CN117421633A - 一种智能可信的旋转机械层级架构故障诊断方法 - Google Patents
一种智能可信的旋转机械层级架构故障诊断方法 Download PDFInfo
- Publication number
- CN117421633A CN117421633A CN202311390888.XA CN202311390888A CN117421633A CN 117421633 A CN117421633 A CN 117421633A CN 202311390888 A CN202311390888 A CN 202311390888A CN 117421633 A CN117421633 A CN 117421633A
- Authority
- CN
- China
- Prior art keywords
- model
- fault
- diagnosis
- rule base
- fault diagnosis
- 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.)
- Pending
Links
- 238000003745 diagnosis Methods 0.000 title claims abstract description 70
- 238000000034 method Methods 0.000 title claims abstract description 43
- 230000008569 process Effects 0.000 claims description 22
- 238000005457 optimization Methods 0.000 claims description 16
- 230000006870 function Effects 0.000 claims description 14
- 238000010276 construction Methods 0.000 claims description 6
- 238000009826 distribution Methods 0.000 claims description 6
- 239000011159 matrix material Substances 0.000 claims description 6
- 230000003044 adaptive effect Effects 0.000 claims description 5
- 238000004458 analytical method Methods 0.000 claims description 5
- 230000011218 segmentation Effects 0.000 claims description 5
- 238000013461 design Methods 0.000 claims description 4
- 238000012545 processing Methods 0.000 claims description 3
- 238000003066 decision tree Methods 0.000 claims description 2
- 230000004378 blood-retinal barrier Effects 0.000 abstract description 31
- 230000007704 transition Effects 0.000 abstract description 3
- 238000004880 explosion Methods 0.000 description 5
- 230000008901 benefit Effects 0.000 description 2
- 238000010924 continuous production Methods 0.000 description 2
- 238000010187 selection method Methods 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 240000000233 Melia azedarach Species 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 230000002411 adverse Effects 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 230000010485 coping Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000007123 defense Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000002405 diagnostic procedure Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000003862 health status Effects 0.000 description 1
- 238000009776 industrial production Methods 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000000513 principal component analysis Methods 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 238000000638 solvent extraction Methods 0.000 description 1
- 239000004575 stone 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
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
- G06N20/20—Ensemble learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/12—Computing arrangements based on biological models using genetic models
- G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/01—Dynamic search techniques; Heuristics; Dynamic trees; Branch-and-bound
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/04—Inference or reasoning models
- G06N5/041—Abduction
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/04—Inference or reasoning models
- G06N5/045—Explanation of inference; Explainable artificial intelligence [XAI]; Interpretable artificial intelligence
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Software Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Computational Linguistics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Health & Medical Sciences (AREA)
- Biophysics (AREA)
- Medical Informatics (AREA)
- Physiology (AREA)
- Genetics & Genomics (AREA)
- Biomedical Technology (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
Abstract
本发明涉及故障诊断领域,并公开了一种智能可信的旋转机械层级架构故障诊断方法,包括以下步骤,步骤一,故障数据集划分;步骤二,旋转机械故障特征选择;步骤三,构建层级架构故障诊断模型;步骤四,模型推理,步骤五,模型参数优化,本发明能够针对不同的特征进行重要程度分析,在此基础上采用一种层级建模架构,通过设置一个主置信规则库(Belief rule base,BRB)和在其基础上的多个子BRB,形成一种由面向全部故障类型的初步诊断过渡到两两故障之间进行区分的精确诊断的整体结构,经过此次过渡,模型诊断的诊断准确性得到了提高。
Description
技术领域
本发明涉及故障诊断领域,更具体的说,涉及一种智能可信的旋转机械层级架构故障诊断方法。
背景技术
旋转机械的广泛应用是现代工业高效运转的基石,其涵盖能源行业、交通运输、航天国防等多个关键领域,为各行各业的发展和进步提供了强大的动力支持。通过对旋转机械进行故障诊断,可以及时发现并修复潜在的问题,从而延长设备的使用寿命,保障工业生产的安全和稳定。因此,对旋转机械进行故障诊断方面的研究受到了广泛关注。
针对旋转机械的故障诊断方法包括三种代表性的方法:物理模型、数据驱动模型和混合模型。基于物理模型的方法需要对旋转机械工作原理具备深入的理解,但对于复杂的实际系统,物理模型的构建和求解可能会非常复杂,而且需要准确的参数和工作条件;基于数据驱动模型的方法依赖于从旋转机械中获取的传感器数据,利用统计学、机器学习等技术来分析和识别故障模型,无需对内部物理过程进行深度的理解,然而,过于依赖数据导致此方法对数据质量和数量要求较高,易受数据影响。而混合模型方法将物理模型和数据驱动模型相结合,兼具了物理模型和数据驱动模型的优势,适用于复杂系统且具有较高的准确性。
置信规则库(Belief rule base,BRB)是一种典型的混合模型,在故障诊断领域表现出色。BRB融合了领域专家的经验和实际数据的信息,且擅长处理不确定性,以应对故障诊断中的环境不确定性和复杂性带来的困难。除此之外,BRB能够有效地处理小样本数据,弥补旋转机械故障数据的不足,在故障诊断领域得到了广泛的应用。Lian等人提出了一种新的由非线性隶属函数来进行输入信息转换的BRB模型,并采用梯度下降法进行驱动。Feng等人针对火箭、导弹等复杂系统,提出了一种新的故障诊断和传感器故障容错控制框架。Zhou等人针对全局无知和不可靠的隐藏行为,提出了一种新的考虑属性可靠性的幂集隐藏BRB模型。Xu等人提出了一种可用于识别可能共存的船舶柴油机故障模式的BRB模型。Chang等人针对轨道电路元件的非线性和多样性,提出了一种基于主成分分析和BRB的电路故障诊断模型。
然而,在旋转机械故障诊断领域,有三个非常关键的问题值得重视。一是旋转机械的故障诊断过程中涉及大量的故障特征,这使得传统BRB属性数量大幅增加,进而导致规则爆炸,这不仅会限制专家知识的利用,还会对模型的诊断进程产生负面影响。二是类别不平衡问题可能导致某些类别中的样本明显少于其他类别,从而导致模型在少数类别上的较差分类性能。尽管BRB模型具有强大的建模和小样本处理能力,但它仍然会受到类别不平衡的负面影响。三是是对于风险敏感性强且可靠性要求高的旋转机械,建模过程中需要更加注重模型的可解释性,具有清晰可解释的模型结构能够显著提升决策者对模型输出结果的信任水平,同时也具备着在理论与实践层面上兼具重要价值的特点。因此,有必要考虑类别不平衡问题和复杂环境影响下的规则爆炸问题,并且防止可解释性由于优化过程中的随机性被破坏。本发明由此出发,对模型结构和模型的优化过程进行了设计,提出了一种智能可信的旋转机械层级架构故障诊断方法。
发明内容
本发明的目的是:鉴于不同故障特征对故障的重要程度不同,通过由不同特征组成的层级架构对旋转机械的故障进行诊断,以解决规则爆炸问题并削弱类别不平衡问题带来的负面影响,并在优化算法中通过可解释性约束的设计,防止可解释性被破坏,从而实现高效、高准确性和可解释性的诊断模型。
本发明的上述技术目的是通过以下技术方案得以实现的:一种智能可信的旋转机械层级架构故障诊断方法,包括以下步骤,
步骤一,故障数据集划分,分别组成主置信规则库和若干子规则库的数据。根据每个规则库模型的分类目标,确定每个规则库由总数据集分割得到的对应的数据集;
步骤二,旋转机械故障特征选择,对步骤一划分得到的不同数据集,进行特征选择,以获得相对重要的特征来进行模型构建;
步骤三,构建层级架构故障诊断模型;结合步骤二中的选择出的重要的特征,来分别构建主规则库和若干子规则库,确定指标参考等级以及参考值;
步骤四,模型推理,即对模型进行处理;
步骤五,模型参数优化,采用投影协方差矩阵适应进化策略对模型参数进行优化,并设计可解释性约束,以确保模型的可解释性在优化过程中不被破坏。
更进一步的,所述步骤一中,主规则库的分类目标覆盖全部故障类型,子规则库处理两两之间的分类任务,主规则库的初步分类能够实现较为准确的分类,而子规则库则在初步分类的基础上实现了分类的细化。
更进一步的,所述步骤二中,采用极端梯度提升(Extreme gradient boosting,XGBoost)对划分得到的每个规则库的数据集中的特征进行特征选择,选择出重要程度最高的前两个特征作为对应规则库的输入属性。其中,XGBoost进行特征选择的具体过程为:对XGBoost的输出描述如下
其中,表示预测值,ft表示决策树的结构,F表示树的空间XGBoost的目标函数如公式(2),损失函数和增益函数如公式(3)、(4)
其中,Ω(fi)表示正则化项,L表示损失函数,且公式(3)是其在第n次迭代时的二阶泰勒级数,gi和hi分别表示一阶和二阶梯度,本发明采用公式(4)中描述的增益函数作为度量来确定最优分割节点,I=IL∪IR,IL和IR表示分割后的左右节点样本,γ和λ代表惩罚函数,gain表示树的每次分裂的增益分数,最终的特征重要性程度由平均增益计算,平均增益是所有树的总增益除以每个特征的分割总数,特征重要性得分越高,对应的特征越重要。
更进一步的,所述步骤四中,采用ER解析算法对模型进行推理。
更进一步的,所述步骤五中,设计了可解释性约束,以应对优化过程中,由于优化算法的随机性,导致模型的可解释性被破坏的问题。
βk:Ck(k=1,...,L)
Ck∈{{β1≤β2≤…≤βN}
or{β1≥β2≥…≥βN}
or{β1≤…≤max(β1,β2,…,βN)≥…≥βN}}
公式(5)
其中,β表示置信分布,C表示设计的相应的可解释性约束。
根据上述方案,
相比于现有技术的有益效果如下:
本发明克服了旋转机械的多故障类别和类别不平衡带来的问题,提供了兼具可解释性和准确性的故障诊断结果。本发明具有以下贡献:一是运用XGBoost特征选择方法,分析每个故障类别所受故障特征的影响程度;二是在BRB模型中采用层级结构,解决了与旋转机械故障诊断中的多故障类别和类别不平衡相关的挑战;三是设计了一种针对旋转机械故障诊断的基于投影协方差矩阵自适应进化策略(Projection covariance matrixadaptive evolution strategy,P-CMA-ES)算法的可解释优化算法,该算法能够在保持较高模型性能的同时提供更多可解释的诊断结果。本发明能够针对不同的特征进行重要程度分析,在此基础上采用一种层级建模架构,通过设置一个主BRB和在其基础上的多个子BRB,形成一种由面向全部故障类型的初步诊断过渡到两两故障之间进行区分的精确诊断的整体结构,经过此次过渡,模型诊断的诊断准确性得到了提高。
附图说明
图1为智能可信的旋转机械层级架构故障诊断方法流程图。
图2为智能可信的旋转机械层级架构故障诊断模型构建。
图3为主BRB初步诊断结果。
图4为智能可信的旋转机械层级架构故障诊断模型诊断结果。
图5为主BRB可解释性分析。
图6为类别不平衡下诊断结果。
具体实施方式
下面结合附图并通过具体实施例对发明作进一步详述,以下实施例只是描述性的,不是限定性的本发明的保护范围。
如图1-图6所示:步骤1:故障数据集划分
本发明采用了由一个主BRB和若干子BRB组成的结构,在主BRB中,通过输入全部故障数据来诊断所有故障,另一方面,每个单独的子BRB仅专注于诊断两个特定的故障特征,假定某旋转机械有N种故障类别,则主BRB执行N分类任务,而子BRB顺序执行N-1个二元分类任务,通过将数据集划分为不同的子数据集,每个子BRB模型可以专注于特定的二元分类任务,从而能够更好地学习和适应它们各自的故障特征,主BRB使用了整个数据集,确保它可以同时处理全部故障类别的分类任务,从而实现全面的故障诊断。根据每个子BRB分类目标,划分不同的故障数据集。
步骤2:旋转机械故障特征选择
执行特征选择以为每个子BRB选择两个特征,可以剔除对于某两个故障类别之间的诊断贡献较小的特征,保留下最具重要性的特征。这样一来,不仅可以降低模型复杂度,提高诊断效率,还能保证模型的准确性和可靠性。特征选择是优化模型性能的关键步骤之一,也是在应对规则爆炸问题时的有效策略之一,公式如下:
其中,f(g)代表XGBoost特征选择方法对故障特征进行分析选择的过程,x1,x2,...,xm代表数据集中提供的全部故障特征,代表被选择出的故障特征,α代表特征重要程度计算方法。
步骤3:层级架构故障诊断模型构建
类别不平衡会对故障诊断模型的性能产生不利影响。选择合适的模型结构对于缓解这个问题至关重要。本发明中采用了层级结构,并结合XGBoost特征选择方法出的具有代表性的特征,如图2。
其中,g(g)代表模型构建过程,yt代表模型的第t部分诊断结果,C代表可解释约束的集合,代表模型参数集合。
主BRB初步诊断后,得出N种故障的初步诊断结果。该模型在主BRB的分类任务中能展现良好的性能,但也存在一部分样本中的错误分类,通过分析模型在每一类故障类型中的诊断性能,发现相似故障类别之间的分类能力仍需提高,因此,对模型的进一步优化和调整有助于提高精度。
为了进一步细化故障诊断过程,模型在主BRB的基础上实现了子BRB的诊断,主BRB负责所有故障的初步分类,而每个子BRB侧重于特定的故障组合,诊断两个特定的故障类别,此外,在故障诊断问题中,不同故障类别之间存在一个过渡阶段,其中相邻类别表现出较高的属性相似性,这可能导致局部无知信息的产生,潜在地导致模型不准确地反映客观事实,因此,在每个子BRB中,为了有效地表示无知信息,引入了中间状态,并且置信度被分配给三个状态。这种方法能更好地捕捉局部无知,提高表达能力,通过若干子BRB的细化,模型的诊断准确率得到了提升。
采用ER解析算法进行模型推理,步骤如下:
第一步:匹配度计算。
其中,代表第i个输入的第k个参考值。
第二步:激活权重wk计算。
第三步:置信度βn和效用值μ计算。
第四步:得到输出。
步骤5:模型优化
由于优化过程中的随机性,模型的可解释性容易被破坏。针对不同的旋转机械,设计相应的可解释性约束,以确保模型的可解释性。对优化过程中的目标函数设计如下:
0≤θk≤1k=1,...,R
0≤βk,n≤1n=1,...,2M
0≤δi≤1i=1,...,N
βk:Gk
βk:Ck(k=1,...,L)
Ck∈{{β1≤β2≤…≤βN}
or{β1≥β2≥…≥βN}
or{β1≤…≤max(β1,β2,…,βN)≥…≥βN}}
其中,MSE代表均方误差,优化公式描述了可解释性约束。
步骤6:案例检验
轴承作为旋转机械中的关键部件,广泛应用于航空航天、数控机床和机器人等领域。它们运行条件的稳定性直接影响整个系统的性能。因此,为了提高轴承的可靠性,对其进行及时可靠的故障诊断是必不可少的,这已经引起了广泛的关注。本发明选取东南大学的轴承数据集进行验证。这些数据是从传动系动态模拟器(Drivetrain DynamicSimulator,DDS)获得的。数据集包括五种类型:球故障(B)、内环故障(I)、外环故障(O)、内环和外环上的组合故障(C)以及健康状态(H)。本案例中选取速度负载设置为20Hz-0 V的条件下的数据。
第一步:设置主BRB输出的参考值。
第二步:确定子BRB的目标。
由于每个子BRB负责处理两个特定故障类别的分类任务,因此在处理五个故障类别时需要四个子BRB。每个子BRB被设计成不同的故障组合,确保该模型能够有效地对所有五个故障类别进行分类。
第三步:训练数据集分割。
通过将训练数据集划分为不同的子数据集,每个子BRB模型可以专注于特定的二元分类任务,从而能够更好地学习和适应它们各自的故障特征。必须强调的是,主BRB使用整个数据集进行训练,确保它可以同时处理多种故障类别的分类任务,从而实现全面的故障诊断。
第四步:特征选择。
执行特征选择以为每个子BRB选择两个特征。
第五步:模型构建及优化。
通过主BRB进行轴承故障的初步诊断,诊断结果生成的混淆矩阵如图3。根据初步诊断的结果,将相邻故障的故障样本进行二次诊断,得到的模型诊断结果如图4。图3与图4对比可见,这一连续过程最终将准确率从81.33%提高到95.33%。
本发明不仅提高了诊断过程的准确性,而且提供了一个清晰透明的诊断程序。以主BRB为例,模型产生的规则与实际的故障诊断系统是一致的,如图5。图中“Δ”线表示缺少可解释性约束的模型的置信分布,“·”线表示本发明中模型的置信分布,“+”线表示专家知识。然而,例如规则1,缺少可解释性约束的模型置信分布尽管与专家知识一致,但与本发明中的模型相比,显示出的相似度略低;例如规则3,缺少约束的模型则与专家知识形成极大的反差,保留更少的专家知识,不能为决策者提供清晰明确的诊断过程。
在轴承故障诊断的背景下,解决不平衡分类问题的能力至关重要。在现实世界的场景中,不平衡诊断类别的挑战经常出现,其中某些故障类别与其他类别相比可能表现出实例稀缺。这种不平衡会导致少数类的诊断性能不理想。本案例也研究了类别不平衡条件下的轴承故障诊断,数据集比例调整为1∶2∶3∶4∶5,在此基础上,诊断结果如图6。在类别不平衡的情况下,诊断模型达到了92.22%的诊断准确率。这清楚地凸显了模型在解决类别失衡问题上的独特优势。首先,BRB作为HFS-IBRB模型的基础,利用其强大的非线性建模能力和专家知识的有效整合,有助于更好地处理不同类别之间的不均匀数据分布。通过将专家知识注入到模型中,它变得能够更准确地捕捉各种故障类别之间的相关性和特征,从而增强模型对少数类别的诊断能力。其次,本发明采用了一个层级框架。在第一级中,主BRB进行初始的分类,随后在第二级中传输到多个子BRB进行二进制分类。这一连续过程最终将类别不平衡状态下的诊断准确率从81.11%提高到92.22%。
综上所述,本发明能够使类别不平衡问题的诊断准确性显著提高,而且还展示了一种智能可信的旋转机械层级架构故障诊断方法,以减轻类别不平衡、规则爆炸、可解释性被破坏在故障诊断领域所带来的挑战。这为故障诊断中的实际应用提供了强大的支持。
本具体实施例仅仅是对本发明的解释,其并不是对本发明的限制,本领域技术人员在阅读完本说明书后可以根据需要对本实施例做出没有创造性贡献的修改,但只要在本发明的权利要求范围内都受到专利法的保护。
Claims (5)
1.一种智能可信的旋转机械层级架构故障诊断方法,其特征在于,包括以下步骤,
步骤一,故障数据集划分,分别组成主置信规则库和若干子规则库的数据,根据每个规则库模型的分类目标,确定每个规则库由总数据集分割得到的对应的数据集;
步骤二,旋转机械故障特征选择,对步骤一划分得到的不同数据集,进行特征选择,以获得相对重要的特征来进行模型构建;
步骤三,构建层级架构故障诊断模型;结合步骤二中的选择出的重要的特征,来分别构建主规则库和若干子规则库,确定指标参考等级以及参考值;
步骤四,模型推理,即对模型进行处理;
步骤五,模型参数优化,采用投影协方差矩阵适应进化策略(Projection covariancematrix adaptive evolution strategy,P-CMA-ES)对模型参数进行优化,并设计可解释性约束,以确保模型的可解释性在优化过程中不被破坏。
2.根据权利要求1所述的一种智能可信的旋转机械层级架构故障诊断方法,其特征在于,所述步骤一中,主规则库的分类目标覆盖全部故障类型,子规则库处理两两之间的分类任务,主规则库的初步分类能够实现较为准确的分类,而子规则库则在初步分类的基础上实现了分类的细化。
3.根据权利要求2所述的一种智能可信的旋转机械层级架构故障诊断方法,其特征在于,所述步骤二中,采用极端梯度提升(Extreme gradient boosting,XGBoost)对划分得到的每个规则库的数据集中的特征进行特征选择,选择出重要程度最高的前两个特征作为对应规则库的输入属性,中,XGBoost进行特征选择的具体过程为:对XGBoost的输出描述如下
其中,表示预测值,ft表示决策树的结构,F表示树的空间XGBoost的目标函数如公式(2),损失函数和增益函数如公式(3)、(4)
其中,Ω(fi)表示正则化项,L表示损失函数,且公式(3)是其在第n次迭代时的二阶泰勒级数,gi和hi分别表示一阶和二阶梯度,本发明采用公式(4)中描述的增益函数作为度量来确定最优分割节点,I=IL∪IR,IL和IR表示分割后的左右节点样本,γ和λ代表惩罚函数,gain表示树的每次分裂的增益分数,最终的特征重要性程度由平均增益计算,平均增益是所有树的总增益除以每个特征的分割总数,特征重要性得分越高,对应的特征越重要。
4.根据权利要求1所述的一种智能可信的旋转机械层级架构故障诊断方法,其特征在于,所述步骤四中,采用ER解析算法对模型进行推理。
5.根据权利要求1所述的一种智能可信的旋转机械层级架构故障诊断方法,其特征在于,所述步骤五中,设计了可解释性约束,以应对优化过程中,由于优化算法的随机性,导致模型的可解释性被破坏的问题。
βk:Ck(k=1,...,L)
Ck∈{{β1≤β2≤…≤βN}
or{β1≥β2≥…≥βN}
or{β1≤…≤max(β1,β2,…,βN)≥…≥βN}}
公式(5)
其中,β表示置信分布,C表示设计的相应的可解释性约束。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311390888.XA CN117421633A (zh) | 2023-10-25 | 2023-10-25 | 一种智能可信的旋转机械层级架构故障诊断方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311390888.XA CN117421633A (zh) | 2023-10-25 | 2023-10-25 | 一种智能可信的旋转机械层级架构故障诊断方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117421633A true CN117421633A (zh) | 2024-01-19 |
Family
ID=89525984
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311390888.XA Pending CN117421633A (zh) | 2023-10-25 | 2023-10-25 | 一种智能可信的旋转机械层级架构故障诊断方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117421633A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117629637A (zh) * | 2024-01-24 | 2024-03-01 | 哈尔滨师范大学 | 一种航空发动机轴承故障诊断方法及诊断系统 |
-
2023
- 2023-10-25 CN CN202311390888.XA patent/CN117421633A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117629637A (zh) * | 2024-01-24 | 2024-03-01 | 哈尔滨师范大学 | 一种航空发动机轴承故障诊断方法及诊断系统 |
CN117629637B (zh) * | 2024-01-24 | 2024-04-30 | 哈尔滨师范大学 | 一种航空发动机轴承故障诊断方法及诊断系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109918752B (zh) | 基于迁移卷积神经网络的机械故障诊断方法、设备及介质 | |
Fu et al. | Blind Parameter Identification of MAR Model and Mutation Hybrid GWO‐SCA Optimized SVM for Fault Diagnosis of Rotating Machinery | |
CN117421633A (zh) | 一种智能可信的旋转机械层级架构故障诊断方法 | |
CN112132102B (zh) | 一种深度神经网络结合人工蜂群优化的智能故障诊断方法 | |
Zheng et al. | Fault diagnosis method based on supervised particle swarm optimization classification algorithm | |
CN115791174B (zh) | 一种滚动轴承异常诊断方法、系统、电子设备及存储介质 | |
CN113157732A (zh) | 一种基于pso-bp神经网络的地下铲运机故障诊断方法 | |
CN115146718A (zh) | 基于深度表示的风电机组异常检测方法 | |
Ren et al. | Fault diagnosis of electric rudder based on self-organizing differential hybrid biogeography algorithm optimized neural network | |
CN108825482B (zh) | 一种飞机轴向柱塞泵的故障检测方法及检测系统 | |
CN113049259A (zh) | 台架控制系统的模糊控制方法、存储介质及设备 | |
CN117171896A (zh) | 一种汽车转向器输入轴加工优化方法及系统 | |
Luo | [Retracted] Application of Reinforcement Learning Algorithm Model in Gas Path Fault Intelligent Diagnosis of Gas Turbine | |
CN108830407B (zh) | 多工况条件下结构健康监测中的传感器分布优化方法 | |
Xiong et al. | Combining the Multi‐Genetic Algorithm and Support Vector Machine for Fault Diagnosis of Bearings | |
Isham et al. | Bearing fault diagnosis using extreme learning machine based on artificial gorilla troops optimizer | |
Chen et al. | Semi-supervised self-correcting graph neural network for intelligent fault diagnosis of rotating machinery | |
CN113279994B (zh) | 基于支持向量机和二型模糊的离心式氮压机故障诊断方法 | |
Udmale et al. | An optimized extreme learning machine‐based novel model for bearing fault classification | |
CN107145694B (zh) | 基于rbf神经网络的连续旋转爆轰燃烧室增压比预测方法 | |
CN113610148A (zh) | 一种基于偏置加权AdaBoost的故障诊断方法 | |
Shao et al. | An Immune Detector-Based Method for the Diagnosis of Compound Faults in a Petrochemical Plant | |
Boateng | Unsupervised Ensemble Methods for Anomaly Detection in PLC-based Process Control | |
CN113348473A (zh) | 管理人工智能模块的安装基础 | |
Li et al. | Fault Diagnosis of Tank Fire Control System Based on NRS and WOA-SVM |
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 |