本发明涉及计算机技术领域，具体涉及一种概率神经网络创建方法、故障诊断方法及装置、存储介质。
背景技术：
故障预测与健康管理(prognosticandhealthmanagement，phm)是利用各类先进传感器实时监测装备运行状态参数及特征信号，借助智能算法和模型来评估装备健康状态，预测剩余使用寿命，诊断故障类型并在故障发生前提供一系列的故障维修决策的系统。phm技术是由先进的诊断技术、测试技术装备维修管理理论相结合的产物。装备使用人员与维修人员借助该项技术的故障诊断能力来识别故障类型，从而采取有效的维修方式，有效降低故障风险，节约装备资源，减少因装备故障误诊带来的经济损失。
目前，phm技术对于实施装备故障诊断的方法主要有：基于专家系统故障诊断方法，基于实例的诊断方法，基于故障树的诊断方法，基于人工神经网络故障诊断方法。基于专家系统故障诊断方法的缺陷在于：该方法存在知识经验获取的瓶颈，对于复杂系统所对应的症状之间的联系难以给予清楚的解释，此方法通常适用于单一故障诊断，难以用于多故障并存情况下的诊断；基于实例的诊断方法的缺陷在于：它是一种根据过去经验实例指导解决新问题的一种方法，能够搜索到的问题解决实例是有限的，不能覆盖搜索整个有解空间，可能会漏掉最优解。基于故障树的诊断方法的缺陷在于：不能诊断不可预知的故障，严重依赖于故障树信息的完整度。相比于上述几种方法，基于人工神经网络的故障诊断方法的优点在于：它有很强的非线性问题处理能力，以及分布式信息储存，并行处理，自适应学习等优点。
然而，目前已经实现的人工神经网络故障诊断缺陷在于：学习速度慢，简单的问题要学习上百次甚至上千次才能够收敛；容易陷入局部最优化，对于推断能力十分有限，网络模型参数易选取不当。
技术实现要素：
为了解决上述技术问题，本发明提供了一种概率神经网络创建方法、故障诊断方法及装置、存储介质，能够加快学习速度并有效避免陷入局部最优。
为了达到本发明目的，本发明实施例的技术方案是这样实现的：
本发明实施例提供了一种概率神经网络创建方法，包括：
输入训练数据以及相对应的训练标签矩阵，生成概率神经网络模型的训练参数，所述训练参数为训练数据的属性概率矩阵；
计算输入测试数据的属性概率矩阵，将输入训练数据和输入测试数据的属性概率矩阵相乘，得到输入训练数据和输入测试数据的联合概率矩阵，根据联合概率矩阵和训练标签矩阵计算各类别的求和概率；
根据计算得出的各类别的求和概率，对输入测试数据进行分类判别，并获得所创建的概率神经网络的分类准确度。
进一步地，所述生成概率神经网络模型的训练参数，包括：
根据所述输入训练数据traindata生成所述输入训练数据的属性概率矩阵wtrain：
根据所述输入训练数据traindata生成所述输入训练数据的训练标签矩阵b，其中b为m*c的矩阵，c为训练标签类别数目，所述标记训练标签矩阵b中每个训练样本序号所对应的标签类别值被标记为1。
进一步地，所述根据联合概率矩阵和训练标签矩阵计算各类别的求和概率，包括：
根据所述输入训练数据的训练标签矩阵bmj生成每类联合概率对应的标签标记矩阵d：d＝bmj*i1，其中，d为m*p的单位矩阵，p为输入测试数据的样本数目，bmj为第j类类别的训练标签矩阵，j为1至c之间的自然数，i1为1*p的单位矩阵；
计算各类别的求和概率cp：
本发明实施例还提供了一种存储介质，其特征在于，所述存储介质上存储有一个或者多个程序，所述一个或者多个程序可被一个或者多个处理器执行，以实现如以上任一项所述的概率神经网络创建方法的步骤。
本发明实施例还提供了一种故障诊断方法，包括：
获取各故障类别的传感器采集信号样本，对所述样本经过信号处理得到特征数据，将得到的特征数据划分为输入训练数据和输入测试数据；
根据输入训练数据以及相对应的训练标签矩阵，生成概率神经网络模型的训练参数，所述训练参数为训练数据的属性概率矩阵；
计算输入测试数据的属性概率矩阵，将输入训练数据和输入测试数据的属性概率矩阵相乘，得到输入训练数据和输入测试数据的联合概率矩阵，根据联合概率矩阵和训练标签矩阵计算各故障类别的求和概率；
根据计算出的各故障类别的求和概率，对输入测试数据进行分类判别，并获得所创建的概率神经网络的分类准确度；
利用创建的概率神经网络对待诊断的传感器采集信号的特征数据进行故障诊断。
进一步地，在将得到的特征数据划分为输入训练数据和输入测试数据之前，所述方法还包括：
对所述得到的特征数据进行加入白化处理的主要成分分析。
本发明实施例还提供了一种存储介质，所述存储介质上存储有一个或者多个程序，所述一个或者多个程序可被一个或者多个处理器执行，以实现如以上任一项所述的故障诊断方法的步骤。
本发明实施例还提供了一种概率神经网络创建装置，包括输入单元、样本单元、求和单元和竞争单元，其中：
输入单元，用于输入训练数据以及相对应的训练标签矩阵，并输入测试数据；
样本单元，用于根据输入训练数据以及相对应的训练标签矩阵生成概率神经网络模型的训练参数，所述训练参数为输入训练数据的属性概率矩阵；计算输入测试数据的属性概率矩阵，将输入训练数据和输入测试数据的属性概率矩阵相乘，得到输入训练数据和输入测试数据的联合概率矩阵；
求和单元，用于根据联合概率矩阵和训练标签矩阵计算各类别的求和概率；
竞争单元，用于根据计算出的各类别的求和概率，得到输入测试数据被判别出的分类类别。
本发明实施例还提供了一种包括如上所述的概率神经网络创建装置的故障诊断装置，所述故障诊断装置还包括特征提取单元、划分单元、准确度评估单元和故障诊断单元，其中：
特征提取单元，用于获取各故障类别的传感器采集信号样本，对所述样本经过信号处理得到特征数据；
划分单元，用于将得到的特征数据划分为输入所述概率神经网络创建装置的输入训练数据和输入测试数据；
准确度评估单元，用于计算所创建的概率神经网络的分类准确度；
故障诊断单元，用于利用所述概率神经网络创建装置创建的概率神经网络对待诊断的传感器采集信号的特征数据进行故障诊断。
本发明的技术方案，具有如下有益效果：
本发明提供的概率神经网络创建方法、故障诊断方法及装置、存储介质，通过以输入训练数据的属性概率矩阵为训练参数，加快了学习速度，有效避免了陷入局部最优，并有较强的推断能力，有效避免了网络参数选取不当的问题，对于装备的故障诊断有很高的检测准确率。
附图说明
此处所说明的附图用来提供对本发明的进一步理解，构成本申请的一部分，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。在附图中：
图1为本发明实施例的一种创建概率神经网络的方法的流程示意图；
图2为本发明实施例创建的概率神经网络的分层结构示意图；
图3为本发明实施例的一种故障诊断方法的流程示意图；
图4为本发明实施例的对得到的特征数据进行加入白化处理的主要成分分析的流程示意图；
图5为本发明实施例的一种创建概率神经网络的装置的结构示意图；
图6为本发明实施例的一种故障诊断装置的结构示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚明白，下文中将结合附图对本发明的实施例进行详细说明。需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互任意组合。
如图1所示，根据本发明的一种创建概率神经网络的方法，包括如下步骤：
步骤101：输入训练数据以及相对应的训练标签矩阵，生成概率神经网络模型的训练参数，所述训练参数为训练数据的属性概率矩阵；
需要说明的是，如图2所示，所创建的概率神经网络分为四层，包括：输入层，样本层，求和层，竞争层。其中，各层的作用分别为：
输入层，用于接受输入数据；
样本层，用于数据的收集整理；
求和层，用于判断数据的类别；
竞争层，用于类别判断的结果数据输出。
进一步地，所述生成概率神经网络模型的训练参数，包括：
根据所述输入训练数据traindata生成所述输入训练数据的属性概率矩阵wtrain：
根据所述输入训练数据traindata生成所述输入训练数据的训练标签矩阵b，其中b为m*c的矩阵，c为训练标签类别数目，所述标记训练标签矩阵b中每个训练样本序号所对应的标签类别值被标记为1。
步骤102：计算输入测试数据的属性概率矩阵，将输入训练数据和输入测试数据的属性概率矩阵相乘，得到输入训练数据和输入测试数据的联合概率矩阵，根据联合概率矩阵和训练标签矩阵计算各类别的求和概率；
具体地，所述计算输入测试数据的属性概率矩阵wtest为：
其中，输入测试数据testdata为p*n的矩阵，p为输入测试数据的样本数目，n为特征属性个数；im是大小为m*1的单位矩阵，wtest为概率神经网络生成的输入测试数据的n*p的属性概率矩阵，wtest中的每个值代表的是每个输入样本中的每个属性的概率值。
将输入训练数据和输入测试数据的属性概率矩阵相乘，得到输入训练数据和输入测试数据的联合概率矩阵：
wnew＝(wtrain)t*wtest；
其中wnew是大小为m*p的矩阵，其表示为输入训练数据各样本属性概率与输入测试数据各样本属性概率的联合概率。
进一步地，所述根据联合概率矩阵和训练标签矩阵计算各类别的求和概率，包括：
根据所述输入训练数据的训练标签矩阵bmj生成每类联合概率对应的标签标记矩阵d：d＝bmj*i1，其中，d为m*p的单位矩阵，p为输入测试数据的样本数目，bmj为第j类类别的训练标签矩阵，j为1至c之间的自然数，i1为1*p的单位矩阵；
计算各类别的求和概率cp：
步骤103：根据计算得出的各类别的求和概率，得到输入测试数据被判别出的分类类别，并获得所创建的概率神经网络的分类准确度。
具体地，比较计算出的求和概率值并找出其中的最大值，其最大值所对应的分类类别即为最终该测试数据被判别出的分类类别。
进一步地，利用决策矩阵法获得所创建的概率神经网络的分类准确度。
例如，假设选用轴承加速度的信号采集数据作为原始数据，不同轴承状态包括四种：正常轴承，轴承内环故障、轴承外环故障、轴承滚珠故障。每一个轴承故障类别数据集取相同的样本量，经过概率神经网络的分类得到样本数据所对应的分类结果，假设判别结果矩阵为a，其中，aij表示实际故障类型为第j种，判别故障类型为第i种的个数，在本实例中，i和j均为1至4之间的自然数，则各类故障诊断精确度以及整体检测精确度计算公式如下：
正常检测准确度：
内环故障检测准确度：
外环故障检测准确度：
滚珠故障检测准确度：
整体检测准确度：
在本例中，数据特征参数选取为时域7个不同的特征参数，以及时-频域6个特征参数共计13个特征参数。在本例中，数据集不采用特征选择处理，直接将数据集合按照样本数量4:1的比例将其划分为训练集与测试集，即
在本发明一实施例中，假设平滑参数σ取值为0.01，测试分类结果数量为80。计算各个故障种类的分类结果，实验结果如表1所示：
表1
在本例中，各类故障诊断精确度如下：
正常检测准确度：97.6％
内环故障检测准确度：97.4％
外环故障检测准确度：100％
滚珠故障检测准确度：100％
整体检测准确度：98.75％
经检测该，phm概率神经网络算法对于本实施例中的故障数据诊断正确率为98.75％。
各模型在相同样本下的诊断结果统计和比较，如表2：
表2
根据各类模型在相同数据下轴承故障诊断检测准确度的比较下，概率神经网络模型相比于另外两种模型在故障诊断分类效果更佳。
本发明还公开了一种存储介质，所述存储介质上存储有一个或者多个程序，所述一个或者多个程序可被一个或者多个处理器执行，以实现如以上任一项所述的概率神经网络创建方法的步骤。
如图3所示，根据本发明的一种故障诊断方法，包括如下步骤：
步骤301：获取各故障类别的传感器采集信号样本，对所述样本经过信号处理得到特征数据(这里使用信号处理中的特定的特征提取方法得到均方根，波峰因子，脉冲因子等特征组成的特征数据)，将得到的特征数据划分为输入训练数据和输入测试数据；
在本发明一实施例中，选用轴承加速度的传感器采集信号作为原始数据，将不同的轴承状态分类为：正常轴承，轴承内环故障、轴承外环故障、轴承滚珠故障。因此，将获取的原始数据分为正常轴承数据集，轴承内环故障数据集、轴承外环故障数据集、轴承滚珠故障数据集，(原始数据集中含有上述四种数据集)每一个轴承故障类别数据集取相同的样本量。
以上四种轴承数据集合经过信号处理后的特征提取得到时域，时-频域特征参数数据。其中时域特征参数包括：均方根、歪度因子、峭度因子、波峰因子、裕度因子、波形因子、脉冲因子。时-频域特征参数为：信号经过经验模态分解得出的imf本征模函数值。
根据上述特征参数数据组建成用于诊断的数据集。
进一步地，在将得到的特征数据划分为输入训练数据和输入测试数据之前，所述方法还包括：
对所述得到的特征数据进行加入白化处理的主要成分分析。
具体地，如图4所述，所述对所述得到的特征数据进行加入白化处理的主要成分分析，具体包括：
计算得到的特征数据矩阵x各列的平均值，将特征数据矩阵x中的每个数值减去该数所在列的列平均值；
计算该特征数据矩阵x的特征协方差矩阵c，采用公式：c＝x*x′；
对计算出的特征协方差矩阵c进行奇异值分解，采用公式：c＝u*d0*u′其中u为酉矩阵，d0为特征值对角矩阵；
计算白化矩阵m，采用公式：
计算白化后的数据矩阵z，采用公式:z＝m*x；
计算该数据矩阵z的特征协方差矩阵c，并求出特征协方差的特征值d与特征向量v；
将特征值的对角矩阵d转换为列向量dn，并将其进行降序排列；
计算列向量特征值总和，并计算累加每次列向量总和与列向量特征值总和的比值，进而与预先设置的信息贡献度h比较大小；
若第k次累加列向量总和与列向量特征值总和大于预先设置的信息贡献度h，则将其所对应的k个特征向量作为新的特征向量；反之，继续增加累加次数，直到累加列向量总和与列向量特征值总和的比值大于预先设置的信息贡献度h；
将输入数据矩阵z投影到新的特征向量上，产生降低维数后的新数据矩阵xnew。
进一步地，所述在将得到的特征数据划分为输入训练数据和输入测试数据时，所述输入训练数据和输入测试数据的分配比例为4:1到2:1之间。
需要说明的是，本发明采用留出法将整个数据集合划分为两个互斥的集合，其中一个集合作为输入训练数据，另外一个作为输入测试数据。在输入训练数据训练出模型参数后，再用输入测试数据来评估其测试误差。若输入训练数据过大接近整个数据集，输入测试数据过小评估结果会不够准确。反之，降低了评估结果的保真性。
步骤302：根据输入训练数据以及相对应的训练标签矩阵，生成概率神经网络模型的训练参数，所述训练参数为训练数据的属性概率矩阵；
需要说明的是，如图2所示，所创建的概率神经网络分为四层，包括：输入层，样本层，求和层，竞争层。其中，各层的作用分别为：
输入层，用于接受输入数据；
样本层，用于数据的收集整理；
求和层，用于判断数据的类别；
竞争层，用于类别判断的结果数据输出。
进一步地，所述生成概率神经网络模型的训练参数，包括：
根据所述输入训练数据traindata生成所述输入训练数据的属性概率矩阵wtrain：
根据所述输入训练数据traindata生成所述输入训练数据的训练标签矩阵b，其中b为m*c的矩阵，c为训练标签类别数目，所述标记训练标签矩阵b中每个训练样本序号所对应的标签类别值被标记为1。
步骤303：计算输入测试数据的属性概率矩阵，将输入训练数据和输入测试数据的属性概率矩阵相乘，得到输入训练数据和输入测试数据的联合概率矩阵，根据联合概率矩阵和训练标签矩阵计算各故障类别的求和概率；
具体地，所述计算输入测试数据的属性概率矩阵wtest为：
其中，输入测试数据testdata为p*n的矩阵，p为输入测试数据的样本数目，n为特征属性个数；im是大小为m*1的单位矩阵，wtest为概率神经网络生成的输入测试数据的n*p的属性概率矩阵，wtest中的每个值代表的是每个输入样本中的每个属性的概率值。
将输入训练数据和输入测试数据的属性概率矩阵相乘，得到输入训练数据和输入测试数据的联合概率矩阵：
wnew＝(wtrain)t*wtest；
其中wnew是大小为m*p的矩阵，其表示为输入训练数据各样本属性概率与输入测试数据各样本属性概率的联合概率。
进一步地，所述根据联合概率矩阵和训练标签矩阵计算各类别的求和概率，包括：
根据所述输入训练数据的训练标签矩阵bmj生成每类联合概率对应的标签标记矩阵d：d＝bmj*i1，其中，d为m*p的单位矩阵，p为输入测试数据的样本数目，bmj为第j类类别的训练标签矩阵，j为1至c之间的自然数，i1为1*p的单位矩阵；
计算各类别的求和概率cp：
步骤304：根据计算出的各类别的求和概率，对输入测试数据进行分类判别，并获得所创建的概率神经网络的分类准确度；
具体地，比较计算出的求和概率值并找出其中的最大值，其最大值所对应的分类类别即为最终该测试数据被判别出的分类类别。
进一步地，利用决策矩阵法获得所创建的概率神经网络的分类准确度。
例如，假设选用轴承加速度的信号采集数据作为原始数据，不同轴承状态包括四种：正常轴承，轴承内环故障、轴承外环故障、轴承滚珠故障。每一个轴承故障类别数据集取相同的样本量，假设判别结果矩阵为a，其中，aij表示实际故障类型为第j种，判别故障类型为第i种的个数，在本实例中，i和j均为1至4之间的自然数，则各类故障诊断精确度以及整体检测精确度计算公式如下：
正常检测准确度：
内环故障检测准确度：
外环故障检测准确度：
滚珠故障检测准确度：
整体检测准确度：
步骤305：利用创建的概率神经网络对待诊断的传感器采集信号的特征数据进行故障诊断。
需要说明的是，至于如何利用创建的概率神经网络对待诊断的传感器采集信号的特征数据进行故障诊断，其具体过程与对所述输入测试数据进行分类类别判别的过程原理相同，此处不再赘述。
在本发明另一实施例中，采用与上述表1实施例相同的实验数据，再划分训练集与测试集前，先将数据进行特征选择。数据集划分比例与实验1相同。平滑参数设置也相同。实验结果如表3：
表3
在本例中，各类故障诊断精确度如下：
正常检测准确度：97.4％
内环故障检测准确度：95％
外环故障检测准确度：100％
滚珠故障检测准确度：97.6％
整体检测准确度：97.5％
经检测该phm概率神经网络算法对于本例中的故障数据诊断正确率为97.5％。
本发明还公开了一种存储介质，所述存储介质上存储有一个或者多个程序，所述一个或者多个程序可被一个或者多个处理器执行，以实现如以上任一项所述的故障诊断方法的步骤。
如图5所示，本发明还公开了一种概率神经网络创建装置，包括输入单元501、样本单元502、求和单元503和竞争单元504，其中：
输入单元501，用于输入训练数据以及相对应的训练标签矩阵，并输入测试数据；
样本单元502，用于根据输入训练数据以及相对应的训练标签矩阵生成概率神经网络模型的训练参数，所述训练参数为输入训练数据的属性概率矩阵阵；计算输入测试数据的属性概率矩阵，将输入训练数据和输入测试数据的属性概率矩阵相乘，得到输入训练数据和输入测试数据的联合概率矩阵；
求和单元503，用于根据联合概率矩阵和训练标签矩阵计算各类别的求和概率；
竞争单元504，用于根据计算出的各类别的求和概率，得到输入测试数据被判别出的分类类别。
进一步地，所述样本单元502的生成概率神经网络模型的训练参数，包括：
根据所述输入训练数据traindata生成所述输入训练数据的属性概率矩阵wtrain：
根据所述输入训练数据traindata生成所述输入训练数据的训练标签矩阵b，其中b为m*c的矩阵，c为训练标签类别数目，所述标记训练标签矩阵b中每个训练样本序号所对应的标签类别值被标记为1。
所述样本单元502的计算输入测试数据的属性概率矩阵wtest为：
其中，输入测试数据testdata为p*n的矩阵，p为输入测试数据的样本数目，n为特征属性个数；im是大小为m*1的单位矩阵，wtest为概率神经网络生成的输入测试数据的n*p的属性概率矩阵，wtest中的每个值代表的是每个输入样本中的每个属性的概率值。
将输入训练数据和输入测试数据的属性概率矩阵相乘，得到输入训练数据和输入测试数据的联合概率矩阵：
wnew＝(wtrain)t*wtest；
其中wnew是大小为m*p的矩阵，其表示为输入训练数据各样本属性概率与输入测试数据各样本属性概率的联合概率。
进一步地，所述求和单元503的根据联合概率矩阵和训练标签矩阵计算各类别的求和概率，包括：
根据所述输入训练数据的训练标签矩阵bmj生成每类联合概率对应的标签标记矩阵d：d＝bmj*i1，其中，d为m*p的单位矩阵，p为输入测试数据的样本数目，bmj为第j类类别的训练标签矩阵，j为1至c之间的自然数，i1为1*p的单位矩阵；
计算各类别的求和概率cp：
需要说明的是，所述竞争单元504比较计算出的求和概率值并找出其中的最大值，其最大值所对应的分类类别即为最终该测试数据被判别出的分类类别。
进一步地，在竞争单元504获得判别分类的结果后，可以利用决策矩阵法获得所创建的概率神经网络的分类准确度。
例如，假设选用轴承加速度的信号采集数据作为原始数据，不同轴承状态包括四种：正常轴承，轴承内环故障、轴承外环故障、轴承滚珠故障。每一个轴承故障类别数据集取相同的样本量，假设判别结果矩阵为a，其中，aij表示实际故障类型为第j种，判别故障类型为第i种的个数，在本实例中，i和j均为1至4之间的自然数，则各类故障诊断精确度以及整体检测精确度计算公式如下：
正常检测准确度：
内环故障检测准确度：
外环故障检测准确度：
滚珠故障检测准确度：
整体检测准确度：
如图6所示，本发明还公开了一种故障诊断装置，包括特征提取单元601、划分单元602、概率神经网络创建单元603、准确度评估单元604和故障诊断单元605，其中：
特征提取单元601，用于获取各故障类别的传感器采集信号样本，对所述样本经过信号处理得到特征数据(这里使用信号处理中的特定的特征提取方法得到均方根，波峰因子，脉冲因子等特征组成的特征数据)；
划分单元602，用于将得到的特征数据划分为输入训练数据和输入测试数据；
概率神经网络创建单元603，用于根据输入训练数据以及相对应的训练标签矩阵，生成概率神经网络模型的训练参数，所述训练参数为训练数据的属性概率矩阵；计算输入测试数据的属性概率矩阵，将输入训练数据和输入测试数据的属性概率矩阵相乘，得到输入训练数据和输入测试数据的联合概率矩阵，根据联合概率矩阵和训练标签矩阵计算各故障类别的求和概率；根据计算出的求和概率，对输入测试数据进行分类判别；
准确度评估单元604，用于计算所创建的概率神经网络的分类准确度；
故障诊断单元605，用于输入测试数据，利用创建的概率神经网络进行故障诊断。
在本发明一实施例中，选用轴承加速度的传感器采集信号作为原始数据，将不同的轴承状态分类为：正常轴承，轴承内环故障、轴承外环故障、轴承滚珠故障。因此，将获取的原始数据分为正常轴承数据集，轴承内环故障数据集、轴承外环故障数据集、轴承滚珠故障数据集，每一个轴承故障类别数据集取相同的样本量。
以上四种轴承数据集合经过信号处理后的特征提取得到时域，时-频域特征参数数据。其中时域特征参数包括：均方根、歪度因子、峭度因子、波峰因子、裕度因子、波形因子、脉冲因子。时-频域特征参数为：信号经过经验模态分解得出的imf本征模函数值。
根据上述特征参数数据组建成用于诊断的数据集。
进一步地，所述特征提取单元601还用于：
对所述得到的特征数据进行加入白化处理的主要成分分析。
具体地，所述特征提取单元601的对所述得到的特征数据进行加入白化处理的主要成分分析，包括：
计算得到的特征数据矩阵x各列的平均值，将特征数据矩阵x中的每个数值减去该数所在列的列平均值；
计算该特征数据矩阵x的特征协方差矩阵c，采用公式：c＝x*x′；
对计算出的特征协方差矩阵c进行奇异值分解，采用公式：c＝u*d0*u′其中u为酉矩阵，d0为特征值对角矩阵；
计算白化矩阵m，采用公式：
计算白化后的数据矩阵z，采用公式:z＝m*x；
计算该数据矩阵z的特征协方差矩阵c，并求出特征协方差的特征值d与特征向量v；
将特征值的对角矩阵d转换为列向量dn，并将其进行降序排列；
计算列向量特征值总和，并计算累加每次列向量总和与列向量特征值总和的比值，进而与预先设置的信息贡献度h比较大小；
若第k次累加列向量总和与列向量特征值总和大于预先设置的信息贡献度h，则将其所对应的k个特征向量作为新的特征向量；反之，继续增加累加次数，直到累加列向量总和与列向量特征值总和的比值大于预先设置的信息贡献度h；
将输入数据矩阵z投影到新的特征向量上，产生降低维数后的新数据矩阵xnew。
进一步地，所述划分单元602在将得到的特征数据划分为输入训练数据和输入测试数据时，所述输入训练数据和输入测试数据的分配比例为4:1到2:1之间。
需要说明的是，本发明采用留出法将整个数据集合划分为两个互斥的集合，其中一个集合作为输入训练数据，另外一个作为输入测试数据。在输入训练数据训练出模型参数后，再用输入测试数据来评估其测试误差。若输入训练数据过大接近整个数据集，输入测试数据过小评估结果会不够准确。反之，降低了评估结果的保真性。
进一步地，所述概率神经网络创建单元603的生成概率神经网络模型的训练参数，包括：
根据所述输入训练数据traindata生成所述输入训练数据的属性概率矩阵wtrain：
根据所述输入训练数据traindata生成所述输入训练数据的训练标签矩阵b，其中b为m*c的矩阵，c为训练标签类别数目，所述标记训练标签矩阵b中每个训练样本序号所对应的标签类别值被标记为1。
所述概率神经网络创建单元603的计算输入测试数据的属性概率矩阵wtest为：
其中，输入测试数据testdata为p*n的矩阵，p为输入测试数据的样本数目，n为特征属性个数；im是大小为m*1的单位矩阵，wtest为概率神经网络生成的输入测试数据的n*p的属性概率矩阵，wtest中的每个值代表的是每个输入样本中的每个属性的概率值。
所述概率神经网络创建单元603将输入训练数据和输入测试数据的属性概率矩阵相乘，得到输入训练数据和输入测试数据的联合概率矩阵：
wnew＝(wtrain)t*wtest；
其中wnew是大小为m*p的矩阵，其表示为输入训练数据各样本属性概率与输入测试数据各样本属性概率的联合概率。
进一步地，所述概率神经网络创建单元603的根据联合概率矩阵和训练标签矩阵计算各类别的求和概率，包括：
根据所述输入训练数据的训练标签矩阵bmj生成每类联合概率对应的标签标记矩阵d：d＝bmj*i1，其中，d为m*p的单位矩阵，p为输入测试数据的样本数目，bmj为第j类类别的训练标签矩阵，j为1至c之间的自然数，i1为1*p的单位矩阵；
计算各类别的求和概率cp：
所述概率神经网络创建单元603比较计算出的求和概率值并找出其中的最大值，其最大值所对应的分类类别即为最终该测试数据被判别出的分类类别。
进一步地，所述准确度评估单元604利用决策矩阵法获得所创建的概率神经网络的分类准确度。
需要说明的是，至于故障诊断单元605如何利用创建的概率神经网络对待诊断的传感器采集信号的特征数据进行故障诊断，其具体过程与所述概率神经网络创建单元603对所述输入测试数据进行分类类别判别的过程原理相同，此处不再赘述。
本领域普通技术人员可以理解上述方法中的全部或部分步骤可通过程序来指令相关硬件完成，所述程序可以存储于计算机可读存储介质中，如只读存储器、磁盘或光盘等。可选地，上述实施例的全部或部分步骤也可以使用一个或多个集成电路来实现，相应地，上述实施例中的各模块/单元可以采用硬件的形式实现，也可以采用软件功能模块的形式实现。本发明不限制于任何特定形式的硬件和软件的结合。
尽管上文对本发明进行了详细说明，但是以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。