基于粗糙集与BP神经网络的泵的故障诊断方法与流程

技术特征：

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POS_C(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POS_C∪{p}(D)中包含的训练样本个数；

步骤3：选择使POS_R∪{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POS_R∪{p}(D)中包含的训练样本个数等于POS_C(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：

$p=\sqrt{0.43r^2+0.12s^2+2.54r+0.77s}+0.51$

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。