1.一种基于粗糙集与BP神经网络的泵的故障诊断方法,其特征在于,包括以下步骤:搜集基准的训练样本特征数据,得到对应约简后的决策表,建立BP神经网络模型;将待诊断的训练样本特征数据,得到对应约简后的决策表,输入到所述BP神经网络模型,进行故障诊断。
2.根据权利要求1所述的基于粗糙集与BP神经网络的泵的故障诊断方法,其特征在于,所述得到对应约简后的决策表包括以下步骤:
步骤1:搜集基准的训练样本泵功图并对其进行二值化处理,得到训练样本泵功图曲线;
步骤2:根据训练样本泵功图曲线形成对应的网格特征向量;
步骤3:通过对不同训练样本泵功图的网格特征向量进行比较,得出不同工况条件的条件属性和决策属性,建立决策表;
步骤4:对决策表进行约简,得到约简后的决策表。
3.根据权利要求2所述的基于粗糙集与BP神经网络的泵的故障诊断方法,其特征在于:所述形成对应的网格特征向量的过程为:将训练样本泵功图曲线分成m×n个网格,其中m=2n,将训练样本泵功图曲线边界穿越的网格赋值为“1”,未穿过的网格赋值为“0”,并将边界内部所有网眼都赋值为“1”,得到了网格特征向量。
4.根据权利要求2所述的基于粗糙集与BP神经网络的泵的故障诊断方法,其特征在于:所述对决策表进行约简包括以下过程:
步骤1:计算D的C正域POSC(D)中包含训练样本的个数,其中C为条件属性,D为决策属性;
步骤2:令R=φ,φ为空集,对C\R中的每个属性P,分别计算POSC∪{p}(D)中包含的训练样本个数;
步骤3:选择使POSR∪{p}(D)中包含训练样本个数最多的属性,记P', R=R∪{P'};
步骤4:若POSR∪{p}(D)中包含的训练样本个数等于POSC(D)中包含的训练样本个数,则输出最小故障诊断特征子集,即为约简后的决策表,否则返回步骤1。
5.根据权利要求1所述的基于粗糙集与BP神经网络的泵的故障诊断方法,其特征在于:所述建立BP神经网络模型包括以下过程:
步骤1:权值和阀值的初始化,将BP神经网络各层之间的初始权值和阀值随机的赋以[0,1]区间的值;
步骤2:将基准的训练样本的约简决策表,作为BP神经网络的输入向量;
步骤3:根据经验公式确定BP神经网络结构:
其中,P为隐藏节点数,r为输入层节点数,s为输出层节点数;
步骤4:通过Sigmoid函数计算隐含节点间的权重矩阵以及BP神经网络的输出,完成BP神经网络模型建立。
6.根据权利要求1~5任一项所述的基于粗糙集与BP神经网络的泵的故障诊断方法,其特征在于:所述训练样本包括如下工况:正常工作、气体影响、供液不足、抽油杆断脱、油稠、游动凡尔漏失、泵上碰、泵下碰、固定凡尔漏失、柱塞脱出工作筒、气锁、双凡尔漏失、卡泵、油井出砂、结蜡。