归一化数据前处理得到归一化后的油液指标数据然后划分状态等级集H；采用高斯模糊隶属函数评估指标对应的状态等级，得到监测数据aij的指标隶属于Hc的状态等级概率P(Hc|aij)，属性隶属度计算如下：
其中，c＝1,2…，N，N为状态等级数目；i＝1,2…，r，r为油液的属性数目；j＝1,2…，g，g为属性i中指标数目；P(Hc|aij)为第i个属性中对应的第j个指标隶属于Hc的概率；wij为指标的权重，为模型待优化参数；
指标层为通过不同监测手段获取的油液监测数据；属性层由反映油液相同特征的指标集合构成；从属性层到状态层中间经过基于知识的模糊推理和基于效用区间的量化表征；状态层为最终的输出层，油液状态量化值HI由[0,1]的数值表示设备的故障情况，0表示设备处于最好的状态，1表示设备处于故障最严重的状态；
S2、建立包括指标层、属性层、状态等级层、规则前件层、规则后件层、信度层和状态输出层的KBNN神经网络模型；将步骤S2建立的KBNN神经网络模型各层之间的连接分别对应步骤S1指标-属性-状态三层模糊状态表征体系模型各层之间的连接，指标层到属性层以属性隶属度作为连接函数，输出属性隶属度；等级层中，基于专家经验建立规则库，构造n条推理规则，利用第k条规则的激活权重作为连接函数计算每一条规则的激活权重，实现基于规则库的油液状态推理，得到n条规则后件；信度层中，应用合成后的油液状态等级的信度、合成后的油液状态等级的不确定度和归一化系数进行证据推理，得到规则合成后的油液状态隶属于不同状态等级的信度；为了量化表征油液状态，应用油液状态的量化输出y(t)建立信度层与输出层之间的连接，得到最终的油液状态量化值HI；
S3、对步骤S2连接后的KBNN神经网络模型进行训练，修正模型参数，将修正后的KBNN模型参数导入步骤S1的指标-属性-状态三层模糊状态表征体系模型中，将指标-属性-状态三层模糊状态表征体系模型投入使用进行油液状态量化表征；
KBNN神经网络模型优化训练策略如下：
首先基于训练数据采用传统梯度下降法对模型参数中的指标权重wij和效用区间μ(Hc)两类参数进行训练，得到优化后的指标权重wij和效用区间μ(Hc)，再采用PSO算法训练KBNN模型的其余参数：模糊隶属函数参数(μ,σ)和规则权重wk；参数向量的优化过程中，应用PSO算法反复地加权全局最优和个体最优经验；选择均方误差函数作为损失函数。
2.一种存储一个或多个程序的计算机可读存储介质，其特征在于，所述一个或多个程序包括指令，所述指令当由计算设备执行时，使得所述计算设备执行根据权利要求1所述的方法中的任一方法。
3.一种计算设备，其特征在于，包括：
一个或多个处理器、存储器及一个或多个程序，其中一个或多个程序存储在所述存储器中并被配置为所述一个或多个处理器执行，所述一个或多个程序包括用于执行根据权利要求1所述的方法中的任一方法的指令。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110043935.8A CN112784480B (zh) | 2021-01-13 | 2021-01-13 | 一种油液状态自学习量化表征方法、存储介质及设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110043935.8A CN112784480B (zh) | 2021-01-13 | 2021-01-13 | 一种油液状态自学习量化表征方法、存储介质及设备 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112784480A CN112784480A (zh) | 2021-05-11 |
| CN112784480B true CN112784480B (zh) | 2023-08-08 |
Family
ID=75755761
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110043935.8A Active CN112784480B (zh) | 2021-01-13 | 2021-01-13 | 一种油液状态自学习量化表征方法、存储介质及设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112784480B (zh) |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107831300A (zh) * | 2017-10-20 | 2018-03-23 | 广东电网有限责任公司河源供电局 | 一种基于三维梯形概率模糊集的变压器绝缘油劣化评估方法 |
| CN109932184A (zh) * | 2019-03-20 | 2019-06-25 | 杭州电子科技大学 | 基于并集信度规则推理的船用柴油机异常磨损诊断方法 |
| CN110188882A (zh) * | 2018-12-28 | 2019-08-30 | 湖南大学 | 一种基于模糊推理的高冲突证据融合方法 |
| CN111832730A (zh) * | 2020-07-09 | 2020-10-27 | 西安交通大学 | 一种油液不确定状态的信度表征与状态识别的方法 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US8374974B2 (en) * | 2003-01-06 | 2013-02-12 | Halliburton Energy Services, Inc. | Neural network training data selection using memory reduced cluster analysis for field model development |
-
2021
- 2021-01-13 CN CN202110043935.8A patent/CN112784480B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107831300A (zh) * | 2017-10-20 | 2018-03-23 | 广东电网有限责任公司河源供电局 | 一种基于三维梯形概率模糊集的变压器绝缘油劣化评估方法 |
| CN110188882A (zh) * | 2018-12-28 | 2019-08-30 | 湖南大学 | 一种基于模糊推理的高冲突证据融合方法 |
| CN109932184A (zh) * | 2019-03-20 | 2019-06-25 | 杭州电子科技大学 | 基于并集信度规则推理的船用柴油机异常磨损诊断方法 |
| CN111832730A (zh) * | 2020-07-09 | 2020-10-27 | 西安交通大学 | 一种油液不确定状态的信度表征与状态识别的方法 |
Non-Patent Citations (1)
| Title |
|---|
| 证据推理方法在住宅质量评估中的应用;江兵 等;《建筑经济》;全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112784480A (zh) | 2021-05-11 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111539515B (zh) | 一种基于故障预测的复杂装备维修决策方法 | |
| CN116679211B (zh) | 一种锂电池健康状态的预测方法 | |
| CN110428082A (zh) | 基于注意力神经网络的水质预测方法 | |
| CN116150897A (zh) | 一种基于数字孪生的机床主轴性能测评方法及系统 | |
| CN114548494B (zh) | 一种可视化造价数据预测智能分析系统 | |
| CN116467674B (zh) | 一种配电网智能故障处理融合更新系统及其方法 | |
| Lermer et al. | Creation of digital twins by combining fuzzy rules with artificial neural networks | |
| Pranolo et al. | Optimized three deep learning models based-pso hyperparameters for beijing pm2. 5 prediction | |
| CN115907200A (zh) | 一种混凝土坝变形预测方法、计算机设备及存储介质 | |
| CN116303786B (zh) | 一种基于多维数据融合算法的区块链金融大数据管理系统 | |
| Buragohain | Adaptive network based fuzzy inference system (ANFIS) as a tool for system identification with special emphasis on training data minimization | |
| Sen | Time series prediction based on improved deep learning | |
| Ge et al. | An improved PF remaining useful life prediction method based on quantum genetics and LSTM | |
| CN116245373A (zh) | 一种基于深度学习的电力数据质量规则自适应方法 | |
| CN113868957B (zh) | 贝叶斯深度学习下剩余寿命预测及不确定性量化校准方法 | |
| CN118518842B (zh) | 基于多模态数据融合和智能优化的水质检测方法和系统 | |
| CN115062528A (zh) | 一种针对工业过程时序数据的预测方法 | |
| CN112784480B (zh) | 一种油液状态自学习量化表征方法、存储介质及设备 | |
| CN116541714B (zh) | 电网调控模型训练方法、系统、计算机设备及存储介质 | |
| CN112257893A (zh) | 一种考虑监测误差的复杂机电系统健康状态预测方法 | |
| Chen et al. | Gearbox fault diagnosis classification with empirical mode decomposition based on improved long short-term memory | |
| Zhang et al. | MBRB: Micro-belief rule Base model based on cautious conjunctive rule for interpretable fault diagnosis | |
| CN117371321A (zh) | 一种基于贝叶斯优化的内在可塑性深度回声状态网络软测量建模方法 | |
| Aziz et al. | Employing Recurrent Neural Networks to Forecast the Dollar Exchange Rate in the Parallel Market of Iraq | |
| CN115794805A (zh) | 一种中低压配网量测数据补齐方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |