复杂过程具有多样性的特点,大量的无关属性使得多故障体系非线性特征明显。不同的故障间互相关联、紧密耦合,导致故障征兆高维稀疏、不易量化、难以区分,传统的智能故障诊断方法难以发现多故障征兆间的线性函数关系。针对该问题,开展基于高维征兆数据分析的多故障体系空间和实体识别鉴定的研究。将多故障诊断视为一种不确定性因果关联表现,以征兆的空间距离、概率、趋势、分布、对象组相似度等参数作为多故障体系的数量定性指标,利用类比、学习、自组织等技术手段,使用联合聚类、非线性映射、目标优化、子空间映射等方法,将高维征兆矢量这类不确定数据在未知的知识范围内进行合理的聚类分析,实现高维征兆数据在较低维中的表征,同时使用映射聚类发现有效离群点,确保多故障诊断结果能完整的位于形成的一个类群之中,建立起具有自学习、自适应、和不确定性问题处理能力的多故障诊断方法。
英文主题词multiple fault diagnosis;cluster analysis;high dimensional data;data-driven;pattern classification