CN114291675A - 一种基于复杂网络和置信规则推理的电梯故障诊断方法 - Google Patents

Abstract

本发明公开了一种基于复杂网络与置信规则推理的电梯故障诊断方法，属于机电设备状态监测与故障诊断技术领域。本发明结合复杂网络和置信规则推理方法，对电梯系统部件的物理量和电梯故障类型之间的非线性关系进行建模。首先，针对电梯系统部件的物理量时间序列，利用可视图方法将其转换为复杂网络；其次，构建置信规则库，其输入为复杂网络统计特征参数，输出为电梯故障类型；然后，根据在线监测样本激活置信规则，并使用证据推理算法融合激活规则，进而得到估计结果；最后，构建多目标优化模型对置信规则库的参数进行优化。本发明得到的推理结果将比单个部件的物理量时间序列样本得到的结果更为准确。

Description

一种基于复杂网络和置信规则推理的电梯故障诊断方法

技术领域

本发明涉及一种基于复杂网络与置信规则推理的电梯故障诊断方法，属于机电设备状态监测技术领域。

背景技术

随着电梯技术的进步，电梯的可靠性有所提高，但是在人们的实际生活中电梯故障仍然频繁发生，经常有电梯故障的报道，对电梯的评价主要看在运行过程中是否可靠。要想提高电梯的可靠性不仅要改善电梯的设计、提升制造工艺、确保安装质量，而且要提升维保服务、采取有效的监控诊断措施。现如今电梯行业关注的主要问题就是要提高电梯工作效率，减少电梯能耗和磨损程度，确保电梯在运行过程中安全、稳定和舒适。

电梯技术进步的国际关注的焦点已经转移到客户服务、物业管理服务，欧美等地的电梯厂商都己经采用先进计算机和通信技术研制了自己的电梯故障监测诊断系统。现如今电子元器件的成本不断降低，但是采取人员维保的费用在不断上涨。传统的电梯故障主要靠技术人员的感觉和个人经验，这种方式显得越来越不适应，而且效率极低。一旦电梯出现问题维保人员不能赶到故障现场时，维保人员就无法了解电梯的故障情况，无法及时找出故障原因，就会引发电梯长期关人、出现二次伤害等一系列状况，而且会影响用户使用电梯。因此,研究如何及时便捷地发现、识别和定位电梯故障隐患,具有重要意义。对于缺乏经验的维修人员，就算到达现场也无法排除故障。通常电梯供应商在全国各地都会销售电梯，不可能拿出大量的资金在全国各地培训专业的维保人员供购买电梯的场所调遣。因此要用尽可能少的维保人员对大范围内的电梯故障做出及时的响应，尽早的处理电梯故障。

目前来看，开发和应用电梯智能故障诊断，不仅可以摆脱传统的人员现场检修方式，降低维保成本，解决电梯故障诊断的地域限制；而且出现故障后，能通过智能诊断方法快速、准确的判断出可能的故障原因和故障位置，采取有效措施缩短维修时间。这些要求不仅能够满足建设数字智能化城市管理的需求，而且能够保证电梯管理行业向前发展，从社会效益和经济效益上来讲都是十分必要的。

发明内容

本发明针对现有技术的不足，提出一种基于复杂网络和置信规则推理的电梯故障诊断方法。本发明使用复杂网络和置信推理的方式对电梯系统部件的物理量和电梯故障类型之间的非线性关系进行建模。首先针对电梯系统部件的物理量时间序列利用可视图方法转换为复杂网络，然后提取复杂网络统计特征作为输入建立置信规则库，之后使用证据推理算法融合激活规则得到估计结果，最后构建多目标优化模型对置信规则库参数进行优化。

本发明包括以下步骤：

(1)对于由永磁同步电机驱动的曳引式电梯，与正常运行的状态相比，曳引式电梯的常见故障有：功率半导体开关元件短路故障，曳引轮磨损故障，配重块磨损故障。设定电梯的故障辨识框架Θ＝{F₁＝NF,F₂＝TF,F₃＝PF,F₄＝CF}，其中NF表示电梯处于无故障状态即正常工况，TF表示电梯处于曳引机电路故障状态，PF表示电梯处于曳引轮磨损故障状态，CF表示电梯处于配重块磨损故障状态；

(2)设f_1,i，f_2,i为能够反映故障辨识框架Θ中每个故障F_i的故障特征参数，其来源于故障特征参数集合G＝{g_n|n＝1,2,…,N}，集合G中的元素涵盖速度信号、加速度信号、力矩信号、角速度信号、角加速度信号，分别由曳引轮、电梯轿厢和配重块的各类传感器提供，共有N个故障变量；

(3)将f_1,i,t，f_2,i,t，F_i表示故障样本M_i,t＝{[f_1,i,t,f_2,i,t,F_i]|t＝1,2,3,…,S_i}，其中[f_1,i,t,f_2,i,t,F_i]为一个故障特征样本向量，S_i表示故障为F_i状态下的时间序列表示为F_i状态下的样本数据采样个数，取S_i＝2000；分别采样各个故障状态下的故障特征样本向量，并将采集到的所有样本向量其表示为集合形式

共计可获得δ个故障特征参数的时间序列点，δ＝2×|M|＝16000，|M|表示集合M中的个数；

(4)利用可视图方法将时间序列样本转化为复杂网络。具体的，以样本数据作为复杂网络的节点，以样本数据点之间的可视连边作为复杂网络的边。其中，可视连边的获取如下：设T＝{t_i}_i＝1,...,η为一个具有η个数据的时间序列，时间序列中任意两个数据点(τ_a,t_a)和(τ_b,t_b)，对

其中τ_a<τ_i<τ_b，如果满足以下条件：

则称这两点可视，两点之间有可视连边。重复公式(1)直至遍历所有的点，将时间序列转换为具有拓扑关系的复杂网络。

利用可视图对δ个故障特征参数数据进行复杂网络建模，其中取每ξ＝40个时间序列点进行可视图建模得到一个对应的复杂网络，共计可得H＝400个复杂网络，每个网络的统计特征样本为

其中的

分别表示网络的平均最短路径，网络的平均聚类系数，网络的平均度。

(5)构建置信规则库，置信规则推理系统的输入为复杂网络的统计特征样本(网络的平均最短路径，网络的平均聚类系数，网络的平均度)，记为x＝{x_i|i＝1,2,3},其参考值集合为

其中

置信规则推理系统的输出为电梯故障状态，记为y，其参考值集合为D＝{D_n|n＝1,2,3,4}，其中D₁＝NF＝1，D₂＝TF＝2，D₃＝PF＝3，D₄＝CF＝4；该规则库由K＝27条规则组成，设其中第k条规则R_k的表示形式如下：

其中，A_i ^k表示在第k条规则中输入变量x_i的参考值，且有A_i ^k∈A_i；β_n,k为第k条规则的第n个评估等级D_n对应的信度，满足

(6)置信规则推理系统的推理，具体过程如下：

(6-1)计算输入数据x_i在第k条规则中的匹配度；

其中A_i ^k表示第k条规则的第i个输入参考值；

(6-2)考虑前提属性权重ε_i，计算第k条规则的第i个前提属性的匹配度α_i,k；

(6-3)计算第k条规则的激活权重w_k；

其中，θ_k是第k条规则的权重θ_k∈[0,1]，设定初始规则权重θ_k＝1；T_k表示第k条规则的前提属性的个数；

(6-4)根据激活权重w_k，使用证据推理算法对被激活规则的信度β_n,k进行融合得到信度β_n；

取信度最大的评估等级D_n作为置信规则推理系统的输出y。

(7)构建置信规则库的优化模型，以推理输出结果与实际结果的欧氏距离作为优化目标函数，以初始规则权重θ_k，评估等级的初始信度β_n,k，前提属性初始权重ε_i为可优化参数，建立优化模型。

其中，β_max为β_n最大的信度，D_βmax为β_max对应的评估等级，lb_j为第j个参考值的下限，ub_j为第j个参考值的上限，

为第p条规则的第j个前提属性参考值，

为第q条规则的第j个前提属性参考值，k＝1,…,K，n＝1,…,N，j＝1,…,T，p≠q∈[1,…,K]；

使用MATLAB软件工具箱的fmincon函数迭代寻优，在约束条件下，搜寻规则库的最优参数。

(8)对于步骤(4)得到的复杂网络统计特征样本集合Φ，按照样本数9:1的训练测试比得到训练样本集合Φ_train和测试样本集合Φ_test。选取Φ_train作为置信规则库的输入，重复步骤(6-1)到(7)得到最优的置信规则库推理模型实现电梯的故障诊断估计；之后再利用该最优模型对测试样本集合Φ_test重复步骤(6-1)到(6-4)来验证该模型的质量。

本发明的有益效果：由于电梯单个部件的物理量变化难以全面反映电梯状态的变化，或电梯某个部件的物理量的时间序列变化难以有效反映某种电梯故障的产生。因此，利用可视图方法将电梯多个部件的物理量时间序列样本转换为复杂网络统计特征样本，进而基于置信规则推理对电梯系统进行故障诊断，得到的推理结果将比单个部件的物理量时间序列样本作为样本下得到的结果更为全面和准确。

附图说明

图1是本发明方法的总流程框图。

图2是本发明方法的具体实施过程图。

图3是优化后BRB模型的评估结果。

具体实施方式

本发明提出的一种基于复杂网络和置信规则推理的电梯故障诊断方法，其流程框图如图1所示，包括以下各步骤：

(1)对于由永磁同步电机驱动的曳引式电梯，与正常运行的状态相比，曳引式电梯的常见故障有：功率半导体开关元件短路故障，曳引轮磨损故障，配重块磨损故障。设定电梯的故障辨识框架Θ＝{F₁＝NF,F₂＝TF,F₃＝PF,F₄＝CF}，其中NF表示电梯处于无故障状态即正常工况，TF表示电梯处于曳引机电路故障状态，PF表示电梯处于曳引轮磨损故障状态，CF表示电梯处于配重块磨损故障状态；

(2)设f_1,i，f_2,i为能够反映故障辨识框架Θ中每个故障F_i的故障特征参数，其来源于故障特征参数集合G＝{g_n|n＝1,2,…,N}，集合G中的元素涵盖速度信号、加速度信号、力矩信号、角速度信号、角加速度信号，分别由曳引轮、电梯轿厢和配重块的各类传感器提供，共有N个故障变量；

(3)将f_1,i,t，f_2,i,t，F_i表示故障样本M_i,t＝{[f_1,i,t,f_2,i,t,F_i]|t＝1,2,3,…,S_i}，其中[f_1,i,t,f_2,i,t,F_i]为一个故障特征样本向量，S_i表示故障为F_i状态下的时间序列表示为F_i状态下的样本数据采样个数，取S_i＝2000；分别采样各个故障状态下的故障特征样本向量，并将采集到的所有样本向量其表示为集合形式

共计可获得δ个故障特征参数的时间序列点，δ＝2×|M|＝16000，|M|表示集合M中的个数；

(4)利用可视图方法将时间序列样本转化为复杂网络。具体的，以样本数据作为复杂网络的节点，以样本数据点之间的可视连边作为复杂网络的边。其中，可视连边的获取如下：设T＝{t_i}_i＝1,...,η为一个具有η个数据的时间序列，时间序列中任意两个数据点(τ_a,t_a)和(τ_b,t_b)，对

其中τ_a<τ_i<t_b，如果满足以下条件：

则称这两点可视，两点之间有可视连边。重复公式(1)直至遍历所有的点，将时间序列转换为具有拓扑关系的复杂网络。

利用可视图对δ个故障特征参数数据进行复杂网络建模，其中取每ξ＝40个时间序列点进行可视图建模得到一个对应的复杂网络，共计可得H＝400个复杂网络，每个网络的统计特征样本为

其中的

分别表示网络的平均最短路径，网络的平均聚类系数，网络的平均度。

(5)构建置信规则库，置信规则推理系统的输入为复杂网络的统计特征样本(网络的平均最短路径，网络的平均聚类系数，网络的平均度)，记为x＝{x_i|i＝1,2,3},其参考值集合为

其中

置信规则推理系统的输出为电梯故障状态，记为y，其参考值集合为D＝{D_n|n＝1,2,3,4}，其中D₁＝NF＝1，D₂＝TF＝2，D₃＝PF＝3，D₄＝CF＝4；该规则库由K＝27条规则组成，设其中第k条规则R_k的表示形式如下：

其中，A_i ^k表示在第k条规则中输入变量x_i的参考值，且有A_i ^k∈A_i；β_n,k为第k条规则的第n个评估等级D_n对应的信度，满足

(6)置信规则推理系统的推理，具体过程如下：

(6-1)计算输入数据x_i在第k条规则中的匹配度；

其中A_i ^k表示第k条规则的第i个输入参考值；

(6-2)考虑前提属性权重ε_i，计算第k条规则的第i个前提属性的匹配度α_i,k；

(6-3)计算第k条规则的激活权重w_k；

其中，θ_k是第k条规则的权重θ_k∈[0,1]，设定初始规则权重θ_k＝1；T_k表示第k条规则的前提属性的个数；

(6-4)根据激活权重w_k，使用证据推理算法对被激活规则的信度β_n,k进行融合得到信度β_n；

取信度最大的评估等级D_n作为置信规则推理系统的输出y。

为了便于理解，再次举例说明如何使用规则推理进行故障诊断，假设存在一个三输入一输出的模型，对模型的输入输出参考值设置如表1所示。

表1输入与输出的参考值

假设输入数据X＝{6.7256,0.5822,3.2}，所对应的参考区间分别为[1.0204,1.5261,7.4111]，[0.0194,0.5577,0.7092]，[1.9893,3.8604,21.5650]，共激活25条规则。

首先，根据式(4)计算每条激活规则的每个前提属性的匹配度，可得α_1,1＝0.2881,α_1,2＝0.2881,α_1,3＝0.2881,α_1,4＝0.2881,α_1,5＝0.2881,α_1,6＝0.2881,α_1,7＝0.2881,α_1,8＝0.2881,α_1,9＝0.2881,α_1,10＝0.7119,α_1,11＝0.7119,α_1,12＝0.7119,α_1,13＝0.7119,α_1,14＝0.7119,α_1,15＝0.7119,α_1,16＝0.7119,α_1,17＝0.7119,α_1,18＝0.7119；α_2,1＝0.2890,α_2,2＝0.2890,α_2,3＝0.2890,α_2,4＝0.7110,α_2,5＝0.7110,α_2,6＝0.7110,α_2,10＝0.2890,α_2,11＝0.2890,α_2,12＝0.2890,α_2,13＝0.7110,α_2,14＝0.7110,α_2,15＝0.7110,α_2,19＝0.2890,α_2,20＝0.2890,α_2,21＝0.2890,α_2,22＝0.7110,α_2,23＝0.7110,α_2,24＝0.7110；α_3,3＝1,α_3,6＝1,α_3,9＝1,α_3,12＝1,α_3,15＝1,α_3,18＝1,α_3,21＝1,α_3,24＝1,α_3,27＝1。其中，a_i,k表示第k条激活规则的第i个前提属性的匹配度。

然后，根据式(5)与式(6)相结合计算激活权重W_k,其中W₁＝0.0509,W₂＝0.0566,W₃＝0.0079,W₄＝0.0571,W₅＝0.0395,W₆＝0.0061,W₇＝0.0174,W₈＝0.0342,W₉＝0.0599,W₁₀＝0.0603,W₁₁＝0.0099,W₁₂＝0.0607,W₁₃＝0.0598,W₁₄＝0.0303,W₁₅＝0.0500,W₁₆＝0.0089,W₁₇＝0.0264,W₁₈＝0.0573,W₁₉＝0.0495,W₂₀＝0.0600,W₂₁＝0.0410,W₂₂＝0.0022,W₂₃＝0.0531,W₂₄＝0.0584,W₂₇＝0.0424。

最后，将激活权重W_k代入到式(7)得到融合后电梯故障诊断的置信分布，β₁＝0.1600，β₂＝0.2303，β₃＝0.4097，β₄＝0.2000。由表1可得，D₁＝NF,D₂＝TF,D₃＝PF,D₄＝CF。根据最大的信度值输出对应的评估等级D₃＝PF。

(7)构建置信规则库的优化模型，以推理输出结果与实际结果的欧氏距离作为优化目标函数，以初始规则权重θ_k，评估等级的初始信度β_n,k，前提属性初始权重ε_i为可优化参数，建立优化模型。

其中，β_max为β_n最大的信度，D_βmax为β_max对应的评估等级，lb_j为第j个参考值的下限，ub_j为第j个参考值的上限，

为第p条规则的第j个前提属性参考值，

为第q条规则的第j个前提属性参考值，k＝1,…,K，n＝1,…,N，j＝1,…,T，p≠q∈[1,…,K]；

使用MATLAB软件工具箱的fmincon函数迭代寻优，在约束条件下，搜寻规则库的最优参数。

(8)对于步骤(4)得到的复杂网络统计特征样本集合Φ，按照样本数9:1的训练测试比得到训练样本集合Φ_train和测试样本集合Φ_test。选取Φ_train作为置信规则库的输入，重复步骤(6-1)到(7)得到最优的置信规则库推理模型实现电梯的故障诊断估计；之后再利用该最优模型对测试样本集合Φ_test重复步骤(6-1)到(6-4)来验证该模型的质量。优化后BRB模型的评估结果如图3所示。

以下结合附图2，详细介绍本发明的具体实施步骤：

本发明方法的流程图如图2所示，其核心是：利用复杂网络和置信规则推理方法进行电梯的故障诊断，并在输入故障特征的选择上考虑电梯各部件的物理量的情况，这样可以有效地考虑到电梯故障的发生对电梯各部件的影响作用，提高模型的输出准确率。下面结合具体的例子来详细介绍本发明方法的各个步骤。

1、确定电梯故障诊断方法的输入指标及其输出。

选择电梯系统的故障特征曳引轮角速度、电梯轿厢速度，对其时间序列进行可视图转换后成复杂网络后选择网络统计特征参数作为输入指标，分别为网络的平均最短路径(x₁)、网络的平均聚类系数(x₂)、网络的平均度(x₃)，以电梯故障类型(y)为输出。

2、构建初始信度规则库。

作为一个三输入一输出的模型，对模型的输入输出参考值设置如表2所示，建立信度规则库如表3所示：

表2输入与输出的参考值

表3初始信度规则库

3、对输入数据进行置信推理。

假设输入数据X＝{6.7256,0.5822,3.2}，所对应的参考区间分别为[1.0204,1.5261,7.4111]，[0.0194,0.5577,0.7092]，[1.9893,3.8604,21.5650]，共激活25条规则。

首先，根据式(4)计算每条激活规则的每个前提属性的匹配度，可得α_1,1＝0.2881,α_1,2＝0.2881,α_1,3＝0.2881,α_1,4＝0.2881,α_1,5＝0.2881,α_1,6＝0.2881,α_1,7＝0.2881,α_1,8＝0.2881,α_1,9＝0.2881,α_1,10＝0.7119,α_1,11＝0.7119,α_1,12＝0.7119,α_1,13＝0.7119,α_1,14＝0.7119,α_1,15＝0.7119,α_1,16＝0.7119,α_1,17＝0.7119,α_1,18＝0.7119；α_2,1＝0.2890,α_2,2＝0.2890,α_2,3＝0.2890,α_2,4＝0.7110,α_2,5＝0.7110,α_2,6＝0.7110,α_2,10＝0.2890,α_2,11＝0.2890,α_2,12＝0.2890,α_2,13＝0.7110,α_2,14＝0.7110,α_2,15＝0.7110,α_2,19＝0.2890,α_2,20＝0.2890,α_2,21＝0.2890,α_2,22＝0.7110,α_2,23＝0.7110,α_2,24＝0.7110；α_3,3＝1,α_3,6＝1,α_3,9＝1,α_3,12＝1,α_3,15＝1,α_3,18＝1,α_3,21＝1,α_3,24＝1,α_3,27＝1。其中，a_i,k表示第k条激活规则的第i个前提属性的匹配度。

然后，根据式(5)与式(6)相结合计算激活权重W_k,其中W₁＝0.0509,W₂＝0.0566,W₃＝0.0079,W₄＝0.0571,W₅＝0.0395,W₆＝0.0061,W₇＝0.0174,W₈＝0.0342,W₉＝0.0599,W₁₀＝0.0603,W₁₁＝0.0099,W₁₂＝0.0607,W₁₃＝0.0598,W₁₄＝0.0303,W₁₅＝0.0500,W₁₆＝0.0089,W₁₇＝0.0264,W₁₈＝0.0573,W₁₉＝0.0495,W₂₀＝0.0600,W₂₁＝0.0410,W₂₂＝0.0022,W₂₃＝0.0531,W₂₄＝0.0584,W₂₇＝0.0424。

最后，将激活权重W_k代入到式(7)得到融合后电梯故障诊断的置信分布，β₁＝0.1600，β₂＝0.2303，β₃＝0.4097，β₄＝0.2000。由表1可得，D₁＝NF,D₂＝TF,D₃＝PF,D₄＝CF。根据最大的信度值输出对应的评估等级D₃＝PF。

Claims (2)

1.一种基于复杂网络与置信规则推理的电梯故障诊断方法，其特征在于该方法包括以下各步骤：

步骤(1)设定电梯的故障辨识框架Θ＝{F₁＝NF,F₂＝TF,F₃＝PF,F₄＝CF}，其中NF表示电梯处于无故障状态即正常工况，TF表示电梯处于曳引机电路故障状态，PF表示电梯处于曳引轮磨损故障状态，CF表示电梯处于配重块磨损故障状态；

步骤(2)设f_1,i，f_2,i为能够反映故障辨识框架Θ中每个故障F_i的故障特征参数，其来源于故障特征参数集合G＝{g_n|n＝1,2,…,N}，集合G中的元素涵盖速度信号、加速度信号、力矩信号、角速度信号、角加速度信号，分别由曳引轮、电梯轿厢和配重块的各类传感器提供，共有N个故障变量；

步骤(3)将f_1,i,t，f_2,i,t，F_i表示故障样本M_i,t＝{[f_1,i,t,f_2,i,t,F_i]|t＝1,2,3,…,S_i}，其中[f_1,i,t,f_2,i,t,F_i]为一个故障特征样本向量，S_i表示故障为F_i状态下的时间序列表示为F_i状态下的样本数据采样个数，取S_i＝2000；分别采样各个故障状态下的故障特征样本向量，并将采集到的所有样本向量其表示为集合形式

共计可获得δ个故障特征参数的时间序列点，δ＝2×|M|＝16000，|M|表示集合M中的个数；

步骤(4)利用可视图方法将时间序列样本转化为复杂网络；具体的，以样本数据作为复杂网络的节点，以样本数据点之间的可视连边作为复杂网络的边；其中，可视连边的获取如下：设T＝{t_i}_i＝1,...,η为一个具有η个数据的时间序列，时间序列中任意两个数据点(τ_a,t_a)和(τ_b,t_b)，对

其中τ_a<τ_i<τ_b，如果满足以下条件：

则称这两点可视，两点之间有可视连边；重复公式(1)直至遍历所有的点，将时间序列转换为具有拓扑关系的复杂网络；

利用可视图对δ个故障特征参数数据进行复杂网络建模，其中取每ξ＝40个时间序列点进行可视图建模得到一个对应的复杂网络，共计可得H＝400个复杂网络，每个网络的统计特征样本为

其中的

分别表示网络的平均最短路径，网络的平均聚类系数，网络的平均度；

步骤(5)构建置信规则库，置信规则推理系统的输入为复杂网络的统计特征样本，分别为网络的平均最短路径，网络的平均聚类系数和网络的平均度，记为x＝{x_i|i＝1,2,3},其参考值集合为

其中

置信规则推理系统的输出为电梯故障状态，记为y，其参考值集合为D＝{D_n|n＝1,2,3,4}，其中D₁＝NF＝1，D₂＝TF＝2，D₃＝PF＝3，D₄＝CF＝4；该规则库由K＝27条规则组成，设其中第k条规则R_k的表示形式如下：

其中，

表示在第k条规则中输入变量x_i的参考值，且有

为第k条规则的第n个评估等级D_n对应的信度，满足

步骤(6)置信规则推理系统的推理，具体过程如下：

(6-1)计算输入数据x_i在第k条规则中的匹配度；

其中

表示第k条规则的第i个输入参考值；

(6-2)考虑前提属性权重ε_i，计算第k条规则的第i个前提属性的匹配度α_i,k；

(6-3)计算第k条规则的激活权重w_k；

其中，θ_k是第k条规则的权重θ_k∈[0,1]，设定初始规则权重θ_k＝1；T_k表示第k条规则的前提属性的个数；

(6-4)根据激活权重w_k，使用证据推理算法对被激活规则的信度β_n,k进行融合得到信度β_n；

取信度最大的评估等级D_n作为置信规则推理系统的输出y；

步骤(7)构建置信规则库的优化模型，以推理输出结果与实际结果的欧氏距离作为优化目标函数，以初始规则权重θ_k，评估等级的初始信度β_n,k，前提属性初始权重ε_i为可优化参数，建立优化模型；

其中，β_max为β_n最大的信度，D_βmax为β_max对应的评估等级，lb_j为第j个参考值的下限，ub_j为第j个参考值的上限，

为第p条规则的第j个前提属性参考值，

为第q条规则的第j个前提属性参考值，k＝1,…,K，n＝1,…,N，j＝1,…,T，p≠q∈[1,…,K]；

使用MATLAB软件工具箱的fmincon函数迭代寻优，在约束条件下，搜寻规则库的最优参数；

步骤(8)对于步骤(4)得到的复杂网络统计特征样本集合Φ，按照样本数9:1的训练测试比得到训练样本集合Φ_train和测试样本集合Φ_test；选取Φ_train作为置信规则库的输入，重复步骤(6-1)到(7)得到最优的置信规则库推理模型实现电梯的故障诊断估计；之后再利用该最优模型对测试样本集合Φ_test重复步骤(6-1)到(6-4)来验证该模型的质量。

2.根据权利要求1所述的一种基于复杂网络与置信推理的电梯故障诊断方法，其特征在于：步骤(7)中所建立的优化模型为：min E(θ_k,β_n,k,e_i)，约束条件为：

其中，lb_j为第j个前提属性数据值的下限，ub_j为第j个前提属性数据值的上限，

为第p条规则的第j个前提属性参考值，为第q条规则的第j个前提属性参考值。

Images