本發明涉及故障預測技術領域，具體涉及一種復雜電子設備故障預測的方法。

背景技術：

目前最常見的故障預測的方法有：

1)趨勢圖分析法

該方法通過趨勢分析來掌握復雜電子設備的運行狀態。但是，由于影響復雜電子設備運行狀態的原因很多，一旦某部分的統計規律發生變化，該方法無法對其未來的運行狀態進行預測。

2)曲線擬合法

該方法只適合于曲線的參數方程比較明確的預測工作，對于一些復雜電子設備具有的非線性、時變性等特點，很難建立合適的曲線方程，預測效果并不理想。

3)時間序列法

該方法對于線性、平穩隨機時間序列的預測能夠起到較好的預測效果，應用范圍受到限制。

4)基于灰色理論的預測方法

該方法僅適用于有一定上升或下降趨勢的弱隨機性時間序列的預測，對于復雜電子設備中隨機性較強的系統進行預測時，還需進一步改進。

5)人工神經網絡預測方法

人工神經網絡以其獨特的聯想、記憶、存儲和學習功能以及高度的非線性映射能力在設備的故障診斷和故障預測中被廣泛應用。但是，在實際應用中也存在著以下問題：

a)訓練樣本的獲取常常存在一定困難，神經網絡的泛化能力有待提高；

b)神經網絡的收斂速度和收斂性無法保證；

c)神經網絡的訓練容易陷入局部最小。

技術實現要素：

(一)要解決的技術問題

本發明要解決的技術問題是:如何設計一種復雜電子設備故障預測的方法，以便能夠有效的對復雜電子設備進行故障預測。

(二)技術方案

為了解決上述技術問題，本發明提供了一種復雜電子設備故障預測的方法，所述方法包括以下步驟：首先利用差別矩陣的屬性約簡方法建立復雜電子設備最小故障診斷特征子集，并對屬性樣本進行歸一化處理；然后根據改進的遺傳算法獲得最佳神經元初始權值和閾值；對BP神經網絡進行改進，動態調整學習速率，并用改進后的訓練算法訓練網絡的連接強度；最后對預測的故障樣本進行反歸一化處理，得到復雜電子設備的故障樣本的預測值。

(三)有益效果

本發明利用粗糙集屬性約簡方法對樣本數據進行預處理，粗糙集理論具有很強的定性分析能力，能在保留關鍵信息的前提下對樣本數據進行約簡，達到簡化訓練樣本的目的；根據改進的遺傳算法獲得最佳神經元初始權值和閾值，對經典遺傳算法進行改進，以網絡誤差最小作為進化準則，經過多次迭代，最后獲得BP神經網絡開始訓練的初始權值和閾值；基于改進的BP神經網絡訓練算法訓練網絡的連接強度，計算BP神經網絡輸出層的預測值，為進一步縮短訓練時間，對BP神經網絡進行改進，動態調整學習速率，提高了網絡的收斂速度。對樣本數據進行反歸一化處理，得到復雜電子設備故障樣本數據的預測值。

具體實施方式

為使本發明的目的、內容、和優點更加清楚，下面結合實施例，對本發明的具體實施方式作進一步詳細描述。

對于復雜電子設備，可以設為自定義的一些電子設備。

本發明實施例的復雜電子設備故障預測的方法包括以下步驟：首先利用差別矩陣的屬性約簡方法建立復雜電子設備最小故障診斷特征子集，并對屬性樣本進行歸一化處理；然后根據改進的遺傳算法獲得最佳神經元初始權值和閾值；對BP神經網絡進行改進，動態調整學習速率，并用改進后的訓練算法訓練網絡的連接強度；最后對預測的故障樣本進行反歸一化處理，得到復雜電子設備的故障樣本的預測值。該方法具體包括以下步驟：

S₁：將采集得到的復雜電子設備的原始數據通過特征提取獲得每一個故障對應的所有故障征兆，選取能體現復雜電子設備狀況的特征參數作為條件屬性，發生故障的類型作為決策屬性。對復雜電子設備的條件屬性和決策屬性進行編碼，建立復雜電子設備的決策表T。

假設C是復雜電子設備的條件屬性(是決策表T的差別矩陣，是一個n乘以n的方陣)，D是復雜電子設備的決策屬性，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方法如下：(A是屬性約簡后的條件屬性集合，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中的內容復制到集合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變為(C-Q)，將條件屬性集合A中去除集合R后的內容復制到集合B中；

5)對所有的a_k∈B，計算在C中屬性出現次數最多的屬性a_k，并將其添加到集合R中；

6)返回步驟2，直至C為空。

經過上述處理后，集合R就是最后的約簡結果，即復雜電子設備最小故障診斷特征子集。

S₂：輸入樣本歸一化處理

將S1中得到的復雜電子設備最小故障診斷特征子集作為輸入的屬性樣本。則經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個值。前m個值作為BP神經網絡輸入節點的輸入值，后一個作為輸出節點的期望值，見下表1。

S₃：個體編碼：

將所述復雜電子設備最小故障診斷特征子集作為輸入層神經元。復雜電子設備的個體編碼方式選擇實數編碼，每個個體均為一個實數串，由BP神經網絡輸入層與隱含層連接權值、隱含層閾值、隱含層與輸出層連接權值以及輸出層閾值4部分組成。

S₄：建立適應度函數，并計算種群適應度

根據個體得到的BP神經網絡的初始權值和閾值，用訓練數據訓練BP神經網絡后預測復雜電子設備系統輸出，把預測輸出和期望輸出之間的誤差絕對值和作為個體適應度F，計算公式為：

上式中，n為神經網絡輸出節點數，d_l為神經網絡第l個節點的期望輸出，o_l為第l個節點的預測輸出，t為系數，為預設值。

S₅：判斷是否滿足終止條件：

算法終止條件：如果當連續繁殖很多代的最優BP神經網絡權值的適應值沒有變化時，則轉步驟S₉，否則轉步驟S₆。

S₆：選擇算子：

由于操作簡單，傳統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致局部最優而無法進化，另一方面無法體現個體優劣，造成搜索精度不夠。

本發明對傳統遺傳算法的“選擇算子”進行改進，改進后的選擇方式可確保適應度比平均適應度大的一些個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S₂得到的BP神經網絡的權值的數目為N，每個權值的適應度為F_s(s＝1,2,…,N)，計算BP神經網絡的權值在下一代權值中的期望生存數目

e)用N_s的整數部分確定各個對應BP神經網絡的權值在下一代權值中的生存數目，其中表示取不大于N_s的最大整數，這樣可確定下一代權值中的個權值；

f)以為各個權值新的適應度，用“輪盤賭”選擇算子隨機確定下一代權值中還未確定的個權值。

S₇：

采用自適應交叉率和變異率

本發明使用BP神經網絡權值的適應度值來衡量遺傳算法的收斂情況。對于適應值高的解，取較低的交叉率P_c和變異率P_m，使得該解進入下一代的機會增大；對于適應值低的解，應取較高的交叉率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隨適應值的變化而自適應改變的計算方法。

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

S₈：如果算法執行次數達到了進化次數的上限時群體仍不收斂，則算法停止，否則轉步驟S₄。

S₉：獲取BP神經網絡初始值，計算BP神經網絡誤差

在上述遺傳算法中，以BP神經網絡誤差最小作為進化準則，經過多次迭代操作，最后獲得一組權值和閾值，該組值是遺傳算法所能遍歷的值中網絡誤差最小的，作為BP神經網絡的初始值。

設BP神經網絡中每一個樣本p的輸入輸出模式的二次型誤差函數定義為：

系統的平均誤差代價函數為：

上式(5)和(6)中，P為訓練樣本的數量，L為BP神經網絡輸出層的神經元數，d_pk為BP神經網絡輸出層節點的期望輸出，O_pk為BP神經網絡輸出層節點的實際輸出。

S₁₀：動態調整學習速率：

若BP神經網絡訓練初期的功效較好的學習率，對后來的訓練未必合適，因此，本發明對BP神經網絡學習算法進行改進，采用動態調整學習速率的方法，使得BP神經網絡的實際輸出盡可能地接近期望輸出，增加了學習算法的可靠性，縮短了BP神經網絡的訓練時間。

選取BP神經網絡輸出層節點的實際輸出和期望輸出的平均絕對誤差e₁及其變化率e₂兩個變量：

e₂＝e₁(t)-e₁(t-1) (8)

其中，e₁(t)和e₁(t-1)表示第t和t-1時的平均絕對值誤差。

學習速率η的表達式為：

η＝f₁(e₁)+f₂(e₂) (9)

其中：

k₁和k₂為比例因子，調整f₁和f₂的比例；b₁和b₂為權重因子，修正f₁和f₂的權重。k₁、k₂和b₁、b₂的值需根據實際需要和反復實驗確定。

S₁₁：修改BP神經網絡的權值：

設BP神經網絡有r個輸入節點，輸出層有v個輸出節點，隱含層有q個節點，ω_gh是輸入層和隱含層節點之間的連接權值，ω_hu是隱含層和輸出層節點之間的連接權值。

BP神經網絡輸入層的第g個節點的輸入為net_g＝x_g，輸出為O_g＝net_g。

隱含層的第h個節點的輸入為輸出為O_h＝f(net_h)；輸出層的第u個節點的輸入為輸出為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

輸出層權值的調整公式為：

Δω_jk＝ηδ_kO_j (13)

隱含層權值的調整公式為：

Δω_ij＝ηδ_jO_i (14)

S₁₂：判斷是否達到要求的精度：

如果達到了BP神經網絡要求的精度，則執行S₁₃，否則執行S₉。

S₁₃：判斷是否完成訓練次數：

如果完成了訓練的總次數，則保存已訓練的樣本；否則執行S₉。

S₁₄：反歸一化處理得到預測值：

針對上述BP神經網絡訓練后的樣本，利用S₂中的歸一化公式進行反歸一化運算，得到

其中表示復雜電子設備故障樣本的預測值。

上述方法能夠減少神經網絡輸入層個數，簡化神經網絡結構，提高神經網絡泛化能力，減少了神經網絡的訓練時間；同時，利用遺傳算法的快速學習網絡權值得能力，擺脫了神經網絡容易陷入極小點的困擾，并加快了收斂速度。

以上所述僅是本發明的優選實施方式，應當指出，對于本技術領域的普通技術人員來說，在不脫離本發明技術原理的前提下，還可以做出若干改進和變形，這些改進和變形也應視為本發明的保護范圍。