基于人工智能技術的不完備信息系統智能診斷方法研究

周

(四川文理學院智能制造產業技術研究院，四川達州 635000)

0 引言

隨著計算機技術、通信技術和網絡技術的不斷發展，現代計算機系統朝著復雜化、自動化、智能化等方向發展，其系統結構逐漸復雜，性能要求逐漸提高［1］。然而當系統中的設備出現故障時，一些智能信息處理技術被用于準確定位系統的故障，并正確處理出現的故障。智能故障診斷是一個極其復雜的信息處理系統，主要借助信息采集和傳輸技術等，得到被測對象的大量數據信息。對于復雜系統而言，很多問題都是在信息不完備的條件下，利用各種方法與技術來做出決策的。所以故障智能診斷系統也應該能夠在故障信息不完備的條件下，具有故障檢測、診斷、處理的能力［2］。但在實際的故障診斷中，由于系統的復雜性，存在著故障征兆屬性空缺、屬性值丟失、屬性值無從知道、屬性值描述不確定、數據稀疏等不完備信息。所以許多學者對知識獲取中數據所表現出的不完備進行了深入研究。文獻［3］提出一種近似測度和刪除空缺屬性值方法，實現了不完備數據集的完備化處理;文獻［4］提出了容差關系概念，給出不完備信息系統粗糙近似，獲取決策規則;在此基礎上，文獻［5］提出了量化容差關系概念來刻畫樣本對象的相似程度;文獻［6］提出了限制容差關系的概念，更加符合實際情況;文獻［7］提出了基于聯系度的拓展粗糙集模型;文獻［8］進一步提出了具有加權聯系度的拓展粗糙集模型;文獻［9］研究了不完備信息系統的基于集對分析的粗糙集模型;文獻［10］提出了基于全相容粒度的粗糙集模型;文獻［11］提出了不完備信息系統相似類概念，用于挖掘關聯規則;文獻［12］利用確定屬性值來替換具有相同的決策屬性的值。然而這些處理方法也可能會使原始數據和經過處理獲得的知識存在不同程度的失真等。針對這些情況，本文首先對原始數據進行完備化處理，再融合粗糙集、蟻群算法和徑向基神經網絡等人工智能技術的優勢，提出一種不完備信息系統的故障智能診斷模型與方法。

1 不完備信息系統及其完備化處理方法

雖然復雜信息系統出現故障的種類多種多樣，本文從復雜系統論來看，這些多種多樣的故障在本質上具有不少的共性。因此通過分析歸納總結復雜系統的故障，具有以下特性:(1)故障的復雜性;(2)故障的層次性;(3)故障的相關性;(4)故障的延時性;(5)故障的不確定性;(6)故障的規律性。

對復雜信息系統故障診斷而言，空值存在的影響主要有:(1)丟失大量有用信息;(2)增加系統不確定性;(3)空值導致不可靠的輸出。

為了提高故障診斷的正確性與效率，所以需要對不完備信息進行完備化處理。本文采用“條件組合補齊算法”將缺失的故障信息進行合理的補充。該方法是通過選取具有相同決策的實例相應屬性所有取值試探，選擇最好的一種情況，作為補齊的結果。

2 粗糙集理論和RBF神經網絡

2.1 粗糙集理論

糙集理論是1982年提出的一種能夠有效處理不精確、不確定與不完備等信息的新數學工具。它能能發現隱含知識，揭示潛在的規律的特點。經過30多年的發展，已在數據挖掘、模式識別、機器學習、智能控制、故障診斷等領域獲得廣泛的應用粗糙集理論的基本概念描述如下［13-14］。

定義1:一信息系統S=＜U，R，V，F＞，其中U是對象集合，C∪D=R是屬性集合，子集C和D分別稱為條件屬性和決策屬性。V=Ur∈RVr是屬性的集合，Vr表示了屬性r∈R的屬性值范圍，F:U×R→V是一個信息函數，它指定U中每一對象x的屬性值。

定義2:一信息系統S=＜U，R，V，F＞，對于每個屬性子集B?R，定義一個不可分辨關系Ind(B)為:Ind(B)={(x，y) ∈U2}。

定義3:一信息系統S=＜U，R，V，F＞，B?R，X?U，定義集合R－(X)= {x∈U:［x］IND(B)?X} 為X的B下近似集，R－(X)= {x∈U: ［x］IND(B)∩X≠φ} 為 X的 B上近似集。

定義4:一信息系統S=＜U，R，V，F＞，A=CUD且B?C，定義D的 B正域 PosB(D)=∪ {B(X):X∈IND(D)}。

定義5:一信息系統S=＜U，R，V，F＞，A=CUD且B?C，B和D間的依賴度定義為:K(B，D)=card(PosB(D))/card(U)。

2.2 神經網絡

人工神經網絡 (ANN)是從信息處理角度對人腦神經元網絡進行抽象，建立某種簡單模型，按不同的連接方式組成不同的網絡［15］。本文采用具有數逼近能力、分類能力和學習速度等優點的RBF神經網絡，其網絡結構如圖1所示。

從圖1可知，RBF神經網絡從輸入到輸出的映射為:

其中:x=(x1，x2…，xn)T∈Rn為輸入矢量，W= (w1，w2…，wm)T∈Rm是權值，φ為徑向基函數，f為輸出，ci是RBF的第i個聚類中心。RBF神經元的傳遞函數有多種形式，但最常用的是高斯函數，即:

圖1 RBF神經網絡結構

影響RBF神經網絡性能的參數主要是隱含層節點數及相應中心節點位置和寬度。因此需要進一步研究RBF神經網絡參數優化問題。

3 基于蟻群算法優化神經網絡參數

蟻群優化 (ant colony optimization，ACO)算法是一種典型的群智能算法［16］。ACO算法通過信息素的調整較好地控制了種群的多樣性，具有較強的全局優化能力。因此充分利用蟻群優化算法的優點，對神經網絡參數和學習規則進行優化處理，為提高RBF神經網絡性能提供了一種新的途徑。由于蟻群算法具有全局搜素能力，所以用蟻群算法優化網絡隱含層，能提高RBF神經網絡的性能。

基于蟻群算法優化神經網絡參數和學習規則的步驟如下:

1)蟻群優化算法的參數初始化。

2)構造適應度函數:取為總失真的倒數:

3)蟻群優化算法尋優過程。

4)徑向基函數中心和寬度:將蟻群優化算法所得的每一類都作為隱含層節點，分別求取徑向基函數的中心(cj)和寬度():

5)隱含層到輸出層權值的調整:用梯度下降法訓練網絡隱含層與輸出層之間的權值。

4 基于粗糙集、蟻群優化算法和神經網絡的故障智能診斷方法

本文將粗糙集理論、蟻群優化算法和神經網絡引入到故障診斷中，充分利用粗糙集理論知識約簡能力，蟻群優化算法的全局優化能力和RBF神經網絡的自學習與知識獲取的能力，提出一種基于粗糙集理論、蟻群優化算法和RBF神經網絡相結合的智能故障診斷方法，其故障智能診斷模型，如圖3所示。

圖3 基于粗糙集、蟻群算法和神經網絡的故障智能診斷模型

基于粗糙集、蟻群優化算法和神經網絡的故障智能診斷模型的具體步驟如下。

Step 1:輸入原始樣本數據，即從關系數據庫中隨機讀取歷史故障樣本信息。

Step 2:通過數據預處理，建立系統關系數據模型，形成原始故障信息的二維決策表。

Step 3:連續屬性離散化:是在特定連續屬性的值域范圍內設定若干個離散化的劃分點，獲得若干個離散化區間，使用不同的符號來表示子區間的屬性值。從本質看，就是對初始斷點的選擇與合并過程。

Step 4:屬性約簡:采用粗糙集理論對屬性進行知識約簡，以獲得能夠覆蓋原數據特征的最小條件屬性規則集。其屬性的重要程度可以用公式 (6)和 (7)來計算［17］:

Step 5:啟動蟻群算法，用于優化RBF神經網絡;

Step 6:把粗糙集理論處理得到的具有最大完備度的最小規則集輸入優化得RBF神經網絡，訓練得到RARNN模型;

Step 7:根據RARNN模型的診斷誤差，判斷是否滿足要求。如果滿足，轉至Step 8，否則轉至Step 4;

Step 8:將待診故障信息輸入RARNN模型，獲得故障診斷的結果。

5 故障診斷模型的應用

5.1 數據來源

以電機子系統為例進行振動故障診斷［18］，由于系統的復雜性，導致采集的數據有些存在一些缺失。U是論域，a～e是條件屬性，分別表示信號頻域特征頻譜＜0.5 f，0．5 f～0．6 f，1 f，2 f， ≥3 f的幅值分量能量。h是決策屬性，表示發電機不同的故障，q分別對應油膜振蕩故障、不平衡故障和不對中故障。本文選取實驗部分數據進行研究。對采集的信號進行歸一化處理后，構成不完備故障診斷決策表，如表1所示。

5.2 數據完備化處理

首先采用“條件組合補齊算法”將缺失的數據進行合理有效的完備化處理，獲得完備化的故障診斷決策表，如表2所示。

5.3 數據離散化

離散化數據的連續屬性，是為了使用不同的符號來表示子區間的屬性值。這里采用通過模擬自然進化過程搜索

表1 不完備故障診斷決策表

表2 完備化的故障診斷決策表

最優解的遺傳算法，在保持數據不可分辨關系的前提下，以最小斷點集為目標，實現數據連續屬性的離散化處理，獲得離散化的故障診斷決策表，如表3所示。

表3 離散化的故障診斷決策表

5.4 屬性約簡

采用具有具有實現最大完備度的最小規則集的粗糙集理論，對離散化的故障診斷決策表。通過對原始樣本決策表屬性的計算，得到屬性集 {a，c，d，e}對于原始樣本決策表來說是重要的，并且可以證明 {a，c，d，e}是該決策表的最小約簡。說明 {a，c，d，e}保持該決策表5個屬性的分類能力，因此，{a，c，d，e}是該決策系統必不可少的4個屬性。整理屬性約簡之后的決策表，合并相同規則，刪除冗余的規則，獲得能夠覆蓋原數據特征的最小條件屬性規則集。

5.5 RBF神經網絡的優化

采用具有全局尋優能力的蟻群優化算法，來優化RBF神經網絡的基函數的中心、方差和隱含層到輸出層的權值3個參數，獲得3個參數組合的最優參數值，作為RBF神經網絡的初始參數值;然后采用屬性約簡獲得能夠覆蓋原數據特征的最小條件屬性規則集訓練RBF神經網絡，以獲得優化的RBF神經網絡模型 (故障診斷模型RARNN)。

5.6 故障診斷驗證

把采集到的待診信息{(0．024，*，0．748，0．122，0．023)， (0．015，0．055，0．483，* ，0．311)} 經過完備化和屬性約簡處理后，輸入RARNN模型進行故障診斷，得到故障診斷結果:第一組數據是不平衡故障，第二組數據是不對中故障。

通過電機子系統故障診斷實例的分析可知，基于將粗糙集理論、蟻群優化算法和RBF神經網絡相結合的故障智能診斷方法 (RARNN)能夠正確診斷電機子系統的故障，并且該方法能快速收斂，具有較高的故障診斷正確率。

6 結語

本文利用“條件組合補充算法”進行了信息的不完備化處理，同時根據復雜系統故障診斷困難的特點，提出了基于將粗糙集理論、蟻群優化算法和RBF神經網絡相結合的故障智能診斷方法。該方法通過復雜系統故障診斷實例，給出了該方法的應用步驟。通過仿真實驗，結果表明故障智能診斷方法能夠加速收斂，具有較高的故障診斷正確率。為其它設備故障診斷提供了一種新的思路。