本發(fā)明涉及故障預(yù)測(cè)技術(shù)領(lǐng)域，具體涉及一種復(fù)雜電子設(shè)備故障預(yù)測(cè)的方法。

背景技術(shù)：

目前最常見的故障預(yù)測(cè)的方法有：

1)趨勢(shì)圖分析法

該方法通過趨勢(shì)分析來(lái)掌握復(fù)雜電子設(shè)備的運(yùn)行狀態(tài)。但是，由于影響復(fù)雜電子設(shè)備運(yùn)行狀態(tài)的原因很多，一旦某部分的統(tǒng)計(jì)規(guī)律發(fā)生變化，該方法無(wú)法對(duì)其未來(lái)的運(yùn)行狀態(tài)進(jìn)行預(yù)測(cè)。

2)曲線擬合法

該方法只適合于曲線的參數(shù)方程比較明確的預(yù)測(cè)工作，對(duì)于一些復(fù)雜電子設(shè)備具有的非線性、時(shí)變性等特點(diǎn)，很難建立合適的曲線方程，預(yù)測(cè)效果并不理想。

3)時(shí)間序列法

該方法對(duì)于線性、平穩(wěn)隨機(jī)時(shí)間序列的預(yù)測(cè)能夠起到較好的預(yù)測(cè)效果，應(yīng)用范圍受到限制。

4)基于灰色理論的預(yù)測(cè)方法

該方法僅適用于有一定上升或下降趨勢(shì)的弱隨機(jī)性時(shí)間序列的預(yù)測(cè)，對(duì)于復(fù)雜電子設(shè)備中隨機(jī)性較強(qiáng)的系統(tǒng)進(jìn)行預(yù)測(cè)時(shí)，還需進(jìn)一步改進(jìn)。

5)人工神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)方法

人工神經(jīng)網(wǎng)絡(luò)以其獨(dú)特的聯(lián)想、記憶、存儲(chǔ)和學(xué)習(xí)功能以及高度的非線性映射能力在設(shè)備的故障診斷和故障預(yù)測(cè)中被廣泛應(yīng)用。但是，在實(shí)際應(yīng)用中也存在著以下問題：

a)訓(xùn)練樣本的獲取常常存在一定困難，神經(jīng)網(wǎng)絡(luò)的泛化能力有待提高；

b)神經(jīng)網(wǎng)絡(luò)的收斂速度和收斂性無(wú)法保證；

c)神經(jīng)網(wǎng)絡(luò)的訓(xùn)練容易陷入局部最小。

技術(shù)實(shí)現(xiàn)要素：

(一)要解決的技術(shù)問題

本發(fā)明要解決的技術(shù)問題是:如何設(shè)計(jì)一種復(fù)雜電子設(shè)備故障預(yù)測(cè)的方法，以便能夠有效的對(duì)復(fù)雜電子設(shè)備進(jìn)行故障預(yù)測(cè)。

(二)技術(shù)方案

為了解決上述技術(shù)問題，本發(fā)明提供了一種復(fù)雜電子設(shè)備故障預(yù)測(cè)的方法，所述方法包括以下步驟：首先利用差別矩陣的屬性約簡(jiǎn)方法建立復(fù)雜電子設(shè)備最小故障診斷特征子集，并對(duì)屬性樣本進(jìn)行歸一化處理；然后根據(jù)改進(jìn)的遺傳算法獲得最佳神經(jīng)元初始權(quán)值和閾值；對(duì)BP神經(jīng)網(wǎng)絡(luò)進(jìn)行改進(jìn)，動(dòng)態(tài)調(diào)整學(xué)習(xí)速率，并用改進(jìn)后的訓(xùn)練算法訓(xùn)練網(wǎng)絡(luò)的連接強(qiáng)度；最后對(duì)預(yù)測(cè)的故障樣本進(jìn)行反歸一化處理，得到復(fù)雜電子設(shè)備的故障樣本的預(yù)測(cè)值。

(三)有益效果

本發(fā)明利用粗糙集屬性約簡(jiǎn)方法對(duì)樣本數(shù)據(jù)進(jìn)行預(yù)處理，粗糙集理論具有很強(qiáng)的定性分析能力，能在保留關(guān)鍵信息的前提下對(duì)樣本數(shù)據(jù)進(jìn)行約簡(jiǎn)，達(dá)到簡(jiǎn)化訓(xùn)練樣本的目的；根據(jù)改進(jìn)的遺傳算法獲得最佳神經(jīng)元初始權(quán)值和閾值，對(duì)經(jīng)典遺傳算法進(jìn)行改進(jìn)，以網(wǎng)絡(luò)誤差最小作為進(jìn)化準(zhǔn)則，經(jīng)過多次迭代，最后獲得BP神經(jīng)網(wǎng)絡(luò)開始訓(xùn)練的初始權(quán)值和閾值；基于改進(jìn)的BP神經(jīng)網(wǎng)絡(luò)訓(xùn)練算法訓(xùn)練網(wǎng)絡(luò)的連接強(qiáng)度，計(jì)算BP神經(jīng)網(wǎng)絡(luò)輸出層的預(yù)測(cè)值，為進(jìn)一步縮短訓(xùn)練時(shí)間，對(duì)BP神經(jīng)網(wǎng)絡(luò)進(jìn)行改進(jìn)，動(dòng)態(tài)調(diào)整學(xué)習(xí)速率，提高了網(wǎng)絡(luò)的收斂速度。對(duì)樣本數(shù)據(jù)進(jìn)行反歸一化處理，得到復(fù)雜電子設(shè)備故障樣本數(shù)據(jù)的預(yù)測(cè)值。

具體實(shí)施方式

為使本發(fā)明的目的、內(nèi)容、和優(yōu)點(diǎn)更加清楚，下面結(jié)合實(shí)施例，對(duì)本發(fā)明的具體實(shí)施方式作進(jìn)一步詳細(xì)描述。

對(duì)于復(fù)雜電子設(shè)備，可以設(shè)為自定義的一些電子設(shè)備。

本發(fā)明實(shí)施例的復(fù)雜電子設(shè)備故障預(yù)測(cè)的方法包括以下步驟：首先利用差別矩陣的屬性約簡(jiǎn)方法建立復(fù)雜電子設(shè)備最小故障診斷特征子集，并對(duì)屬性樣本進(jìn)行歸一化處理；然后根據(jù)改進(jìn)的遺傳算法獲得最佳神經(jīng)元初始權(quán)值和閾值；對(duì)BP神經(jīng)網(wǎng)絡(luò)進(jìn)行改進(jìn)，動(dòng)態(tài)調(diào)整學(xué)習(xí)速率，并用改進(jìn)后的訓(xùn)練算法訓(xùn)練網(wǎng)絡(luò)的連接強(qiáng)度；最后對(duì)預(yù)測(cè)的故障樣本進(jìn)行反歸一化處理，得到復(fù)雜電子設(shè)備的故障樣本的預(yù)測(cè)值。該方法具體包括以下步驟：

S₁：將采集得到的復(fù)雜電子設(shè)備的原始數(shù)據(jù)通過特征提取獲得每一個(gè)故障對(duì)應(yīng)的所有故障征兆，選取能體現(xiàn)復(fù)雜電子設(shè)備狀況的特征參數(shù)作為條件屬性，發(fā)生故障的類型作為決策屬性。對(duì)復(fù)雜電子設(shè)備的條件屬性和決策屬性進(jìn)行編碼，建立復(fù)雜電子設(shè)備的決策表T。

假設(shè)C是復(fù)雜電子設(shè)備的條件屬性(是決策表T的差別矩陣，是一個(gè)n乘以n的方陣)，D是復(fù)雜電子設(shè)備的決策屬性，c(w)是記錄w在屬性c(c∈C)上的值，C_ij為差別矩陣中第i行第j列的元素，則差別矩陣C可表示為：

基于差別矩陣的屬性約簡(jiǎn)方法如下：(A是屬性約簡(jiǎn)后的條件屬性集合，C是決策表T的差別矩陣，)a_k∈{c_ij}，C₀為核屬性集合)

1)定義集合B、集合Q、集合R，且初始值均為空集；

2)將核屬性集合C₀中的內(nèi)容復(fù)制到集合R中；

3)求出所有包含核屬性的條件屬性集合Q；

4)差別矩陣C變?yōu)?C-Q)，將條件屬性集合A中去除集合R后的內(nèi)容復(fù)制到集合B中；

5)對(duì)所有的a_k∈B，計(jì)算在C中屬性出現(xiàn)次數(shù)最多的屬性a_k，并將其添加到集合R中；

6)返回步驟2，直至C為空。

經(jīng)過上述處理后，集合R就是最后的約簡(jiǎn)結(jié)果，即復(fù)雜電子設(shè)備最小故障診斷特征子集。

S₂：輸入樣本歸一化處理

將S1中得到的復(fù)雜電子設(shè)備最小故障診斷特征子集作為輸入的屬性樣本。則經(jīng)過歸一化處理后得到其中，x(ii)表示歸一化前的屬性樣本值，y(ii)表示歸一化后的屬性樣本中的最大值，x_max表示屬性樣本中的最大值，x_min表示屬性樣本中的最小值。y(ii)的取值范圍是[0,1]。

將歸一化前的屬性樣本分成k組，每組有m+1個(gè)值。前m個(gè)值作為BP神經(jīng)網(wǎng)絡(luò)輸入節(jié)點(diǎn)的輸入值，后一個(gè)作為輸出節(jié)點(diǎn)的期望值，見下表1。

S₃：個(gè)體編碼：

將所述復(fù)雜電子設(shè)備最小故障診斷特征子集作為輸入層神經(jīng)元。復(fù)雜電子設(shè)備的個(gè)體編碼方式選擇實(shí)數(shù)編碼，每個(gè)個(gè)體均為一個(gè)實(shí)數(shù)串，由BP神經(jīng)網(wǎng)絡(luò)輸入層與隱含層連接權(quán)值、隱含層閾值、隱含層與輸出層連接權(quán)值以及輸出層閾值4部分組成。

S₄：建立適應(yīng)度函數(shù)，并計(jì)算種群適應(yīng)度

根據(jù)個(gè)體得到的BP神經(jīng)網(wǎng)絡(luò)的初始權(quán)值和閾值，用訓(xùn)練數(shù)據(jù)訓(xùn)練BP神經(jīng)網(wǎng)絡(luò)后預(yù)測(cè)復(fù)雜電子設(shè)備系統(tǒng)輸出，把預(yù)測(cè)輸出和期望輸出之間的誤差絕對(duì)值和作為個(gè)體適應(yīng)度F，計(jì)算公式為：

上式中，n為神經(jīng)網(wǎng)絡(luò)輸出節(jié)點(diǎn)數(shù)，d_l為神經(jīng)網(wǎng)絡(luò)第l個(gè)節(jié)點(diǎn)的期望輸出，o_l為第l個(gè)節(jié)點(diǎn)的預(yù)測(cè)輸出，t為系數(shù)，為預(yù)設(shè)值。

S₅：判斷是否滿足終止條件：

算法終止條件：如果當(dāng)連續(xù)繁殖很多代的最優(yōu)BP神經(jīng)網(wǎng)絡(luò)權(quán)值的適應(yīng)值沒有變化時(shí)，則轉(zhuǎn)步驟S₉，否則轉(zhuǎn)步驟S₆。

S₆：選擇算子：

由于操作簡(jiǎn)單，傳統(tǒng)的遺傳算法大多采用“輪盤賭”選擇算子。但是該方法一方面容易導(dǎo)致局部最優(yōu)而無(wú)法進(jìn)化，另一方面無(wú)法體現(xiàn)個(gè)體優(yōu)劣，造成搜索精度不夠。

本發(fā)明對(duì)傳統(tǒng)遺傳算法的“選擇算子”進(jìn)行改進(jìn)，改進(jìn)后的選擇方式可確保適應(yīng)度比平均適應(yīng)度大的一些個(gè)體一定能夠被遺傳到下一代群體中，所以該方法的選擇誤差較小。具體操作如下：

d)設(shè)S₂得到的BP神經(jīng)網(wǎng)絡(luò)的權(quán)值的數(shù)目為N，每個(gè)權(quán)值的適應(yīng)度為F_s(s＝1,2,…,N)，計(jì)算BP神經(jīng)網(wǎng)絡(luò)的權(quán)值在下一代權(quán)值中的期望生存數(shù)目

e)用N_s的整數(shù)部分確定各個(gè)對(duì)應(yīng)BP神經(jīng)網(wǎng)絡(luò)的權(quán)值在下一代權(quán)值中的生存數(shù)目，其中表示取不大于N_s的最大整數(shù)，這樣可確定下一代權(quán)值中的個(gè)權(quán)值；

f)以為各個(gè)權(quán)值新的適應(yīng)度，用“輪盤賭”選擇算子隨機(jī)確定下一代權(quán)值中還未確定的個(gè)權(quán)值。

S₇：

采用自適應(yīng)交叉率和變異率

本發(fā)明使用BP神經(jīng)網(wǎng)絡(luò)權(quán)值的適應(yīng)度值來(lái)衡量遺傳算法的收斂情況。對(duì)于適應(yīng)值高的解，取較低的交叉率P_c和變異率P_m，使得該解進(jìn)入下一代的機(jī)會(huì)增大；對(duì)于適應(yīng)值低的解，應(yīng)取較高的交叉率P_c和變異率P_m，使該解被淘汰掉。式(4)是交叉率P_c和變異率P_m隨適應(yīng)值的變化而自適應(yīng)改變的計(jì)算方法。

其中，k_c和k_m是小于1的常數(shù)，f_c是要交叉的兩個(gè)權(quán)值中適應(yīng)值大的一個(gè)，f_m是要變異的權(quán)值的適應(yīng)值，f_max和分別是群體的最大適應(yīng)值和平均適應(yīng)值，表明群體的收斂程度，該值越小，表明群體已趨向收斂。

S₈：如果算法執(zhí)行次數(shù)達(dá)到了進(jìn)化次數(shù)的上限時(shí)群體仍不收斂，則算法停止，否則轉(zhuǎn)步驟S₄。

S₉：獲取BP神經(jīng)網(wǎng)絡(luò)初始值，計(jì)算BP神經(jīng)網(wǎng)絡(luò)誤差

在上述遺傳算法中，以BP神經(jīng)網(wǎng)絡(luò)誤差最小作為進(jìn)化準(zhǔn)則，經(jīng)過多次迭代操作，最后獲得一組權(quán)值和閾值，該組值是遺傳算法所能遍歷的值中網(wǎng)絡(luò)誤差最小的，作為BP神經(jīng)網(wǎng)絡(luò)的初始值。

設(shè)BP神經(jīng)網(wǎng)絡(luò)中每一個(gè)樣本p的輸入輸出模式的二次型誤差函數(shù)定義為：

系統(tǒng)的平均誤差代價(jià)函數(shù)為：

上式(5)和(6)中，P為訓(xùn)練樣本的數(shù)量，L為BP神經(jīng)網(wǎng)絡(luò)輸出層的神經(jīng)元數(shù)，d_pk為BP神經(jīng)網(wǎng)絡(luò)輸出層節(jié)點(diǎn)的期望輸出，O_pk為BP神經(jīng)網(wǎng)絡(luò)輸出層節(jié)點(diǎn)的實(shí)際輸出。

S₁₀：動(dòng)態(tài)調(diào)整學(xué)習(xí)速率：

若BP神經(jīng)網(wǎng)絡(luò)訓(xùn)練初期的功效較好的學(xué)習(xí)率，對(duì)后來(lái)的訓(xùn)練未必合適，因此，本發(fā)明對(duì)BP神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)算法進(jìn)行改進(jìn)，采用動(dòng)態(tài)調(diào)整學(xué)習(xí)速率的方法，使得BP神經(jīng)網(wǎng)絡(luò)的實(shí)際輸出盡可能地接近期望輸出，增加了學(xué)習(xí)算法的可靠性，縮短了BP神經(jīng)網(wǎng)絡(luò)的訓(xùn)練時(shí)間。

選取BP神經(jīng)網(wǎng)絡(luò)輸出層節(jié)點(diǎn)的實(shí)際輸出和期望輸出的平均絕對(duì)誤差e₁及其變化率e₂兩個(gè)變量：

e₂＝e₁(t)-e₁(t-1) (8)

其中，e₁(t)和e₁(t-1)表示第t和t-1時(shí)的平均絕對(duì)值誤差。

學(xué)習(xí)速率η的表達(dá)式為：

η＝f₁(e₁)+f₂(e₂) (9)

其中：

k₁和k₂為比例因子，調(diào)整f₁和f₂的比例；b₁和b₂為權(quán)重因子，修正f₁和f₂的權(quán)重。k₁、k₂和b₁、b₂的值需根據(jù)實(shí)際需要和反復(fù)實(shí)驗(yàn)確定。

S₁₁：修改BP神經(jīng)網(wǎng)絡(luò)的權(quán)值：

設(shè)BP神經(jīng)網(wǎng)絡(luò)有r個(gè)輸入節(jié)點(diǎn)，輸出層有v個(gè)輸出節(jié)點(diǎn)，隱含層有q個(gè)節(jié)點(diǎn)，ω_gh是輸入層和隱含層節(jié)點(diǎn)之間的連接權(quán)值，ω_hu是隱含層和輸出層節(jié)點(diǎn)之間的連接權(quán)值。

BP神經(jīng)網(wǎng)絡(luò)輸入層的第g個(gè)節(jié)點(diǎn)的輸入為net_g＝x_g，輸出為O_g＝net_g。

隱含層的第h個(gè)節(jié)點(diǎn)的輸入為輸出為O_h＝f(net_h)；輸出層的第u個(gè)節(jié)點(diǎn)的輸入為輸出為O_u＝f(net_u)。其中，g＝1,2,…,r，h＝1,2,…,q，u＝1,2,…,v。

定義反傳誤差信號(hào)

輸出層權(quán)值的調(diào)整公式為：

Δω_jk＝ηδ_kO_j (13)

隱含層權(quán)值的調(diào)整公式為：

Δω_ij＝ηδ_jO_i (14)

S₁₂：判斷是否達(dá)到要求的精度：

如果達(dá)到了BP神經(jīng)網(wǎng)絡(luò)要求的精度，則執(zhí)行S₁₃，否則執(zhí)行S₉。

S₁₃：判斷是否完成訓(xùn)練次數(shù)：

如果完成了訓(xùn)練的總次數(shù)，則保存已訓(xùn)練的樣本；否則執(zhí)行S₉。

S₁₄：反歸一化處理得到預(yù)測(cè)值：

針對(duì)上述BP神經(jīng)網(wǎng)絡(luò)訓(xùn)練后的樣本，利用S₂中的歸一化公式進(jìn)行反歸一化運(yùn)算，得到

其中表示復(fù)雜電子設(shè)備故障樣本的預(yù)測(cè)值。

上述方法能夠減少神經(jīng)網(wǎng)絡(luò)輸入層個(gè)數(shù)，簡(jiǎn)化神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，提高神經(jīng)網(wǎng)絡(luò)泛化能力，減少了神經(jīng)網(wǎng)絡(luò)的訓(xùn)練時(shí)間；同時(shí)，利用遺傳算法的快速學(xué)習(xí)網(wǎng)絡(luò)權(quán)值得能力，擺脫了神經(jīng)網(wǎng)絡(luò)容易陷入極小點(diǎn)的困擾，并加快了收斂速度。

以上所述僅是本發(fā)明的優(yōu)選實(shí)施方式，應(yīng)當(dāng)指出，對(duì)于本技術(shù)領(lǐng)域的普通技術(shù)人員來(lái)說(shuō)，在不脫離本發(fā)明技術(shù)原理的前提下，還可以做出若干改進(jìn)和變形，這些改進(jìn)和變形也應(yīng)視為本發(fā)明的保護(hù)范圍。