机器学习.docx
- 文档编号:9392117
- 上传时间:2023-02-04
- 格式:DOCX
- 页数:13
- 大小:189KB
机器学习.docx
《机器学习.docx》由会员分享,可在线阅读,更多相关《机器学习.docx(13页珍藏版)》请在冰豆网上搜索。
机器学习
1智能诊断系统学习机制概论
1.1学习的概念
智能诊断系统的学习,是对特定目标(如诊断对象)的知识获取的智能过程,系统的内部表现为新的知识结构的建立和改进,外部表现为系统诊断性能的改善。
显然,学习的过程是一个诊断信息反馈与智能系统结构及性能改进与优化的过程。
学习的过程也是一个智能诊断系统适应不断变化的外部环境因素的过程。
1.2学习系统
为使智能诊断系统具有学习能力,使之通过学习增长知识,提高诊断能力,就必须建立相应的学习子系统。
学习子系统在与环境相互作用时,能够利用其过去与环境作用是得到的信息,并由此提高系统的性能。
学习系统应具有适当的学习环境,具有相应的学习能力,能用所学的知识解决问题,能提高系统的诊断能力。
典型的学习系统至少包括环境、知识库、学习环节与执行环节(如图1所示)。
图1智能诊断系统学习模型
智能诊断系统的环境就是考察对象和外界条件,即症状与相关的信息。
环境提供给系统的信息水平与质量对学习系统影响较大。
学习环节是系统的学习机构,是学习的核心。
它通过对环境的搜索取得外部信息,然后经分析、综合、类比、推理等思维过程获得知识,并将这些知识送入知识库中,供执行环节使用。
知识库的设计应注意选择知识表示的形式,要考虑到知识的可表达性、推理难度、可修改性、可扩充性等基本要求。
执行环节用于智能诊断,并在有关人员的参与下评价诊断的正确性,同时完成信息的反馈。
1.2学习的类型
智能诊断系统的学习主要是机械学习(RoteLearning)、讲授学习(LearningfromInstruction)、演绎学习(DeductiveLearning)、解释学习(Explanation-basedLearning)、类比学习(LearningbyAnalogy)、归纳学习(InductiveLearning)等。
机械学习是最简单的学习方法,它不需要推理,而是由教师向系统提供被记忆的信息,并用这些信息指导系统的故障诊断活动。
讲授学习是由外部给诊断系统提供抽象的、一般化的信息,经学习系统选择和改造,把新的信息与系统原有的知识融为一体。
这是一个实用化转换过程,一般由咨询、解释、实用化、归并与评价等步骤构成。
演绎学习是一种常规的逻辑推理方法,主要包括知识改造、知识编译、生成宏操作、保持等价操作等步骤。
解释学习利用问题求解的实例,依赖领域知识构造出求解过程的因果解释结构,并获取相应的知识,为以后类似问题求解提供指导。
学习的过程包括产生解释与对解释结构和事例进行概括两个步骤。
类比学习通过对不同论与的描述进行匹配,确定公共的子结构,并以此为基础作类比映射。
归纳学习是由教师或环境提供某种概念的若干例子,学生利用归纳推理将这些例子推广,产生该概念的一般描述。
归纳学习分为实例学习(LearningfromExamples)和观察与发现学习(LearningfromObservationandDiscovery)两类。
实例学习由教师提供某种概念的正例集合与反例集合,通过归纳推理产生覆盖所有正例并排除所有反例的该概念的一般描述。
观察与发现学习是由环境提供一组观察事例,学生构成一个一般的概念描述(即理论)来覆盖所有或大多数实例,这是一种无导师学习。
此外,智能诊断系统还可通过神经网络进行学习。
2一种基于统计结果的模糊评判系统学习方法
2.1故障模糊综合评判的途径
由于设备故障—症状因果关系的交错性、重叠性和随机性,一个症状往往对应多个可能的故障,一个故障发生时,也有多个症状出现。
模糊评判常用于评判各故障可能性的大小,其一般表达式为:
式中
为故障集;
为症状集,xj的取值范围是0或1,症状出现即为1,否则为0。
为关系密切系数,
为模糊算子。
yi越大则它所代表的故障的可能性也越大,
相关。
R建立之初,其中不可避免地含有不切实际的成分或主观成分,为使评判式得出的结论更加符合实际,就必须通过学习不断修正R。
本文提出一种基于故障--症状实际关系的学习方法可达到之一目的。
其基本过程是:
根据经验或统计数据初步确定故障--症状关系密切系数矩阵R中个元素rij的初值。
每次系统出现异常时,用模糊系统进行评判,求出目前症状组对应的故障及可能性大小。
根据评判结论找到实际的故障,求出其实际的故障--症状因果关系r。
将对象实际的因果关系r的数据加入到R中去,由此对R进行修正。
2.2模糊系统的构建
设tij为由初步统计得出的症状xj出现且故障yi也出现的次数,由此得到矩阵T0。
故障yi出现的总次数是tyi
则Ty=(ty1,ty2,。
。
。
,tyn),tyi
症状xj故出现的总次数是txj
则Tx=(tx1,tx2,。
。
。
,txm),txj
设故障yi出现的前提下症状xj出现的概率为p(xj/yi),
则p(x/yi)为(ti1/tyi,ti2/tyi,...,tim/tyi),
p(x/y)=
对于故障yi来说,(ti1/tyi,ti2/tyi,...,tim/tyi)中较大者所对应的症状与它的关系更加密切。
(ti1/tyi,ti2/tyi,...,tim/tyi)中各元素最大值是1,它表明故障yi每次出现时,症状xj都会出现;最小值是0,它表明症状xj与故障yi无关。
设症状xj出现的前提下故障yi出现的概率为p(yi/xj),
则p(y/xj)为(ti1/txj,ti2/txj,...,tim/txj),
p((y/xj)=
对于症状xj来说,(ti1/txj,ti2/txj,...,tim/txj)中较大者所对应的故障与它的关系更加密切。
(ti1/txj,ti2/txj,...,tim/txj)中各元素最大值是1,它表明症状xj每次出现时,故障yi都会出现;最小值是0,它表明症状xj与故障yi无关。
R’中i行代表故障yi与各症状的关系密切程度,R’’中j列代表症状xj与各故障的关系密切程度。
如果以R’作为X与Y的关系密切系数矩阵,是从故障的角度来考察问题,评判的准则是:
当故障yi出现的同时经常出现症状xj(根据纪录与统计);
症状xj在此次评判中出现了;
则故障yi发生的可能性大。
如果以R”作为X与Y的关系密切系数矩阵,是从症状的角度来考察问题,评判的准则是:
当症状xj出现的同时经常出现故障yi(根据纪录与统计);
症状xj在此次评判中出现了;
则故障yi发生的可能性大。
这两种评判方法得到的结果经常是不一致的。
例如,在液压系统中,液压泵发生故障时经常出现压力下降的症状,但压力下降的原因主要是调压系统故障。
因此,需要统筹、全面地考察问题,评判的准则应该是:
当故障yi出现的同时经常出现症状xj,且当症状xj出现的同时经常出现故障yi;
症状xj在此次评判中出现了;
则故障yi发生的可能性大。
为了实现这一目的,可将R’与R”中对应的元素相乘,构成矩阵R。
故在R中
2.3关系密切系数矩阵R的学习
由于关系密切系数矩阵R是根据一些初步的、不太完整甚至是假定的数据建立起来的,因此它不可能很精确,需要用系统实际故障诊断过程中得出的故障-症状因果关系对其进行修正。
学习的过程如下:
用R对系统实际出现的症状
进行评判,计算出
。
根据Y中各yi的大小,按顺序进一步检查系统,确定故障(找到yi)。
在Ty=(ty1,ty2,。
。
。
,tyn)中,yi对应的tyi,加1;在Tx=(tx1,tx2,。
。
。
,txm)中,此次诊断中出现的xj所对应的txj均加1;在矩阵T里,yi对应的ti行中,此次诊断中出现的xj所对应的tij均加1。
用修改过的Ty=(ty1,ty2,。
。
。
,tyn),Tx=(tx1,tx2,。
。
。
,txm),矩阵T,运用式9-1、9-2计算出新的R’与R”,并最终计算出关系密切系数矩阵R。
每次故障发生和诊断之后都作上述运算,R将逐步精确起来,因为它将实际的故障-症状的对应关系融合进来了。
这种学习方法有充分的事实根据,简洁且易于实现,值得现场推广使用,在同类系统较多的地方则更加适用。
如果系统出现了新的故障与症状,只要把相关的数据输入,也可方便地修正评判系统。
2.4程序实现
症状、故障信息以及两者相互对应发生的次数已经存在于知识库,可以直接从知识库中调出。
由于R、R’、R’’都是矩阵,所以在程序实现的时候,采用动态二维数组来处理,只在程序初始化时,将数据库中的值赋予数组和在运算结束时将结果更新到数据库,其它中间运算都是针对数组进行。
这样可以提高计算效率。
程序流程图如下:
2.4程序界面
初始矩阵界面
学习后矩阵界面
2.4电液伺服阀模糊综合评判诊断系统学习的实例
现以珠钢CSP轧机AGC控制装置D761-2716AS63JOGMGUPL型电液伺服阀力矩马达部分模糊故障诊断系统为例,进一步探讨此类系统的学习方法。
这种阀由Moog公司提供,广泛应用于钢铁冶金液压控制系统。
如珠钢CSP液压系统在AGC、CVC等控制回路中就采用了这种阀。
阀主要特点是:
双喷咀挡板,力反馈,两级电液伺服控制;
干式、桥型、永磁式力矩马达,弹簧管支承;
喷咀压合在一级座内,工作可靠,力矩马达及喷咀挡板级为分离的独立部件,调试方便;
三凸肩四通滑阀,铝合金壳体,有阀套,阀套与壳体采用橡胶圈密封,加工性能好;
反馈杆端部小球与杆部为一整体,利于反馈。
阀的总体特点是:
工作稳定可靠,静态精度较高,动态频响范围宽(达80Hz)。
系统的主要故障如下:
y1线圈匝间短路
y2衔铁卡住
y3气隙中有赃物
y4导磁体螺钉松动
y5紧固件松动
y6放大器零点与机械零点不重合
y7弹簧管疲劳
y8反馈杆球头磨损或损坏
系统的主要症状如下:
x1零点偏移电流增大
x2零点不稳定
x3控制电流I下降
x4控制电流I存在但系统不工作
x5系统位移工作受限
x6系统不稳定
设由初步统计及相关资料[]得出的矩阵T0、Ty=(ty1,ty2,。
。
。
,tyn)、Tx=(tx1,tx2,。
。
。
,txm)如下:
由此计算出R’与R”,并最后计算关系密切系数矩阵R0如下:
R0=
实际故障诊断中,出现的症状是零点偏移电流增大与系统不稳定(症状x1与x6出现),用R0进行评判,得YT=(0.12,0,0,0.170,0.195,0.146,0.049,0.632),得到的故障结论是反馈杆球头磨损(y8成立)。
用x1与x6对应y8这一结论对R0进行修正,则矩阵T、Ty=(ty1,ty2,。
。
。
,tyn)、Tx=(tx1,tx2,。
。
。
,txm)等变为:
由此计算R’与R”,并最后计算出R1。
R1=
比较R1与R0,可发现x1与x6对应y8的关系密切系数r81与r86相对增大,分别由0.268与0.364增至0.286与0.416,与此同时其他一些关系密切系数(位于第1列与第8行)有所减小。
由此可见症状与故障同时出现的次数越多,它们之间的关系密切系数也相对大。
显然,,在一定的条件下,也可用R’或R”作关系密切系数矩阵直接进行模糊评判,此时也能进行上述的学习与修改。
3基于实例的故障诊断专家系统的学习方法
3.1概述
故障诊断专家系统的学习能力与神经网络比相对弱一些,如果能合理地安排便于信息交流的人机界面,能巧妙地设计相关的程序,能充分地利用相关的数据库技术,使专家系统具有一定程度的学习能力也是可以实现的。
事实上,无论是神经网络还使专家系统,其学习的原理都是将计算出(或推出)的结论与对象的实际状况作对比,找出其中的误差,再将误差输入到系统中,依此对系统进行修正。
这个修正与调整(亦即学习过程)过程,是一个信息反馈、系统改进与优化、以及适应环境变化的过程。
专家系统故障诊断过程与结论的误差源自于推理错误和判断错误。
对推理错误的改正是通过对有关专家知识(推理规则)的修改来实现的。
对判断错误的改正是通过对有关的阈值的修改来实现的。
专家系统的学习主要是机械学习。
3.2基于实例的专家知识与推理过程的学习
基于实例的学习是以实际发生的故障与当时出现的症状及相关信息来修改原推理知识的。
它是建立在故障与症状关系的相似性(即同一故障对应相似的症状)基础之上的。
在故障诊断专家系统中,推理的规则可表示为:
IfX1thenYn
此处X为症状或相关的信息,Yn为根据X推出的故障结论。
在多数情况下,X为一组信息,即X=x1andx2and…andxn
因此,推理规则可表示为:
Ifx1andx2and…andxnthenYn
在建立专家推理知识库的初始阶段,由于条件的限制和数据的缺乏,信息组X可能不一定完全正确,需要在实际应用的过程中修改。
假设在某次故障诊断中发现,当故障Yn发生时,出现的信息组并不是X1,而是X2=x21andx22and…andx2K,X2中有部分元素与X1相同,又有部分不同。
这时可将信息组X2出现对应于Yn出现这一关系当作一个案例,形成专家知识自动存入专家知识库,以便在今后的故障诊断中遇到信息组X2出现时刻很快地推断出Yn发生。
由于新的知识加入,推理规则改变为:
IfX1orX2thenYn
在今后的故障诊断中,如果发现Yn对应新的信息组,仍可按照上述方法将其纳入推理式,推理规则改变为:
IfX1orX2orX3…thenYn
如果在长期的故障诊断中,推理式的某信息组一直没再出现过,可将其从推理式中移出,以便简化推理式。
当规则的信息组增加到一定程度以后,还可以进一步进行优化学习。
优化学习可通过归纳推理的方式进行。
在“IfX1orX2orX3…thenYn”规则中,对于任一个信息组Xi,其中包含两部分信息,一部分是各信息组均含有的信息Xi
(1)=X’,一部分是其他信息组所没有的信息Xi
(2),这时,规则可修正为
IfX’thenYn
将规则“IfX1orX2orX3…thenYn”改为“IfX’thenYn”是有条件的,即:
诊断系统的规则库中,不存在规则“IfX’thenYm”(Ym≠Yn)。
基于实例的学习方法,依赖诊断结果数据的纪录,它是从事实库中取数据进入知识库相关规则的。
经不断学习,专家系统的推理规则将逐步地正确与精确。
4小结
在模糊评判系统中,由于关系密切系数矩阵R是根据一些初步的、不太完整甚至是假定的数据建立起来的,因此它不可能很精确,需要用系统实际故障诊断过程中得出的故障-症状因果关系对其进行修正。
为了实现综合评判,可将R’与R”中对应的元素相乘,构成矩阵R。
学习的过程是一个由人、诊断对象、智能诊断系统构成的闭环信息反馈系统。
其过程如图9-6所示。
图9-6智能诊断系统的学习过程
- 配套讲稿:
如PPT文件的首页显示word图标,表示该PPT已包含配套word讲稿。双击word图标可打开word文档。
- 特殊限制:
部分文档作品中含有的国旗、国徽等图片,仅作为作品整体效果示例展示,禁止商用。设计者仅对作品中独创性部分享有著作权。
- 关 键 词:
- 机器 学习
![提示](https://static.bdocx.com/images/bang_tan.gif)