CN113326611B - 基于调和贴近度和ds证据理论相结合的故障诊断决策融合方法 - Google Patents

基于调和贴近度和ds证据理论相结合的故障诊断决策融合方法 Download PDF

Info

Publication number
CN113326611B
CN113326611B CN202110567008.6A CN202110567008A CN113326611B CN 113326611 B CN113326611 B CN 113326611B CN 202110567008 A CN202110567008 A CN 202110567008A CN 113326611 B CN113326611 B CN 113326611B
Authority
CN
China
Prior art keywords
fault
feature subset
fault feature
closeness
harmonic
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
Application number
CN202110567008.6A
Other languages
English (en)
Other versions
CN113326611A (zh
Inventor
陈波
蒋潘玲
高秀娥
陈世峰
陈宇峰
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Lingnan Normal University
Original Assignee
Lingnan Normal University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Lingnan Normal University filed Critical Lingnan Normal University
Priority to CN202110567008.6A priority Critical patent/CN113326611B/zh
Publication of CN113326611A publication Critical patent/CN113326611A/zh
Application granted granted Critical
Publication of CN113326611B publication Critical patent/CN113326611B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/211—Selection of the most significant subset of features
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2111/00—Details relating to CAD techniques
    • G06F2111/08—Probabilistic or stochastic CAD

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computer Hardware Design (AREA)
  • Geometry (AREA)
  • Test And Diagnosis Of Digital Computers (AREA)

Abstract

本发明公开了一种基于调和贴近度和DS故障特征子集理论相结合的故障诊断决策融合方法，属于故障诊断技术领域。包括①根据正态分布隶属函数获得各故障特征子集的贴近度；②根据正态分布隶属函数获得各故障特征子集的贴近度；③根据所述各故障特征子集的贴近度和所述调和平均数得到对应的故障特征子集权重；④选取所述故障特征子集权重最大值作为规则化修正标准，修正所述各故障特征子集权重；⑤根据修正后的各故障特征子集权重，重新获取基本概率分配函数BPA；⑥利用DS组合规则对所述基本概率分配函数BPA进行决策融合。本发明方法考虑了故障特征子集在识别框架的总体平均分布程度，在减少故障特征子集冲突的同时保留了重要故障诊断信息。

Description

基于调和贴近度和DS证据理论相结合的故障诊断决策融合 方法
技术领域
本发明涉及故障诊断技术领域，具体涉及一种证据高度冲突下的决策融合方法。
背景技术
决策融合是协同故障诊断的重要研究内容。决策融合负责处理各子故障任务诊断信息之间的冗余、冲突、合作，是目前研究的热点；该方法可将复杂故障诊断分解成多个容易处理的子故障任务，通过对子故障诊断结果的决策融合，从而实现多任务的协同故障诊断。决策融合方法有神经网络、贝叶斯、模糊概率、DS证据理论等几类。其中，DS证据理论所需要的先验数据比模糊概率更直观、更容易获得，所满足的条件比Bayes概率理论更弱；而且，借助于Dempster合成规则，可将多个主体相融合，具有直接表达“不确定性”的能力。因此，DS证据理论在决策融合方面有很大的优势，已广泛应用在多个领域。但是在一些证据信息高度冲突的情况下，DS证据理论往往会得到不符合常理、甚至不正确的决策结论。针对这一问题，国内外学者提出了众多改进算法，这些算法大体可分为以下两类。第一类方法认为融合规则存在问题，建议对融合规则进行修改，虽然这类方法取得了较好的合成结果，但其往往破坏了原有合成规则的数学特性。第二类方法认为证据源本身存在问题，建议修改证据模型，即先对证据源进行预处理，然后再利用组合规则进行融合，虽然这类方法也取得了较好的融合效果，但其往往实用于特定场景，算法的适应性较差。
发明内容
针对现有技术存在上述问题，本发明目的是提供一种故障诊断决策融合方法，其考虑DS理论在处理证据(故障特征子集)高度冲突时出现错误结果的问题，引入调和贴近度，根据各证据(故障特征子集)贴近度与其调和函数的乘积确立各证据(故障特征子集)的权重，得到新的BPA，再利用DS组合规则进行决策。
为实现上述目的，本申请的技术方案为：基于调和贴近度和DS证据理论相结合的故障诊断决策融合方法，包括：
根据正态分布隶属函数获得各故障特征子集的贴近度；
获取每个所述故障特征子集对各节点的调和平均数；
根据所述各故障特征子集的贴近度和所述调和平均数得到对应的故障特征子集权重；
选取所述故障特征子集权重最大值作为规则化修正标准，修正所述各故障特征子集权重；
根据修正后的各故障特征子集权重，重新获取基本概率分配函数BPA；
利用DS组合规则对所述基本概率分配函数BPA进行决策融合，得到最终的故障诊断结果。
进一步的，所述正态分布隶属度函数为：
Figure GDA0003173486070000021
其中，函数xi(k)表示命题的BPA函数mi(θk)，E表示均值，D表示均方差；
所以故障特征子集贴近度pi(k)表示为：
Figure GDA0003173486070000031
其中，
Figure GDA0003173486070000032
进一步的，在减少故障特征子集冲突的同时，需要保留重要的诊断信息，因此，充分考虑了故障特征子集在识别框架的总体平均分布程度，引入调和平均数BH(k)为：
Figure GDA0003173486070000033
进一步的，根据所述各故障特征子集的贴近度pi(k)和所述调和平均数BH(k)，得到对应的故障特征子集权重：
wi(θk)＝pi(k)×BH(k) (4)。
进一步的，选取所述故障特征子集权重最大值max(wi(θk)),1≤i≤n，作为规则化修正标准，修正所述各故障特征子集权重w′i(θk)为：
Figure GDA0003173486070000034
更进一步的，令θ表示未知识别类型，加入识别框架中，根据修正后的各故障特征子集权重，重新获取基本概率分配函数BPA，其新获取的基本概率分配函数BPA计算方法如下：
Figure GDA0003173486070000035
其中，Θ表示全集。
更进一步的，所述DS组合规则如下：
Figure GDA0003173486070000041
其中，
Figure GDA0003173486070000042
K为冲突因子，用来反映故障特征子集之间的冲突程度；若K＝1，表示两个故障特征子集完全冲突，DS组合规则没有任何意义；若0＜K＜1，表示两个故障特征子集并不是完全冲突，用该DS组合规则来处理基本概率分配函数BPA；通过DS组合规则后产生新的BPA，利用新的BPA来完成决策。
本发明由于采用以上技术方案，能够取得如下的技术效果：本发明引入调和贴近度，得到证据权重以构建新的基本概率分配函数BPA，通过基于调和贴近度和DS证据理论相结合的故障诊断决策融合方法，保留冲突证据中更多有价值的证据信息，进而提高决策融合和故障诊断精度。
附图说明
图1为基于DS证据理论的故障诊断决策融合识别框架图；
图2为基于贴近度和DS证据理论相结合的故障诊断决策融合方法流程图；
图3为故障θ1的支持度图；
图4为故障θ2的支持度图；
图5为故障θ3的支持度图；
图6为故障
Figure GDA0003173486070000043
的支持度图；
图7为协同诊断故障系统测试环境图。
具体实施方式
本发明的实施例是在以本发明技术方案为前提下进行实施的，给出了详细的实施方式和具体的操作过程，但本发明的保护范围不限于下述实施例。
实施例1
基于DS证据理论的决策融合方法所需要的先验数据比模糊概率更直观、更容易获得，所满足的条件比Bayes概率理论更弱；借助于Dempster合成规则，可将多个主体相融合，具有直接表达“不确定性”的能力。但是DS组合规则的优点主要体现在证据冲突较小的情况，如果证据间存在高度冲突，就会产生决策结果错误的问题。贴近度是对两个模糊子集间相似程度的一种度量，可以有效表示冲突故障特征子集之间的贴近程度，更多的保留有价值的证据信息；调和函数充分考虑了证据在识别框架的总体平均分布程度。因此提出基于调和贴近度和DS证据理论相结合的故障诊断决策融合方法。
为了验证本发明的可行性和有效性，进行了两个实验，分别是算例仿真实验和实例测试实验。算例仿真实验比较了本发明方法与其他6种方法的决策融合效果；实例测试实验在协同诊断故障系统测试环境中进行声卡故障诊断分析。
(1)算例仿真实验
假设识别框架Θ＝{θ1,θ2,θ3}表示3个故障原因，用BPA函数反映4个诊断节点m＝(m1,m2,m3,m4)对3个故障原因的支持度，表示如下：
m1:m1(θ1)＝0.96,m1(θ2)＝0.02,m1(θ3)＝0.02
m2:m2(θ1)＝0.00,m2(θ2)＝0.02,m2(θ3)＝0.98
m3:m3(θ1)＝0.88,m3(θ2)＝0.06,m3(θ3)＝0.06
m4:m4(θ1)＝0.90,m4(θ2)＝0.05,m4(θ3)＝0.05
节点m1,m3,m4都能明显地认为造成设备故障的原因为θ1，但节点m2却认为θ3的可能性较大，这说明m2与其他节点存在冲突。
为观察6种其他方法与本发明方法的决策结果比较，分别分析了证据对故障θ1、θ2、θ3、
Figure GDA0003173486070000061
的支持度如图3、4、5和6所示，其中
Figure GDA0003173486070000062
代表不确定情况。在图3、4、5和6所中，又分别比较了每种方法的两个诊断点融合结果、三个诊断节点融合结果和四个诊断节点融合结果。并将实验结果汇总于图表1、2、3。从图3、4、5和6发现，本发明提出的方法在两个诊断点融合、三个诊断点融合、四个诊断点融合的情况下都对故障θ1的支持度最高。
表1
Figure GDA0003173486070000063
表2
Figure GDA0003173486070000064
表3
Figure GDA0003173486070000065
Figure GDA0003173486070000071
(2)实例测试实验
协同诊断故障系统测试环境如图7所示，其由2个群组成，每个群包括一个群首节点和4个一般节点，每个节点用一台台式机模拟；群内部由一台交换机完成互联，群间由一台路由器实现互联。信息采集卡通过串口/USB接口与一般节点相连，负责采集设备运行状态信息和参数；群首节点负责管理群内节点，并与群间节点协同完成诊断故障。节点初始状态设置情况汇总于图表4，声卡故障诊断任务分配情况汇总于表5。
表4
Figure GDA0003173486070000072
表5
Figure GDA0003173486070000073
假设识别框架Θ＝{θ1，θ2，θ3，θ4}，表示故障诊断中的4个故障原因，用BPA函数反映4个诊断节点m＝(m1,m2,m3,m4)对4个故障原因的支持度，表示如下：
m1:m1(θ1)＝0.1023,m1(θ2)＝0.1501,m1(θ3)＝0.0000,m1(θ4)＝0.7476
m2:m2(θ1)＝0.0472,m2(θ2)＝0.1011,m2(θ3)＝0.8517,m2(θ4)＝0.0000
m3:m3(θ1)＝0.1643,m3(θ2)＝0.1684,m3(θ3)＝0.0246,m3(θ4)＝0.5927
m4:m4(θ1)＝0.2637,m4(θ2)＝0.2354,m4(θ3)＝0.2108,m1(θ4)＝0.2901
采用本方法得到两个诊断节点、三个诊断节点和四个诊断节点的决策结果汇总于表6。由表6可知，本方法对故障θ4的支持度最大，其故障诊断来源于节点4，符合正确故障诊断结果。
表6
Figure GDA0003173486070000081
综上所述，本发明提出的基于调和贴近度和DS证据理论相结合的故障诊断决策融合方法与其他6种方法相比较融合结果精度更高。这表明本发明方法在证据高度冲突情况下的故障诊断方面具有巨大潜力，有助于进一步提高决策融合精度，为处理高度冲突证据的故障诊断提供一定的参考。
本发明的实施例有较佳的实施性，并非是对本发明任何形式的限定。本发明实施例中描述的技术特征或技术特征的组合不应当被认为是孤立的，它们可以被互相组合从而达到更好的技术效果。本发明优选实施方式的范围也可以包括另外的实现，且者应被发明实施例所属技术领域的技术人员所理解。

Claims (4)

1.基于调和贴近度和DS证据理论相结合的故障诊断决策融合方法，其特征在于，包括：
根据正态分布隶属函数获得各故障特征子集的贴近度；
获取每个所述故障特征子集对各节点的调和平均数；
根据所述各故障特征子集的贴近度和所述调和平均数得到对应的故障特征子集权重；
选取所述故障特征子集权重最大值作为规则化修正标准，修正所述各故障特征子集权重；
根据修正后的各故障特征子集权重，重新获取基本概率分配函数BPA；
利用DS组合规则对所述基本概率分配函数BPA进行决策融合，得到最终的故障诊断结果；
所述正态分布隶属度函数为：
Figure FDA0003837874020000011
其中，函数xi(k)表示命题的BPA函数mi(θk)，E表示均值，D表示均方差；
所以故障特征子集贴近度pi(k)表示为：
Figure FDA0003837874020000012
其中，
Figure FDA0003837874020000013
所述调和平均数BH(k)为：
Figure FDA0003837874020000021
根据所述各故障特征子集的贴近度pi(k)和所述调和平均数BH(k)，得到对应的故障特征子集权重：
wi(θk)＝pi(k)×BH(k) (4)。
2.根据权利要求1所述基于调和贴近度和DS证据理论相结合的故障诊断决策融合方法，其特征在于，选取所述故障特征子集权重最大值max(wi(θk)),1≤i≤n，作为规则化修正标准，修正所述各故障特征子集权重w′i(θk)为：
Figure FDA0003837874020000022
3.根据权利要求2所述基于调和贴近度和DS证据理论相结合的故障诊断决策融合方法，其特征在于，令θ表示未知识别类型，加入识别框架中，根据修正后的各故障特征子集权重，重新获取基本概率分配函数BPA，其新获取的基本概率分配函数BPA计算方法如下：
Figure FDA0003837874020000023
其中，Θ表示全集。
4.根据权利要求3所述基于调和贴近度和DS证据理论相结合的故障诊断决策融合方法，其特征在于，所述DS组合规则如下：
Figure FDA0003837874020000024
其中，
Figure FDA0003837874020000025
K为冲突因子，用来反映故障特征子集之间的冲突程度；若K＝1，表示两个故障特征子集完全冲突，DS组合规则没有任何意义；若0＜K＜1，表示两个故障特征子集并不是完全冲突，用该DS组合规则来处理基本概率分配函数BPA。
CN202110567008.6A 2021-05-24 2021-05-24 基于调和贴近度和ds证据理论相结合的故障诊断决策融合方法 Active CN113326611B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110567008.6A CN113326611B (zh) 2021-05-24 2021-05-24 基于调和贴近度和ds证据理论相结合的故障诊断决策融合方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110567008.6A CN113326611B (zh) 2021-05-24 2021-05-24 基于调和贴近度和ds证据理论相结合的故障诊断决策融合方法

Publications (2)

Publication Number Publication Date
CN113326611A CN113326611A (zh) 2021-08-31
CN113326611B true CN113326611B (zh) 2022-12-20

Family

ID=77416574

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110567008.6A Active CN113326611B (zh) 2021-05-24 2021-05-24 基于调和贴近度和ds证据理论相结合的故障诊断决策融合方法

Country Status (1)

Country Link
CN (1) CN113326611B (zh)

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105373700A (zh) * 2015-10-30 2016-03-02 哈尔滨工程大学 一种基于信息熵和证据理论的机械故障诊断方法
CN108920426A (zh) * 2018-07-04 2018-11-30 西北工业大学 一种基于幂均算子和ds证据理论的故障诊断方法
CN109165632A (zh) * 2018-09-20 2019-01-08 上海电力学院 一种基于改进d-s证据理论的设备故障诊断方法
CN109540520A (zh) * 2018-11-29 2019-03-29 中国船舶重工集团海装风电股份有限公司 一种基于改进d-s证据理论的滚动轴承故障融合诊断方法
CN110033028A (zh) * 2019-03-19 2019-07-19 河南大学 基于算术平均贴近度的冲突证据融合方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109060398B (zh) * 2018-09-11 2020-03-13 上海电力学院 一种多源信息设备故障诊断方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105373700A (zh) * 2015-10-30 2016-03-02 哈尔滨工程大学 一种基于信息熵和证据理论的机械故障诊断方法
CN108920426A (zh) * 2018-07-04 2018-11-30 西北工业大学 一种基于幂均算子和ds证据理论的故障诊断方法
CN109165632A (zh) * 2018-09-20 2019-01-08 上海电力学院 一种基于改进d-s证据理论的设备故障诊断方法
CN109540520A (zh) * 2018-11-29 2019-03-29 中国船舶重工集团海装风电股份有限公司 一种基于改进d-s证据理论的滚动轴承故障融合诊断方法
CN110033028A (zh) * 2019-03-19 2019-07-19 河南大学 基于算术平均贴近度的冲突证据融合方法

Non-Patent Citations (5)

* Cited by examiner, † Cited by third party
Title
Combination of evidence with different weighting factors:a novel probabilistic-based dissimilarity measure approach;Mengmeng Ma et al.;《Journal of sensors》;20151230;第1-10页 *
基于D-S证据理论的数据链故障诊断方法;易昭湘等;《无线电工程》;20130405(第04期);第13-16页 *
基于贴近度的D-S证据合成改进方法;郑涛 等;《计算机测量与控制》;20120215;第20卷(第2期);第532-535页 *
基于贴近度的DS证据理论决策融合算法;陈波 等;《中国指挥与控制学会会议论文集》;20160704;第509-513页 *
改进D-S证据理论在电动汽车锂电池故障诊断中的应用;夏飞等;《智能系统学报》;20170825(第04期);第100-111页 *

Also Published As

Publication number Publication date
CN113326611A (zh) 2021-08-31

Similar Documents

Publication Publication Date Title
Bielski et al. Emergence of object segmentation in perturbed generative models
Pawlak et al. Rough sets: probabilistic versus deterministic approach
CN110175158B (zh) 一种基于向量化的日志模板提取方法和系统
Lin et al. Structtoken: Rethinking semantic segmentation with structural prior
EP3452916A1 (en) Large scale social graph segmentation
US8001061B2 (en) First and second unsupervised learning processes combined using a supervised learning apparatus
CN111723840A (zh) 一种用于超声影像的聚类和风格迁移的方法
CN117294727A (zh) 一种基于云原生和容器技术的云边端协同管理方法
CN113326611B (zh) 基于调和贴近度和ds证据理论相结合的故障诊断决策融合方法
CN111309718A (zh) 一种配网电压数据缺失填补方法及装置
CN110569237A (zh) 实现实时数据清洗处理的系统及其方法
Chen et al. Learning traces by yourself: Blind image forgery localization via anomaly detection with ViT-VAE
CN114662666A (zh) 基于β-GVAE的解耦合方法、系统和相关设备
CN112084319B (zh) 一种基于动作的关系网络视频问答系统及方法
CN117058266A (zh) 一种基于骨架和轮廓的书法字生成方法
CN115859128A (zh) 一种基于档案数据交互相似度的分析方法和系统
CN111026689B (zh) 一种多余度飞控计算机余度表决一致性方法
McCulloch et al. On comparing and selecting approaches to model interval-valued data as fuzzy sets
CN112529772B (zh) 一种零样本设置下的无监督图像转换方法
Jeon et al. Continuous face aging generative adversarial networks
Tao et al. On fuzzy Hegelsman-Krause opinion dynamics
CN111984798A (zh) 图谱数据预处理方法及装置
CN108763400B (zh) 基于对象行为和主题偏好的对象划分方法及装置
EP2698693A1 (en) Local image translating method and terminal with touch screen
CN112818125B (zh) 一种网络话题结构演化发现方法

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