| 主权项 |
一种基于粗糙贝叶斯网络分类器的智能故障诊断方法，其特征在于包括下述步骤：(1)以标准故障特征数据作为故障诊断条件属性集，以标准故障模式作为故障诊断决策属性集，采用粗糙集原理构建原始故障诊断信息表T1；(2)采用最小熵法对T1中的各连续故障诊断条件属性值进行离散处理，形成离散化故障诊断信息表T2，具体包括以下步骤：(2a)将连续故障诊断条件属性值按从小到大进行排序，并计算两两相连的条件属性值的平均值及其信息熵；(2b)选择信息熵最小的平均值作为第一个门限值PRI，并将区间划分为两个子区间[0,PRI]和[PRI,+∞)；(2c)针对每个小于PRI的平均值，重新计算其在子区间[0,PRI]内所对应的信息熵，选择信息熵最小的平均值作为第二个门限值SEC1；(2d)针对每个大于PRI的平均值，重新计算其在子区间[PRI,+∞)内所对应的信息熵，选择信息熵最小的平均值作为第三个门限值SEC2；(2e)基于三个门限值计算各条件属性值隶属度，并按最大隶属度原则进行离散化，从而形成离散化故障诊断信息表T2；(3)采用粗糙集分辨矩阵和核理论对T2进行属性约简和最优特征优选，形成约简故障诊断信息表T3，具体包括以下步骤：(3a)计算离散化故障诊断信息表T2的分辨矩阵M；(3b)计算离散化故障诊断信息表T2的核属性，并生成新的分辨矩阵M1；(3c)计算分辨矩阵M1的分辨函数；(3d)将分辨函数化为析取范式形式；(3e)将核属性中所有属性加入到析取范式中每一个合取式中，析取范式每一个合取项就对应于一个属性约简的结果；(3f)计算各约简的聚类精度，并根据具有最大聚类精度的约简形成约简故障诊断信息表T3；(4)采用T3建立贝叶斯网络分类器，具体包括以下步骤：(4a)由约简故障诊断信息表T3建立诊断推理贝叶斯网络模型；(4b)计算每个故障新样本相对于每个标准故障模式的后验概率；(4c)基于最大后验概率原则确定该新故障样本所对应故障类型。 |
