基于解释/归纳策略的汽车变速箱新产品故障诊断机器学习方法研究

以不完备领域知识和少量训练样本为起点，通过后期学习过程推理补充新知识，建立与领域知识和累积数据一致的新一般假设，是故障诊断领域的重要问题。基于解释/归纳策略的机器学习方法，是解决该问题的有效途径。问题的焦点在于，在知识获取过程中如何将先验知识最好地融合到新观察到的事物之中。本项目以汽车变速箱新产品故障诊断问题为背景，对此类机器学习问题开展应用基础理论研究，包括：在领域知识引导下获取新知识的方法；在领域知识和训练样本引导下的学习器训练方法；以及以此为基础构建基于解释/归纳学习策略的机器学习模型等。目标旨在保证学习器在知识发现和归纳泛化过程中不脱离已有优良知识的有力控制，满足前期以领域知识为主导、中后期逐渐过渡为结合解释/归纳方式的问题域约束。研究工作将突破现有技术后期学习能力弱、泛化精度低的局限，并为其它具有相似应用目标的问题提供理论和技术基础。

课题在基于解释/归纳学习策略的机器学习模型、知识发现和知识更新、故障特征提取、故障诊断分类器、汽车变速器故障诊断等方面开展了深入的基础理论和方法研究，取得了实质性进展，完成了项目的研究目标和各项指标，取得了预期研究成果。. 课题研究提出了一种基于解释/归纳策略的机器学习模型框架，给出了故障诊断学习推理机模型数据流；针对知识发现和知识更新，构建了一种具有在先验领域知识引导下，基于自适应遗传策略的自动获取新知识能力的知识学习模型，引入了领域知识的表达，引导搜索和进化方向不脱离已有优良知识的控制。针对故障特征分类问题，设计了基于神经网络的故障诊断分类器、建立了二层多分类支持向量机结构模型、构建了基于ID3算法的决策树推理机，对三类分类器进行了性能评估；提出了一种基于分位算法的参数估计方法实现连续属性离散化。针对汽车变速器故障诊断应用实际，设计了同步数据采集、时域同步平均、数据滤波、重采样、FFT变换、阶次谱算法，建立了先验领域知识及领域知识库、正反例训练样本库、模型参数库、推理规则库，设计了变速器故障诊断系统，进行了模型和算法的应用验证。. 项目研究工作，提高了汽车变速箱综合性能试验台和检测线的智能水平，使其在国内领先技术的基础上取得突破性进展。同时对于其它一些以新产品在线检测和故障诊断为应用目标的研究工作，也具有切实的理论和实践上的借鉴作用。