结合关联分析和数据融合的故障诊断方法

摘要

本发明公开了一种结合关联分析和数据融合的故障诊断方法，用于解决现有故障诊断方法故障诊断结果精确度低的技术问题。技术方案是将来自不同测量来源的设备信息进行提取，对多源信息与已知故障模式对应的同源信息进行关联性分析，得到的关联度作为待诊断故障中测得的多源数据与已知故障模式之间的相关系数，通过数据融合的方法对多个来源的信息进行综合，计算出待诊断故障属于各已知故障模式的信度，从中选择最大信度对应的故障模式。由于采用将待诊断故障过程中单一物理量与已知故障类型中的同一物理量之间的灰色关联度代替多源数据融合过程中的相关系数的方法，有效的衔接了单一物理量与多元信息融合的过程，提高了故障诊断结果的精确度。

主权项

一种结合关联分析和数据融合的故障诊断方法，其特征在于包括以下步骤：步骤一、针对待检测设备，提取历史运行过程中已知的q类故障发生时设备各系统输出的电压、温度和偏转角度的时间序列；$\left[\begin{array}{c}{s}_{11}^1\left(t\right),s_{12}^1\left(t\right),\mathrm{...},s_{1n}^1\left(t\right),s_{21}^1\left(t\right),\mathrm{...},s_{2m}^1\left(t\right),\mathrm{...},s_{k1}^1\left(t\right),\mathrm{...},s_{kp}^1\left(t\right)\\ s_{11}^2\left(t\right),s_{12}^2\left(t\right),\mathrm{...},s_{1n}^2\left(t\right),s_{21}^2\left(t\right),\mathrm{...},s_{2m}^2\left(t\right),\mathrm{...},s_{k1}^2\left(t\right),\mathrm{...},s_{kp}^2\left(t\right)\\ .\\ .\\ .\\ s_{11}^q\left(t\right),s_{12}^q\left(t\right),\mathrm{...},s_{1n}^q\left(t\right),s_{21}^q\left(t\right),\mathrm{...},s_{2m}^q\left(t\right),\mathrm{...},s_{k1}^q\left(t\right),\mathrm{...},s_{kp}^q\left(t\right)\end{array}\right]---\left(1\right)$式中，k为分系统的数量，n,m,p分别为第1，2，k个分系统的输出量的序号，各分系统输出的物理量各不相同，并不一定表示同一物理量，而各类故障并不一定都会导致相同分系统的变化，对不产生变化的物理量用0表示；同时，获取需要诊断的故障发生时各系统输出的相同物理量；[s₁₁(t),s₁₂(t),…,s_1n(t),s₂₁(t),…,s_2m(t),…,s_k1(t),…,s_kp(t)]        (2)步骤二、从单一输出物理量的角度对待诊断的故障数据和已知的故障模式进行关联性分析；关联性的强弱以灰色关联度作为量化指标；测量得到的输出物理量军事离散值，根据公式${\xi }_{ab}^i\left(k\right)=\frac{\underset{k}{min}|s_{ab}\left(k\right)-s_{ab}^i\left(k\right)|+\rho \underset{k}{max}|s_{ab}\left(k\right)-s_{ab}^i\left(k\right)|}{|s_{ab}\left(k\right)-s_{ab}^i\left(k\right)|+\rho \underset{k}{max}|s_{ab}\left(k\right)-s_{ab}^i\left(k\right)|}$计算在时刻k，待诊断的故障数据中某一物理量的时间序列s_ab(t)与已知的第i类故障模式中同一物理量的时间序列之间的关联系数；式中，s_ab(k)表示第a个分系统中输出的第b个物理量的时间序列在时刻k的取值；接着根据该结果计算单一物理量的灰色关联度；灰色关联度是对在不同时刻的关联系数求平均值，其计算公式为$C_{ab}^i=\frac{1}{N_t}\underset{k=1}{\overset{N_t}{\Sigma }}{\xi }_{ab}^i\left(k\right)$式中，N_t为时间序列的长度；计算式(2)中物理量与式(1)中和它下脚标相同的物理量的灰色关联度，即s₁₁(t)与与直至与的灰色关联度，得灰色关联度矩阵；$\left[\begin{array}{c}{C}_{11}^1,C_{12}^1,\mathrm{...},C_{1n}^1,C_{21}^1,\mathrm{...},C_{2m}^1,\mathrm{...},C_{k1}^1,\mathrm{...},C_{kp}^1\\ C_{11}^2,C_{12}^2,\mathrm{...},C_{1n}^2,C_{21}^2,\mathrm{...},C_{2m}^2,\mathrm{...},C_{k1}^2,\mathrm{...},C_{kp}^2\\ .\\ .\\ .\\ C_{11}^q,C_{12}^q,\mathrm{...},C_{1n}^q,C_{21}^q,\mathrm{...},C_{2m}^q,\mathrm{...},C_{k1}^q,\mathrm{...},C_{kp}^q\end{array}\right]$步骤三、通过各单一物理量计算其属于各已知故障模式的信度函数；在公式(3)中，W_j、R_j实际上是测量该物理量的传感器固有的环境加权系数和可靠性系数，K作为修正系数也是经验取值，只要能够确定C_j(A_i)，则物理量j对故障模式A_i的信度函数m_j(A_i)可以由公式(3)计算得出；以步骤二中得到的代替C_j(A_i)，以关联度代替相关系数，则能通过这两个都表示相关性的量将关联性分析与信息融合联合在一起；计算单一输出物理量对几种它可能属于的故障类型的信度函数；根据公式α_j＝max{C_j(A_i)}i＝1,2,…,q${\beta }_j=\left\{\right[{\mathrm{qW}}_j/\underset{i=1}{\overset{q}{\Sigma }}{C}_j\left(A_i\right)-1]/(q-1)\},q\ge 2$$R_j=\left(W_j{\alpha }_j{\beta }_j\right)/\left(\underset{j=1}{\overset{N}{\Sigma }}{W}_j{\alpha }_j{\beta }_j\right),j=1,2,...,N---\left(3\right)$$m_j\left(A_j\right)=C_j\left(A_i\right)/(\underset{i=1}{\overset{q}{\Sigma }}{C}_j\left(A_i\right)+N\times K(1-R_j)(1-W_j{\alpha }_j{\beta }_j))$式中，C_j(A_i)是单一物理量j对已知故障模式A_i的相关系数；根据步骤一，目标模式数量为q；N是物理量总数，即公式(2)的列数；W_j是物理量j的环境加权系数，其值域为[0,1]；α_j是物理量j最大相关系数；β_j是物理量j的相关分配值；R_j是物理量j的可靠性系数；m_j(A_i)是物理量j对故障模式A_i的信度函数，K为修正系数；其中，以步骤二中的代替C_j(A_i)，i＝1,2,…,q；步骤四、根据D‑S信息融合准则，将多个物理量的信度函数综合进行考虑，得出待诊断的故障最有可能属于哪一类已知故障；由于待诊断故障模式中的多个物理量均表征统一故障模式，不存在完全冲突的情况，因此公式(4)中C＝0，得出公式(5)；计算得出待诊断故障隶属于故障模式A_i的可信度为m(A_i)，对应的A_i是故障诊断的结果；式中，i＝1,2,…,q；根据D‑S组合规则将多物理量融合得到故障诊断的结果；根据公式$m\left(B\right)=\left\{\begin{array}{cc}\frac{\underset{B_1\cap B_2\cap \mathrm{...}\cap B_n=B}{\Sigma }{m}_1\left(B_1\right)m_2\left(B_2\right)\mathrm{...}{m}_n\left(B_n\right)}{1-C}& B\ne \phi \\ 0& B=\phi \end{array}\right.---\left(4\right)$$C=\underset{B_1\cap B_2\cap ...\cap B_n=\phi }{\Sigma }{m}_1\left(B_1\right)m_2\left(B_2\right)...m_n\left(B_n\right)$则有$m\left(A_i\right)=\underset{j=1}{\overset{N}{\Sigma }}{m}_j\left(A_i\right),A_i\ne \phi ,i=1,2,...,q---\left(5\right)$得到待诊断的故障属于不同故障类型的可信度，即是诊断结果。