基于粗糙集理論的列控車載設備故障分析方法

上官偉，張軍政，馮 娟，蔡伯根,3，王 劍,李正交

(1.北京交通大學 電子信息工程學院，北京 100044；2.北京交通大學 軌道交通控制與安全國家重點實驗室，北京 100044；3.北京市電磁兼容與衛(wèi)星導航工程技術研究中心，北京 100044)

近年來，我國高速鐵路發(fā)展迅速，取得的成果得到了國內(nèi)外專業(yè)人員的認可，高速鐵路已經(jīng)成為我國走向全球化的響亮名片。同時，作為國家重要的基礎設施之一，高速鐵路承擔著大眾生命財產(chǎn)安全的重大責任。因此，列車運行安全問題變得至關重要。科學技術水平的發(fā)展，在一定程度上提高了列車運行控制系統(tǒng)的穩(wěn)定性及可靠性。但也使得車載設備的結構更加復雜，設備故障的發(fā)生、演化過程可能是眾多內(nèi)在、外部因素的共同作用，從而導致故障隱患增多且故障耦合程度增大，使得故障不易被發(fā)現(xiàn)和確定。因此，列控系統(tǒng)的故障診斷是及時定位故障、保證列車安全運行的關鍵前提。

故障診斷技術就是定位故障原因的過程，自有工業(yè)生產(chǎn)以來就已經(jīng)存在，并且它是適應工程實際需要而形成和發(fā)展起來的一門綜合學科。因此，該領域在國內(nèi)外已經(jīng)開展了大量研究，并形成了較為深厚的基礎。目前可用于工業(yè)控制過程的故障診斷技術多種多樣，依據(jù)理論和方法的不同，故障診斷技術主要包括：基于人工智能的方法、基于數(shù)學模型的方法和基于數(shù)據(jù)驅動的方法[1]。

基于人工智能的故障診斷研究有：文獻[2]提出了基于模糊層次分析的柴油機智能故障診斷系統(tǒng)，利用定性和定量相結合的原則結合多Agent技術設計了遠程故障診斷系統(tǒng)。文獻[3]提出了基于小腦模型神經(jīng)網(wǎng)絡的變壓器故障診斷方法，利用小腦模型神經(jīng)網(wǎng)絡具有的自動搜索最大相關性及計算速度快的優(yōu)勢進行仿真計算，仿真結果表明該方法可以有效提高診斷準確率和效率。文獻[4]提出了一種基于專家系統(tǒng)的電腦網(wǎng)絡連接故障診斷方法，通過實例驗證了該專家系統(tǒng)具有較高的診斷效率。文獻[5]提出了一種智能診斷方法用于列車轉向架軸承的故障診斷，該方法主要分為故障特征提取和故障模式識別兩部分，實驗結果表明，在提高系統(tǒng)的故障診斷速度和準確性方面該方法具有明顯優(yōu)勢。

基于數(shù)學模型的故障診斷研究有：文獻[6]針對具有工程應用價值的接地網(wǎng)故障診斷問題，基于最小電能消耗原理建立了一種新的數(shù)學模型，該模型充分考慮接地網(wǎng)腐蝕嚴重時本身的非線性特征，仿真結果表明該模型與求解算法是可行的。文獻[7]針對飛機噴氣發(fā)動機，提出了一種基于多模型方法的實時故障診斷與隔離方法，設計了一種模塊化和分層體系結構，能夠診斷和隔離單個故障以及噴氣發(fā)動機中的多個并發(fā)故障，實驗結果表明該方法對于壓力和溫度傳感器的失效以及傳感器測量中的大量噪聲異常值的診斷也是有效可行的。文獻[8]以功率鍵合圖和解析冗余理論為基礎，針對法維萊制動系統(tǒng)提出一種解析冗余關系的故障診斷方法，仿真結果表明該方法是有效可行的。文獻[9]針對離散控制的連續(xù)系統(tǒng)，建立了基于混合動態(tài)系統(tǒng)的分散混合診斷器，通過診斷器來協(xié)調(diào)各個分組件的信息，最終實現(xiàn)有效信息的提取以及故障診斷，能夠診斷參數(shù)和離散故障。文獻[10]提出了一種用于追蹤系統(tǒng)模式和診斷混合動力系統(tǒng)的新方法，該方法基于混合自動機HA模型，診斷主要由解釋事件完成，對系統(tǒng)的監(jiān)測則主要由系統(tǒng)的物理參數(shù)直接決定，基于案例驗證了該方法的有效性。

基于數(shù)據(jù)驅動的故障診斷方法有：文獻[11]為了提高化工裝備的故障診斷準確率，提出了一種基于數(shù)據(jù)驅動的故障檢測和隔離方法，該方法通過引入新的特征變量，將簡單的過程知識與數(shù)據(jù)驅動的診斷相結合，通過創(chuàng)建新的特征變量，將基于擴展特征集與原始數(shù)據(jù)集的故障診斷性能進行了比較，結果表明新屬性的加入有效提高了診斷的準確性。文獻[12]針對動態(tài)系統(tǒng)的故障診斷問題，在簡化的非線性頻譜模型基礎上提出了一種自適應辨識算法，降低了非線性頻譜數(shù)據(jù)求解的計算量，實驗表明該算法的故障診斷耗時短，識別率高。文獻[13]提出一種增量式數(shù)據(jù)驅動故障分類方法，以增量學習新的信息來不斷完善數(shù)據(jù)庫，自動完成新故障類型的識別，實例證明該方法可明顯提高故障診斷的準確率。文獻[14]針對電力變壓器故障診斷問題的實際特點和支持矢量機方法的條件限制，提出了一種基于改進分類算法和相關矢量機的智能故障診斷方法，該方法改進現(xiàn)有一對一算法的最大投票策略，設計出一種全新的兩層最大投票策略，仿真結果表明該方法可以明顯增強樣本診斷的可信度水平。

隨著相關學科的發(fā)展以及故障診斷理論研究的深入，故障診斷方法趨于多樣化和智能化，且多采用信息融合的方法來實現(xiàn)系統(tǒng)故障的快速高效診斷。但是由于列車運行控制系統(tǒng)的特點，真正適用于列控系統(tǒng)的方法并不多，主要有故障樹、專家系統(tǒng)、貝葉斯網(wǎng)絡等，但都是基于系統(tǒng)級別，處理基于文本數(shù)據(jù)類的故障時并不占優(yōu)勢，并存在故障辨識率不高、對不完備知識的處理能力差的缺點。

本文針對以上問題，首先將神經(jīng)網(wǎng)絡NN(Neural Network)應用于含噪聲程度不同的列控系統(tǒng)車載設備BTM、TIU故障診斷中，通過對比診斷結果，發(fā)現(xiàn)神經(jīng)網(wǎng)絡在數(shù)據(jù)處理方面存在缺陷，降低了故障識別準確率。為了解決以上問題，進一步提出一種將粗糙集理論RST(Rough Set Theory)與神經(jīng)網(wǎng)絡結合的故障診斷方法RSTNN(Rough Set Theory and Neural Network)，即利用RST的知識約簡能力，對通過數(shù)據(jù)預處理得到的最初決策表進行屬性約簡，剔除低關聯(lián)性信息，生成最終決策表，在此基礎上利用NN對故障進行分類，通過列控車載設備BTM單元、TIU單元故障診斷案例，驗證了該方法在消除噪聲、提高故障診斷準確率方面的有效性。

1 基于神經(jīng)網(wǎng)絡算法的車載設備故障診斷

1.1 神經(jīng)網(wǎng)絡分類算法

在眾多模式識別分類算法應用中，神經(jīng)網(wǎng)絡模式識別使用較多的網(wǎng)絡模型，通常包括兩種拓撲結構：多輸出型ACON(All Classes One Net)和單輸出型OCON(One Class One Net)。

ACON應用最多，典型方法是：網(wǎng)絡的每個輸入節(jié)點對應于樣本的一個特征屬性；輸出層單元采用“c中取1”編碼，每個輸出節(jié)點對應一個類，即輸出層單元數(shù)等于模式類數(shù)；訓練樣本數(shù)據(jù)的期望輸出為[0，…，1，…，0]，即其所屬類的相應輸出節(jié)點為1，其他節(jié)點為0；對于識別階段，未知樣本的類別判定為與輸出值最大的節(jié)點對應的類別。

經(jīng)過學習大量的樣本，記錄調(diào)整后的權值，使用此權值數(shù)據(jù)確定的網(wǎng)絡對新的樣本進行識別，并計算故障識別準確率和誤差范圍。

1.2 基于神經(jīng)網(wǎng)絡的故障診斷案例的實現(xiàn)

本文針對CTCS3-300T型車載設備(以下簡稱300T車載設備)中的TIU單元和BTM單元，利用神經(jīng)網(wǎng)絡分類算法實現(xiàn)故障診斷。

1.2.1 數(shù)據(jù)預處理

將案例庫中的故障代碼和故障種類進行編碼。TIU單元故障編碼過程為：故障代碼分別編碼為A、B、C、D、E、F、G、H、I、J、K、L、M、N，每一個故障代碼對應編碼的取值為0或1，1代表樣本故障中存在該故障代碼，故障種類編碼為d。BTM單元故障編碼過程為：故障代碼分別編碼為A、B、C、D、E、F、G、H、I、J、K、L、M、N、O、P、Q、R，取值為0或1，故障種類編碼為d，具體編碼情況見表1～表4。

表1 TIU單元故障代碼編碼

表1(續(xù))

注：表1中*的取值為0、1、4、5、6、7、8、9、A、B中的任意值。

表2 BTM故障代碼編碼

表3 TIU故障種類編碼

表4 BTM故障種類編碼

注：表4中的故障種類5很少發(fā)生，忽略不計，因此BTM故障種類共5種。

1.2.2 分類規(guī)則的確定

故障分類規(guī)則由條件屬性和決策屬性構成的決策表確定。本文將字符編碼后的故障代碼和故障種類分別作為故障診斷的條件屬性和決策屬性，生成最初決策表，見表5、表6。

表5 TIU故障診斷決策表

表6 BTM故障診斷決策表

1.2.3 案例仿真與結果分析

基于以上決策表確定的故障診斷規(guī)則，采用Matlab軟件中的神經(jīng)網(wǎng)絡模式識別工具箱進行仿真，實現(xiàn)列控系統(tǒng)車載設備的故障診斷。

(1)網(wǎng)絡構建

整個仿真分為訓練和測試兩個階段。針對300T車載設備BTM的故障診斷，選取2015年1月至9月統(tǒng)計的107組BTM類故障數(shù)據(jù)作為訓練樣本對網(wǎng)絡進行訓練。首先，導入網(wǎng)絡的輸入輸出數(shù)據(jù)。由表2可知，故障代碼有18種，故障種類有5種，即網(wǎng)絡模型的輸入層單元節(jié)點數(shù)為18，輸出層單元節(jié)點數(shù)為5，模型輸出格式經(jīng)編碼后為[1,0,0,0,0]、[0,1,0,0,0]、[0,0,1,0,0]、[0,0,0,1,0]、[0,0,0,0,1]。設置輸入單元節(jié)點數(shù)18個，隱含層單元數(shù)20個，輸出單元節(jié)點數(shù)5個，在模式識別工具箱中選取90%、5%、5%的故障數(shù)據(jù)集分別對應訓練、驗證、測試部分，其中驗證、測試部分是對訓練部分的初步檢驗。然后，對樣本進行多次訓練。

對基于以上訓練得到的網(wǎng)絡進行相應測試。選取2015年10月至12月的72組BTM類故障作為測試樣本。

對于TIU單元的故障診斷，采用2015年1月至6月統(tǒng)計的100組TIU類故障數(shù)據(jù)中的60組數(shù)據(jù)作為訓練樣本，40組數(shù)據(jù)作為測試樣本，特征數(shù)為14，輸出類別為5個。同樣基于神經(jīng)網(wǎng)絡模式識別工具箱進行仿真。

(2)仿真結果與分析

基于上述樣本數(shù)據(jù)，對網(wǎng)絡進行100次訓練與相應的測試，仿真結果如圖1、圖2所示。

圖1 TIU故障分類結果

圖2 BTM故障分類結果

由圖1和圖2可知，基于相同的規(guī)則進行仿真，神經(jīng)網(wǎng)絡對TIU故障分類效果明顯優(yōu)于BTM類。由于BTM類故障原始數(shù)據(jù)含噪聲較大，因此故障識別準確率基本上低于50%，其平均值是：訓練部分為19.89%，測試部分為36.51%。而TIU類故障的原始數(shù)據(jù)含噪聲比較小，故障識別準確率基本上高于90%，訓練部分和測試部分的識別準確率平均值分別為96.93%和94.84%。

由以上兩種300T車載設備的故障識別率仿真結果可知，神經(jīng)網(wǎng)絡無法從低關聯(lián)度的初始數(shù)據(jù)中完成重要信息的存取、消除高噪聲，從而使故障辨識準確率低效不可用，仿真驗證結果嚴重震蕩且發(fā)散。因此，神經(jīng)網(wǎng)絡算法對高冗余數(shù)據(jù)進行分類時存在嚴重不足，為克服以上缺點，提高故障診斷能力，本文引入了粗糙集理論來改進神經(jīng)網(wǎng)絡對高噪聲故障數(shù)據(jù)的分類識別能力，實現(xiàn)對列控系統(tǒng)車載設備的故障診斷。

2 基于改進型神經(jīng)網(wǎng)絡的列控車載設備故障診斷

2.1 粗糙集理論

粗糙集理論的出發(fā)點是在維持識別特性不變的情況下，通過將數(shù)據(jù)集進行預處理和屬性約簡，清洗其中關聯(lián)度低或無用的屬性，在約簡的屬性表中發(fā)現(xiàn)分類規(guī)則。作為數(shù)據(jù)挖掘常用的算法之一，粗糙集理論的優(yōu)勢逐步凸顯，其在工程領域方面的應用也變得越來越多，但在列控系統(tǒng)方面的應用較少，值得進一步研究。

屬性重要度的計算方法有多種，本文采用基于區(qū)分矩陣計算屬性重要度的方法。記錄生成的區(qū)分矩陣中每個屬性出現(xiàn)的頻率，以此作為評估屬性重要度的參考指標。該方法不是簡單計數(shù)，而是以加權方式求得，權重分配的大小以屬性所在區(qū)分矩陣的長度而定，即當不同屬性的頻率相同時，包含在長度越短的區(qū)分矩陣的元素屬性越重要[15]。

設知識庫為K=(U,R)，其中，U為研究對象構成的集合，稱為域；R為U上的一個等價關系。ind(K)定義為K中所有等價關系的族，記作

ind(K)={ind(P)|?≠P?R}

( 1 )

令P為一族等價關系，如果

ind(P)=ind(R-{P})

( 2 )

則稱P為R中不必要的；否則稱P為R中必要的。

設知識表達系統(tǒng)為S=(U,A,V,f)，|U|=n，S的區(qū)分矩陣是n×n的對稱矩陣。A表示所有屬性構成的集合，V為屬性的取值，f為信息函數(shù)。矩陣中的每一項元素mij為

( 3 )

式中：i,j=1,2,…,n。矩陣包含的內(nèi)容是屬性集，表示兩個對象在該屬性集上的值不同。

設Q?P，如果Q是獨立的，且ind(Q)=ind(P)，則稱Q為P的約簡；P的所有約簡的交集稱為P的核，記作core(P)，核也可能為?。信息系統(tǒng)的核等于該信息系統(tǒng)的區(qū)分矩陣中所有單個屬性元素組成的集合。

對于一個區(qū)分矩陣Mn×n=(cij)n×n，屬性α∈C的重要性計算公式為

( 4 )

其中

( 5 )

式中：i,j=1,2,…,n；|cij|表示區(qū)分矩陣中元素cij的長度(包含條件屬性的個數(shù))。

2.2 算法描述

通過粗糙集理論對神經(jīng)網(wǎng)絡技術進行改進，形成300T車載設備故障診斷步驟，即利用粗糙集理論在數(shù)據(jù)挖掘方面的屬性約簡和模糊不完整信息處理的特性，對應答器傳輸單元故障數(shù)據(jù)、列車接口單元故障數(shù)據(jù)進行清洗，去除噪聲，實現(xiàn)屬性約簡與優(yōu)選，最后利用NN實現(xiàn)對300T車載設備BTM和TIU的故障識別。基于粗糙集理論的神經(jīng)網(wǎng)絡算法RSTNN的故障診斷步驟如圖3所示。

圖3 故障診斷步驟

2.3 基于改進型神經(jīng)網(wǎng)絡算法的車載設備故障診斷的實現(xiàn)

2.3.1 基于粗糙集理論的屬性約簡

粗糙集屬性約簡的一般步驟如圖4所示。由RST可知，結合300T車載設備故障案例特點，屬性約簡的具體步驟為：對案例庫中的故障代碼和故障種類分別編碼，生成最初決策表；基于RST知識進行推理，求出必要屬性和區(qū)分矩陣，如表7和圖5所示；根據(jù)核屬性及屬性重要度的定義，由區(qū)分矩陣求出核屬性以及重要屬性，從而求出初步?jīng)Q策表，其中屬性重要度見表8，初步?jīng)Q策屬性見表9；基于集合間的包含關系對初步?jīng)Q策表進行改進，得出最終的屬性約簡決策表。

圖4 粗糙集屬性約簡步驟

設該知識系統(tǒng)為S={U,R}。其中，U為{A,B,C,D,E,F,G,H,I,J,K,L,M,N,O,P,Q,R}，R為d。詳細操作步驟為：剔除最初決策表中的重復事件3和10；確定出必要屬性、核屬性、重要屬性以及決策矩陣。

表7 必要屬性判斷

注：表中U/ALL為全部屬性的結果集，U/(ALL-A)為剔除屬性A之后的結果集。

圖5 區(qū)分矩陣

表8屬性重要度

屬性重要度序號A2 3011B4 483C4 483D4 394E3 816F3 217G1 5914H1 5914I1 5914J5 031K2 758L4 862M4 345N1 9113O2 369P2 0112Q2 0112R2 3510

表9 初步?jīng)Q策屬性

基于集合間的包含關系[16]，對初步?jīng)Q策表進行屬性約簡。

對于種類1，事件1、2、4對應的屬性集為{B,C}、{B,C,D,E}、{B,C,D}，考慮集合間的包容關系，得出重要屬性為{B,C}；種類2的重要屬性為{F}；種類3的重要屬性為{J}；種類4的重要屬性為{L}；種類6的重要屬性為{L,M}。

種類4和種類6之間的特征屬性也存在包容關系，因此加入屬性O提高二者的可識別度。

經(jīng)過以上改進，得出最終決策表見表10。

表10 BTM故障屬性約簡后的最終決策表

基于同樣的方法對TIU故障數(shù)據(jù)進行處理，最終得出TIU故障的決策表見表11。

表11 TIU故障屬性約簡后的最終決策表

2.3.2 基于RST的NN車載設備故障診斷仿真

(1)網(wǎng)絡構建

整個仿真分為訓練和測試兩個階段。針對300T車載設備BTM的故障診斷，選取2015年1月至9月的107組統(tǒng)計故障數(shù)據(jù)完成網(wǎng)絡訓練。首先，導入網(wǎng)絡的輸入輸出訓練數(shù)據(jù)樣本。經(jīng)過RST對最初決策表約處理的屬性個數(shù)為7，即輸入節(jié)點數(shù)為7；輸出層節(jié)點數(shù)即故障種類為5，對應的編碼分別為[1,0,0,0,0]、[0,1,0,0,0]、[0,0,1,0,0]、[0,0,0,1,0]、[0,0,0,0,1]。設定輸入單元為7個節(jié)點，隱含層的單元數(shù)和輸出節(jié)點數(shù)保持不變。然后，對故障樣本數(shù)據(jù)進行多次訓練。

選取2015年10月至12月的72組故障數(shù)據(jù)利用以上訓練得到的神經(jīng)網(wǎng)絡進行仿真測試。

針對300T車載設備TIU的故障診斷，選取2015年1月至6月統(tǒng)計的100組數(shù)據(jù)進行仿真，采用其中的60組數(shù)據(jù)作為訓練樣本，40組數(shù)據(jù)作為測試樣本。

(2)仿真結果與分析

(a)BTM訓練階段仿真結果對比

(b)BTM測試階段仿真結果對比

(c)TIU訓練階段仿真結果對比

(d)TIU測試階段仿真結果對比圖5 基于RSTNN算法的BTM和TIU仿真結果

基于RSTNN算法的BTM和TIU仿真結果如圖5所示。由圖5(a)和圖5(b)可知，通過粗糙集理論對神經(jīng)網(wǎng)絡輸入層特征數(shù)據(jù)的屬性進行約簡后，300T車載設備BTM單元的故障識別準確率的平均值上升為訓練部分93.32%、測試部分97.41%，比基于神經(jīng)網(wǎng)絡的仿真結果提高了3～5倍，表明基于粗糙集的神經(jīng)網(wǎng)絡算法在去除數(shù)據(jù)中的低關聯(lián)度信息和不完整數(shù)據(jù)方面有明顯的作用。由圖5(c)和圖5(d)可知，對于識別準確率比較高的TIU單元故障，經(jīng)過粗糙集理論對原始數(shù)據(jù)進行處理后，其故障識別準確率在訓練部分和測試部分較之前分別提高了2.28%和1.88%。由此可知，基于RST的NN模型既能對不精確性和低關聯(lián)度的數(shù)據(jù)進行處理，還能保留原始數(shù)據(jù)的關鍵屬性信息。綜合圖5可知，利用RST對NN模型改進后，仿真結果波動范圍減小，并隨著仿真次數(shù)的增加，網(wǎng)絡快速趨于收斂。如圖5(a)所示，訓練至70次左右，網(wǎng)絡基本處于收斂狀況。

3 結束語

本文針對神經(jīng)網(wǎng)絡方法在數(shù)據(jù)高噪聲背景下實現(xiàn)300T車載設備故障診斷過程中辨識率較低的問題，提出一種改進的神經(jīng)網(wǎng)絡模型故障診斷方法，即利用RST對屬性的約簡能力，對原始決策規(guī)則進行屬性約簡，去除噪聲，從而得出新的故障診斷規(guī)則，然后采用NN算法對故障分類，并將其應用到300T車載設備的BTM單元和TIU單元，從而驗證了該方法在列控系統(tǒng)車載設備故障診斷方面的可行性。

粗糙集理論和神經(jīng)網(wǎng)絡算法的結合可以很好地彌補神經(jīng)網(wǎng)絡算法作為分類器對數(shù)據(jù)質(zhì)量依賴程度大的缺陷，從而實現(xiàn)兩種算法的優(yōu)勢互補，保證診斷精度，對實現(xiàn)列控系統(tǒng)車載設備的故障診斷具有一定的理論意義和實用價值。

參考文獻：

[1]LEO M S, RUSSELL E L, BRAATZ R D. Fault Detection and Diagnosis in Industrial Systems[J]. Measurement Science & Technology, 2001, 12(10):453-454.

[2]蔣蘋, 何清華, 王奕. 基于模糊層次分析的柴油機智能故障診斷[J]. 中國工程機械學報, 2009, 7(1):86-91.

JIANG Ping, HE Qinghua, WANG Yi. Fuzzy AHP-based Intelligent Fault Diagnosis for Diesel Engine[J]. Chinese Journal of Construction Machinery, 2009，7(1)： 86-91.

[3]PAI N S, LAI Y C. Fault Diagnosis of Electric Power System Transformer on CMAC Neural Network Approach[C]//International Conference on Fuzzy Theory and Its Applications.New York:IEEE, 2012:158-162.

[4]KHALID R, JASSIM R. Expert Diagnosis Systems for Network Connection Problems[C]//International Conference on Artificial Intelligence, Modelling and Simulation. New York:IEEE, 2014:15-18.

[5]劉建強, 趙治博, 任剛,等. 基于小波包分解和集合經(jīng)驗模態(tài)分解的列車轉向架軸承智能故障診斷方法[J]. 鐵道學報, 2015,37(7):40-45.

LIU Jianqiang, ZHAO Zhibo, REN Gang, et al. An Intelligent Fault Diagnosis Method for Bogie Bearings of Train Based on Wavelet Packet Decomposition and EEMD[J]. Journal of the China Railway Society, 2015, 37(7):40-45.

[6]王福勝, 郭潔, 王川龍. 接地網(wǎng)故障診斷的數(shù)學模型[J]. 工程數(shù)學學報, 2011, 28(5):623-628.

WANG Fusheng, GUO Jie, WANG Chuanlong. Mathematical Model for the Fault Diagnosis of Grounding Grid[J]. Chinese Journal of Engineering Mathematics, 2011, 28(5):623-628.

[7]MESKIN N, NADERI E, KHORASANI K. A Multiple Model-Based Approach for Fault Diagnosis of Jet Engines[J]. IEEE Transactions on Control Systems Technology, 2012, 21(1):254-262.

[8]黃志武, 劉建剛, 劉偉榮,等. 基于解析冗余關系的法維萊制動機系統(tǒng)故障診斷技術[J]. 鐵道學報, 2013, 35(3):29-35.

HUANG Zhiwu, LIU Jiangang, LIU Weirong, et al. Fault Diagnosis of Faiveley Braking System Based on Analytical Redundancy Relations[J]. Journal of the China Railway Society, 2013, 35(3):29-35.

[9]LOUAJRI H, SAYED-MOUCHAWEH M. Decentralized Structure for Fault Diagnosis of a Class of Hybrid Dynamic Systems[C]// Control and Automation. New York:IEEE, 2014:121-126.

[10]VENTO J, TRAVE-MASSUYES L, PUIG V, et al. An Incre mental Hybrid System Diagnoser Automaton Enhanced by Discernibility Properties[J]. IEEE Transactions on Systems Man & Cybernetics Systems, 2015, 45(5):788-804.

[11]YAMASHITA Y. Knowledge-based Attributes Generation for Data-driven Fault Diagnosis in Process Systems[J]. Computer Aided Chemical Engineering, 2012, 31(4):310-314.

[12]張家良, 曹建福, 高峰,等. 基于非線性頻譜數(shù)據(jù)驅動的動態(tài)系統(tǒng)故障診斷方法[J]. 控制與決策, 2014,29(1):168-171.

ZHANG Jialiang, CAO Jianfu, GAO Feng, et al. Fault Diagnosis Approach of Dynamic System Based on Data Driven of Nonlinear Spectrum[J]. Control & Decision, 2014, 29(1):168-171.

[13]SANKAVARAM C, KODALI A, PATTIPATI K R, et al. Incremental Classifiers for Data-driven Fault Diagnosis Applied to Automotive Systems[J]. IEEE Access, 2015(3):407-419.

[14]吳坤, 康建設, 池闊. 基于改進多分類算法和相關矢量機的電力變壓器故障診斷方法[J]. 高電壓技術, 2016, 42(9):3011-3017.

WU Kun, KANG Jianshe, CHI Kuo. Fault Diagnosis Method of Power Transformers Using Improved Multi-class Classification Algo-rithm and Relevance Vector Machine[J].Journal of High Voltage Technology, 2016, 42(9):3011-3017.

[15]陳楠. 基于粗集理論的增量式屬性約簡研究[D]. 長春：長春理工大學, 2005.

[16]王加陽, 高燦. 改進的基于差別矩陣的屬性約簡算法[J]. 計算機工程, 2009, 35(3):66-67.

WANG Jiayang, GAO Can. Improved Algorithm for Attribute Reduction Based on Discernihility Matrix[J]. Computer Engineering, 2009,35(3):66-67.