基于粗糙集和SVM理論的柴油機(jī)故障分類預(yù)測(cè)診斷

楊興林, 周望存, 張 靜, 任鵬舉

(1. 江蘇科技大學(xué) 能源與動(dòng)力工程學(xué)院,江蘇 鎮(zhèn)江 212003)(2. 北奔重型汽車集團(tuán)有限公司, 內(nèi)蒙古 包頭 014000)

基于粗糙集和SVM理論的柴油機(jī)故障分類預(yù)測(cè)診斷

楊興林1, 周望存1, 張 靜1, 任鵬舉2

(1. 江蘇科技大學(xué) 能源與動(dòng)力工程學(xué)院,江蘇 鎮(zhèn)江 212003)(2. 北奔重型汽車集團(tuán)有限公司, 內(nèi)蒙古 包頭 014000)

文中利用粗糙集和SVM理論相結(jié)合的方法對(duì)柴油機(jī)故障進(jìn)行快速準(zhǔn)確分類預(yù)測(cè)診斷.首先對(duì)收集的故障特征數(shù)據(jù)進(jìn)行預(yù)處理,再運(yùn)用粗糙集理論進(jìn)行屬性約簡(jiǎn)得到最優(yōu)決策屬性表,然后使用SVM理論中的分類預(yù)測(cè)規(guī)則對(duì)最優(yōu)決策屬性表進(jìn)行診斷分類,得出診斷結(jié)果.通過(guò)實(shí)例分析驗(yàn)證了該診斷方法優(yōu)于單一的粗糙集診斷和SVM診斷.

粗糙集; SVM理論; 柴油機(jī); 屬性約簡(jiǎn); 分類預(yù)測(cè); 診斷

粗糙集理論[1-2]在數(shù)據(jù)挖掘中廣泛被應(yīng)用,它是一種新型的數(shù)學(xué)工具,在處理含糊問(wèn)題和不確定性信息中取得很好的效果,該理論自從被提出后,在人工智能領(lǐng)域上受到廣泛研究和發(fā)展.它是20世紀(jì)80年代初由波蘭數(shù)學(xué)家提出來(lái)的[3].它與傳統(tǒng)處理不確定性的方法有很大的差別,傳統(tǒng)方法對(duì)不確定性問(wèn)題的描述和研究是通過(guò)概率論方法來(lái)解決的[4].

支持向量機(jī)算法(supportvectormachine,SVM)作為專門對(duì)有限樣本進(jìn)行預(yù)測(cè)的學(xué)習(xí)方法[5-6]，它的研究基礎(chǔ)并不是傳統(tǒng)的經(jīng)驗(yàn)風(fēng)險(xiǎn)最小化原則,而是構(gòu)建了一種新的結(jié)構(gòu)方法,其學(xué)習(xí)方法的運(yùn)用能很好解決一些高維有限樣本的模型構(gòu)造問(wèn)題,而且所構(gòu)造的模型具有很好的泛化性能.該方法在故障診斷的應(yīng)用上展現(xiàn)出了很強(qiáng)大的功能[7-8].

文中結(jié)合兩種理論算法的特點(diǎn),運(yùn)用基于粗糙集和SVM理論相結(jié)合的故障分類預(yù)測(cè)診斷方法來(lái)實(shí)現(xiàn)對(duì)柴油機(jī)的故障診斷.

1 粗糙集理論的屬性約簡(jiǎn)

1.1 連續(xù)屬性的離散化

離散化定義[9]:假設(shè)a是一個(gè)連續(xù)屬性,它的域?yàn)閇amin,amax],對(duì)屬性值的域進(jìn)行劃分πa:πa={[d0,d1],[d2,d3],…,[dk-1,dk]},把這種劃分的方法稱之為離散化,其中:d0=amin,dk=amax,di-1

文中采用等頻率間隔劃分法算法的改進(jìn)算法來(lái)對(duì)故障特征數(shù)據(jù)進(jìn)行離散化處理.等頻率間隔劃分法算法的定義[10]:一個(gè)屬性集為U,這個(gè)屬性集中最大屬性值為xmax,最小屬性值為xmin,假設(shè)實(shí)際給定的參數(shù)為l,對(duì)這個(gè)屬性集中的所有取值進(jìn)行從小到大排列, 排列后在將其均分成l份,則得到斷點(diǎn)集.可知每一小份中所包含屬性的個(gè)數(shù)是相等的.假設(shè)所有屬性上的實(shí)例從大到小排列為x1,x2,…,xl,xl+1,…,x2l,x2l+1,…,xn,其中,x1=xmin,xn=xmax,則得到的斷點(diǎn)分別為(xl+xl+1)/2,(x2l+x2l+1)/2,…

改進(jìn)的算法是在等頻率間隔劃分法算法的基礎(chǔ)上將用平均數(shù)求斷點(diǎn)變?yōu)橛闷骄怕蕘?lái)求斷點(diǎn).求斷點(diǎn)公式為:

k=(ηlP(xl)+ηl+1P(xl+1))/(ηl+ηl+1)

式中：ηl和ηl+1分別為xl與xl+1出現(xiàn)的概率;xl與xl+1為相鄰的兩個(gè)屬性.

1.2 屬性重要度的約簡(jiǎn)

不同條件屬性對(duì)決策屬性而言有不同的重要度,相同的條件屬性對(duì)不同的決策屬性的重要度也是不同的.決策屬性的重要性是從條件屬性對(duì)其進(jìn)行分類的能力上判斷,分類能力高,則重要度越好,反之亦然;使用依賴度γR(D)來(lái)對(duì)分類能力進(jìn)行判斷, a對(duì)R的重要性定義為:

sgf(a)=γR(D)-γR-{a}(D)

上式是從集合R中去掉屬性a后進(jìn)行分類時(shí),分類后U/D的正域的變化情況.相比較沒(méi)有去除a時(shí)的分類情況，如去掉屬性a后分類能力改變很小,則a的重要性就高;反之,其重要性就很低.

基于屬性重要度的約簡(jiǎn)算法:

1) 輸入:一個(gè)系統(tǒng)決策表S.

2) 輸出:屬性最優(yōu)決策表.

3) 步驟：

① 計(jì)算決策屬性相對(duì)條件屬性的相關(guān)性;

② 計(jì)算整個(gè)決策表中的核屬性集;

③ 對(duì)每個(gè)非核屬性進(jìn)行屬性重要度計(jì)算,選取重要度最高的非核屬性集;

④ 將計(jì)算得到的最高非核屬性集與核屬性集相組合就是一個(gè)相對(duì)約簡(jiǎn),也就是屬性最優(yōu)決策表.

2 支持向量機(jī)理論的分類預(yù)測(cè)診斷思想

假設(shè)已知一個(gè)系統(tǒng)的故障訓(xùn)練數(shù)據(jù)樣本集為:

T={(x1,y1),…,(xk,yk)}∈(X×Y)k,xk∈X=Rn,yk∈Y={1,2,…，m},i=1,…,k

式中：k為訓(xùn)練樣本的容量；n為故障特征的個(gè)數(shù)；m為故障的類別標(biāo)號(hào).

基于支持向量機(jī)的故障診斷過(guò)程如圖1.

圖1 支持向量機(jī)的故障診斷流程

根據(jù)流程圖可以看出這種診斷方法分6個(gè)小部分,為了方便,這里把它分為3部分來(lái)分析,但對(duì)于支持向量機(jī)理論而言,由于分類的不同,導(dǎo)致分類診斷方法也不同.分類診斷方法可分為:一對(duì)一分類和一對(duì)多分類.診斷方法也就有一對(duì)一分類診斷法和一對(duì)多分類診斷法.

2.1 一對(duì)一分類診斷分析法

1) 準(zhǔn)備數(shù)據(jù)

準(zhǔn)備數(shù)據(jù)包括對(duì)數(shù)據(jù)的整理以及對(duì)數(shù)據(jù)的初步處理,即對(duì)數(shù)據(jù)進(jìn)行歸一化處理.對(duì)數(shù)據(jù)歸一化處理的好處是把有量綱的數(shù)據(jù)轉(zhuǎn)換為無(wú)量綱的數(shù)據(jù),消除量綱對(duì)后續(xù)診斷方法的影響.

對(duì)訓(xùn)練樣本中的yk∈Y={1,-1}做出改變,如故障屬于故障m中的第1種故障,那么第1種故障表示為y1=1,如果不是,則為-1;對(duì)故障診斷的l類多分類問(wèn)題的研究中,每建立一個(gè)支持向量,對(duì)故障第m類表示為yi=1,對(duì)故障第n類表示為-1,這里m=1,2,…,l,n=m+1且≤l-1.

2) 建立分類模型

在使用支持向量機(jī)對(duì)訓(xùn)練樣本進(jìn)行訓(xùn)練時(shí),對(duì)核函數(shù)和懲罰參數(shù)的選取非常重要,當(dāng)選取到合適的值時(shí),對(duì)訓(xùn)練樣本進(jìn)行二次優(yōu)化求解得到(ω*,b*)和對(duì)應(yīng)的支持向量α*,對(duì)2)進(jìn)行[m(m-1)]/2次運(yùn)算,一共能得到的支持向量機(jī)診斷模型個(gè)數(shù)是[m(m-1)]/2.

3) 進(jìn)行故障診斷

輸入測(cè)試樣本到2)中計(jì)算得到的模型,進(jìn)過(guò)分析就可以判斷故障的類型.如輸出的結(jié)果為1,則故障屬于m類中的故障;如是-1,則不屬于m類中的故障.

2.2 一對(duì)多分類診斷分析法

1)首先也是準(zhǔn)備數(shù)據(jù)階段,在這個(gè)階段與一對(duì)一分類診斷不同的是對(duì)訓(xùn)練樣本的調(diào)整上不一樣,對(duì)不屬于m的所有樣本表示為yi=-1,每增加一個(gè)支持向量,故障s的類別都會(huì)改變.對(duì)故障診斷的l類多分類問(wèn)題中,s=1,2,…,l,這些值一次取得.

2)在分類器的建立上與上述一對(duì)一分類診斷分析法是一致的,但這里只重復(fù)計(jì)算m次,得到m個(gè)分類模型.

3)每一個(gè)測(cè)試樣本輸入訓(xùn)練好的診斷分類器,應(yīng)該只有一個(gè)結(jié)果為1,如出現(xiàn)多個(gè)1,則要重新訓(xùn)練.

在對(duì)數(shù)據(jù)進(jìn)行處理時(shí),非實(shí)時(shí)的診斷可以將數(shù)據(jù)集全部進(jìn)行歸一化處理,測(cè)試和訓(xùn)練數(shù)據(jù)一起處理.而實(shí)時(shí)診斷時(shí),對(duì)訓(xùn)練數(shù)據(jù)的處理需要視情況而定.

3 融合粗糙集和SVM理論的診斷系統(tǒng)設(shè)計(jì)

文中采用的是粗糙集與SVM相結(jié)合的方法來(lái)進(jìn)行柴油機(jī)故障的分類預(yù)測(cè)診斷分析.融合理論的故障診斷流程設(shè)計(jì)如圖2.該方法克服了單一診斷方法的一些缺陷,提高了診斷的準(zhǔn)確率.

該故障診斷方法的基本步驟:

1)首先確定研究對(duì)象,文中的研究對(duì)象為柴油機(jī).

2)對(duì)特征參數(shù)進(jìn)行選取,考慮需要收集什么樣的特征數(shù)據(jù)對(duì)故障進(jìn)行分析診斷,確定收集的參數(shù)后收集數(shù)據(jù),對(duì)其進(jìn)行適當(dāng)?shù)恼?文中對(duì)柴油機(jī)的活塞、活塞環(huán)、缸套在不同磨損程度情況下氣缸蓋上的振動(dòng)信號(hào)進(jìn)行數(shù)據(jù)采集,作為所需的診斷特征參數(shù).

3)對(duì)特征數(shù)據(jù)進(jìn)行歸一化處理或離散化處理,數(shù)據(jù)的處理要遵守規(guī)定的原則,避免數(shù)據(jù)處理后遺失其數(shù)據(jù)本身所攜帶的特性.

4)使用粗糙集理論中的屬性約簡(jiǎn)對(duì)經(jīng)過(guò)離散化的數(shù)據(jù)進(jìn)行約簡(jiǎn)處理,求得屬性最優(yōu)決策集.

5)對(duì)經(jīng)過(guò)粗糙集理論處理后的數(shù)據(jù)進(jìn)行有效分類,選取合適的故障數(shù)據(jù)作為訓(xùn)練樣本,利用SVM理論建立以訓(xùn)練樣本為基礎(chǔ)的訓(xùn)練模型.

圖2 融合理論的故障診斷流程

6)從故障數(shù)據(jù)中選取一定的樣本作為測(cè)試樣本,用來(lái)檢驗(yàn)訓(xùn)練模型的訓(xùn)練能力,將測(cè)試樣本放入訓(xùn)練模型中進(jìn)行訓(xùn)練,由于訓(xùn)練模型是以支持向量機(jī)理論為基礎(chǔ)建立的,測(cè)試樣本經(jīng)過(guò)訓(xùn)練后得出預(yù)測(cè)結(jié)果.

7)對(duì)6)中的訓(xùn)練結(jié)果進(jìn)行分析總結(jié),與實(shí)際情況進(jìn)行對(duì)比,可以得出訓(xùn)練模型的訓(xùn)練精度,從而能夠判斷出該診斷方法對(duì)故障預(yù)測(cè)結(jié)果的準(zhǔn)確率.

8)對(duì)診斷結(jié)果進(jìn)行分類、總結(jié).

4 應(yīng)用實(shí)例分析

4.1 實(shí)驗(yàn)與數(shù)據(jù)獲取

在某型號(hào)柴油機(jī)上進(jìn)行數(shù)據(jù)測(cè)試與收集.在柴油機(jī)外殼上用加速傳感器測(cè)量振動(dòng)信號(hào),收集柴油機(jī)的活塞、活塞環(huán)、缸套處于3種異常情況和正常情況,共4種狀態(tài)下的振動(dòng)信號(hào).該柴油機(jī)的額定功率為162 kW,額定轉(zhuǎn)速為1 800 r/min.選取的柴油機(jī)故障對(duì)應(yīng)的編號(hào)以及故障描述如表1.

柴油機(jī)的工作是由進(jìn)氣、壓縮、燃燒膨脹和排氣這4個(gè)過(guò)程來(lái)完成的,從而引起活塞反復(fù)運(yùn)動(dòng),整個(gè)過(guò)程中活塞、活塞環(huán)、缸套都將處于振動(dòng)狀態(tài)中,每個(gè)部件的振動(dòng)信號(hào)必然能很好反映其工作狀態(tài).由于測(cè)點(diǎn)位置與方向?qū)π盘?hào)的有效性及對(duì)故障的敏感性影響極大,為了獲取準(zhǔn)確的振動(dòng)信息,選取在柴油機(jī)的氣缸蓋中心以及氣缸蓋邊緣布置測(cè)點(diǎn),缸蓋中心布置一個(gè)測(cè)點(diǎn),缸蓋四周邊緣的測(cè)點(diǎn)位置可以多選幾個(gè),由于缸蓋的形狀特征,在選取的每個(gè)測(cè)點(diǎn)位置只測(cè)量垂直方向的振動(dòng),在選取的測(cè)點(diǎn)位置用加速度傳感器測(cè)量振動(dòng)信號(hào).

文中提取了缸蓋振動(dòng)信號(hào)頻域功率譜中能夠區(qū)分不同故障的最大振動(dòng)加速度、振動(dòng)加速度均方根、總功率、特征功率頻譜、平均功率譜來(lái)作為特征參數(shù).這些參數(shù)能夠反映所需了解的故障特征,同時(shí)也可以作為粗糙集知識(shí)系統(tǒng)中的屬性，對(duì)所選取的每一個(gè)特征進(jìn)行編號(hào)(表2).

表1 故障描述

柴油機(jī)試驗(yàn)測(cè)取了8組正常狀態(tài)的振動(dòng)數(shù)據(jù),5組磨合狀態(tài)的振動(dòng)數(shù)據(jù),6組磨損狀態(tài)的振動(dòng)數(shù)據(jù),6組損壞狀態(tài)的振動(dòng)數(shù)據(jù).表3為所收集的試驗(yàn)樣本數(shù)據(jù),表中d為1代表正常，d為2代表磨合，d為3代表磨損，d為4代表?yè)p壞.

表2 故障屬性

表3 不同特征的振動(dòng)信號(hào)數(shù)據(jù)集

4.2 故障數(shù)據(jù)處理

1) 離散化處理

根據(jù)上文介紹的離散化數(shù)學(xué)方法對(duì)收集的特征數(shù)據(jù)集進(jìn)行離散化處理,得到的決策表如表4.

表4 離散化后的決策表

2) 屬性約簡(jiǎn)

利用粗糙集理論對(duì)經(jīng)過(guò)離散化處理的決策表進(jìn)行屬性約簡(jiǎn),刪除決策表中重復(fù)的行,根據(jù)屬性約簡(jiǎn)算法分析,得出屬性A,B為整個(gè)決策表中的核屬性,則{A,B,C},{A,B,D},{A,B,E}為整個(gè)決策表的最小屬性約簡(jiǎn)集.

屬性約簡(jiǎn)的目的是在保持信息系統(tǒng)能力不變的情況下,刪除其中不相關(guān)或不重要的屬性,使整個(gè)屬性集變得簡(jiǎn)潔明了,能更直觀反應(yīng)出整個(gè)決策表的特性.對(duì)C,D,E屬性進(jìn)行屬性重要度分析,得出屬性C相對(duì)于和屬性的重要度最高.綜上所述,我們選取{A,B,C}作為整個(gè)決策表的最優(yōu)屬性約簡(jiǎn)集,最優(yōu)決策系統(tǒng)如表5.

表5 屬性最優(yōu)決策表

4.3 SVM的分類預(yù)測(cè)與結(jié)果分析

選用支持向量機(jī)理論進(jìn)行分類回歸預(yù)測(cè)時(shí),參數(shù)的選擇非常重要,不同的參數(shù)對(duì)分類的結(jié)果和效率影響很大.在運(yùn)用支持向量機(jī)理論時(shí),核函數(shù)的參數(shù)以及函數(shù)形式?jīng)Q定了分類器的類型以及其繁瑣程度.

選取表4中屬性{A,B,C,D,E}中的13個(gè)數(shù)據(jù)作為訓(xùn)練樣本,12個(gè)數(shù)據(jù)作為測(cè)試樣本(4種故障類型的樣本數(shù)量分別為4,2,3,3).在matlab7.0環(huán)境下采用LIBSVM進(jìn)行分類預(yù)測(cè)診斷,取懲罰參數(shù)C=10,參數(shù)g=0.01.得出分類診斷結(jié)果如圖3,診斷率為91.666 7%,分類預(yù)測(cè)時(shí)間為0.093 s,只有1個(gè)樣本分類診斷錯(cuò)誤.

圖3 故障數(shù)據(jù)的實(shí)際與預(yù)測(cè)分類

選取屬性最優(yōu)決策表的屬性{A,B,C}中的特征值，利用支持向量機(jī)來(lái)進(jìn)行預(yù)測(cè)診斷時(shí),由于約簡(jiǎn)后樣本量很小,有些決策屬性只剩下兩個(gè),不適合運(yùn)用LIBSVM進(jìn)行分類預(yù)測(cè)診斷,所以采用徑向基核函數(shù).同樣在matlab7.0環(huán)境下進(jìn)行診斷分析,取懲罰參數(shù)C=10,參數(shù)g=0.01,經(jīng)過(guò)預(yù)測(cè)診斷,預(yù)測(cè)結(jié)果完全正確,預(yù)測(cè)診斷時(shí)間為0.082 s.

通過(guò)對(duì)比可知,約簡(jiǎn)后的故障數(shù)據(jù)通過(guò)支持向量機(jī)進(jìn)行分類預(yù)測(cè)診斷的準(zhǔn)確率要比沒(méi)有經(jīng)過(guò)約簡(jiǎn)處理進(jìn)行診斷的準(zhǔn)確率高,同時(shí)分類預(yù)測(cè)的速度也比較快.通過(guò)實(shí)例證明,基于粗糙集和SVM理論的故障分類預(yù)測(cè)診斷方法取得了很好的效果,通過(guò)屬性約簡(jiǎn)剔除了數(shù)據(jù)中冗余的變量,保留了最主要的信息,得到了小樣本的最優(yōu)決策表,完全符合支持向量機(jī)對(duì)小樣本的處理?xiàng)l件,更利于支持向量機(jī)理論對(duì)最優(yōu)決策表進(jìn)行分類預(yù)測(cè)診斷,提高了其診斷速率與準(zhǔn)確度.

5 結(jié)論

1)柴油機(jī)的振動(dòng)特征能夠很好反應(yīng)其各部件的性能狀態(tài),通過(guò)對(duì)振動(dòng)信號(hào)的收集能夠獲得很完善的故障數(shù)據(jù),對(duì)振動(dòng)信號(hào)的處理和分析能夠有效找出各個(gè)部件的故障特征.

2)利用離散化的方法對(duì)收集的故障特征數(shù)據(jù)進(jìn)行處理,再運(yùn)用粗糙集理論中的屬性約簡(jiǎn)算法對(duì)數(shù)據(jù)進(jìn)行處理后,能夠提高支持向量機(jī)分類預(yù)測(cè)診斷的速率.

3)通過(guò)實(shí)例驗(yàn)證故障診斷過(guò)程中,先對(duì)故障特征數(shù)據(jù)經(jīng)過(guò)屬性約簡(jiǎn),再進(jìn)行支持向量機(jī)分類預(yù)測(cè),得到的結(jié)果要比沒(méi)有經(jīng)過(guò)粗糙集屬性約簡(jiǎn)處理診斷的結(jié)果更準(zhǔn)確.

References)

[ 1 ] Pawlak Z.Rough sets[J].InternationalJournalofComputerandInformationSciences,1982,11:341-356.

[ 2 ] 劉啟和,陳雷霆,閔帆,等.基于數(shù)據(jù)庫(kù)系統(tǒng)的Rough集模型的擴(kuò)展[J].控制與決策,2006,21(12):1374-1378. Liu Qihe,Chen Leiting,Min Fan,et al.Extension of rough set model based on database systems[J].ControlandDecision,2006,21(12):1374-1378.(in Chinese)

[ 3 ] Chouchoulas A,Shen Q.A rough set-based approach to text classification[J].LectureNotesinComputerScience,1998,17(10):118-129.

[ 4 ] 孫青青,李龍澍,李學(xué)俊,等. 基于粗糙集與證據(jù)理論的測(cè)試用例優(yōu)化研究[J].計(jì)算機(jī)應(yīng)用研究,2012,29(7):2534-2536. Sun Qingqing,Li Longshu,Li Xuejun,et al.Research on test case optimization based on rough set and D-S theory[J].ApplicationResearchofComputers,2012,29(7):2534-2536. (in Chinese)

[ 5 ] 申秀敏,左曙光,李林,等. 車內(nèi)噪聲聲品質(zhì)的支持向量機(jī)預(yù)測(cè)[J]. 振動(dòng)與沖擊,2010,29(6):66-68. Shen Xiumin,Zuo Shuguang,Li Lin,et al.Interiror sound quality forecast for veheicles based on support vector machine[J].JournalofVibrationandShock,2010,29(6):66-68. (in Chinese)

[ 6 ] 滿瑞君,梁雪春. 基于多尺度小波支持向量機(jī)的交通流預(yù)測(cè)[J]. 計(jì)算機(jī)仿真,2013,30(11):156-159. Man Ruijun,Liang Xuechun.Traffic flow forecasting based on multiscale wavelet support vector machine[J].ComputerSimulation,2013,30(11):156-159. (in Chinese)

[ 7 ] 易輝,宋曉峰,姜斌,等. 樣本不均衡條件下基于自調(diào)整支持向量機(jī)的故障診斷[J].北京理工大學(xué)學(xué)報(bào),2013,33(4):394-398. Yi Hui,Song Xiaofeng,Jiang Bin.Fault diagnosis based on self-tuning support vector machine in sample unbalance condition[J].TransactionsofBeijingInstituteofTechnology,2013,33(4):394-398. (in Chinese)

[ 8 ] 趙海洋,徐敏強(qiáng),王金東. 改進(jìn)二叉樹(shù)支持向量機(jī)及其故障診斷方法研究[J]. 振動(dòng)工程學(xué)報(bào).2013,26(5):764-770. Zhao Haiyang,Xu Minqiang,Wang Jindong.An improved binary tree SVM and application for fault diagnosis[J].JournalofVibrationEngineering,2013,26(5):764-770. (in Chinese)

[ 9 ] Skoweon A,Rauszer C.The discrnibility matrices and functions in information systems[M]∥Slowinski R.Intelligent decision support:handbook of applications and advances of the rough sets theory.Dorrecht:Kluwer Axademic Publisher,1992:331-362.

[10] 袁小宏,趙仲生,屈梁生.粗糙集理論在機(jī)械故障診斷中的應(yīng)用研究[J].西安交通大學(xué)學(xué)報(bào),2001,35(9):134-137. Yuan Xiaohong,Zhao Zhongsheng,Qu Liangsheng.On the application of rough set theory in mechanical fault diagnosis[J].JournalofXi′anJiaotongUniversity,2001,35(9):134-137. (in Chinese)

(責(zé)任編輯： 童天添)

Rough sets and SVM theory based on the fault of diesel diagnosis classification prediction

Yang Xinglin1, Zhou Wangcun1, Zhang Jing1, Ren Pengju2

(1.School of Energy and Power Engineering,Jiangsu University of Science and Technology, Zhenjiang Jiangsu 212003, China)(2. Beiben Trucks Group Co.Ltd., Baotou Inner Mongolia 014000, China)

In this paper, we combine rough set with the theory of SVM to achieve rapid accurate classification projections for diesel engine fault diagnosis. We first preprocesses the collected fault feature data, uses rough set theory to attribute reduction for getting the optimal decision attribute table and then uses the theory SVM classification prediction rules for diagnosis classification of optimal decision attribute table so as to conclude the diagnosis. The example shows that this diagnostic method is better than single diagnosis of rough set and SVM.

rough set; SVM theory; diesel engine; attribute reduction; classification; diagnosis

10.3969/j.issn.1673-4807.2014.03.009

2014-02-24

楊興林(1964—),男,教授,研究方向?yàn)榇拜啓C(jī)系統(tǒng)與設(shè)備設(shè)計(jì)制造及性能優(yōu)化、船舶空調(diào)系統(tǒng)及節(jié)能減排技術(shù)、船舶先進(jìn)制造技術(shù).E-mail:Hcyangxl2010@189.cn

U661.44;O327

A

1673-4807(2014)03-0244-06