基于证据理论的模糊kNN分类方法及其在故障诊断中的应用研究

摘要

随着现代经济的快速发展,现代工业规模的不断扩大,工业过程的复杂性不断提高,导致现代系统越来越复杂。基于复杂系统的精确模型很难获得,而获得系统正常以及各种故障状态下的历史数据相对比较容易这一现状,本文对基于数据驱动的故障诊断方法主要是机器学习方法中的k近邻(knearestneighbor,kNN)分类器方法进行了研究。
　　kNN是常用的机器学习方法之一。作为一种理论完善并且不需要训练的分类方法,kNN具有分类简单并且分类正确率较高的优势。本文在研究分析kNN以及各种改进kNN分类方法优缺点的基础上,进一步完善kNN分类算法并将其应用于故障诊断。主要工作如下:
　　(1)研究分析了kNN算法,并对kNN及其主要的改进方法模糊kNN和证据kNN算法进行了系统的分析比较,总结这些算法的优缺点。
　　(2)提出了基于模糊一证据融合的kNN分类算法。针对kNN、模糊kNN和证据kNN算法所存在两个主要问题,即它们均无法区别各个特征的重要程度,以及在对k个邻居的信息进行利用时,没有考虑不同邻居到样本类中心的距离不同带来的影响,提出了模糊-证据kNN算法,采用加权欧式距离选取邻居,其中每一个特征的权重是根据它的模糊熵值来确定。对样本进行模糊化,并将其看作概率,基于概率熵来度量样本的模糊性从而区分邻居的模糊程度。所提方法解决了上述两个主要问题。
　　(3)提出了基于证据理论的优化集成分类器融合方法。针对多分类器融合系统中,各个分类器的权值确定问题,提出一种权值优化学习方法,将训练集样本输入到多分类器系统得到输出向量;然后,依据输出向量与训练集样本的所属类别向量之间的距离作为误差,在最小均方误差准则下通过优化学习得到最优的权值。
　　(4)所提分类器算法和多分类器融合方法均通过LICI标准数据集以及电动执行器故障实验平台验证了有效性。