基于数据驱动和随机直觉模糊策略的轴承故障诊断方法

摘要

本发明公开了基于数据驱动和随机直觉模糊策略的轴承故障诊断方法。该方法包括：1)以大数据思想构建模糊专家系统，实现数据驱动；2)待检轴承故障特征隶属度的建立；3)随机模糊集匹配与直觉模糊集决策融合。本发明以大量的实验数据为基础，进行频谱分析，通过幅值出现位置找特征频率。并将模糊证据融合转变为随机模糊集匹配和直觉模糊集决策。不确定度信息也是频谱信息的一部分能量，证据理论直接忽略掉有失客观性。直觉模糊决策充分了考虑了能量耗损。

主权项

基于数据驱动和随机直觉模糊策略的轴承故障诊断方法，包括以下步骤：一、以实验手段构建模糊专家系统利用实验手段模拟轴承各种典型故障运行模式，对于某一种故障在相同的时间间隔Δt内连续观测n次，作为一组，重复m组,代表m个专家；对于第k组数据，经频谱变换后，模糊认为频谱图中第i次出现振动幅值点处的频率为i倍故障特征频率，i＝1，2，...p；(1)计算k组数据在i倍特征频率处的平均值M_i，k＝(x_i，k，1+x_i，k，2+x_i，k，3.....+x_i，k，n)/n(2)计算k组数据在i倍特征频率处的标准差：$\begin{array}{c}{\sigma }_{i,k}=\\ \sqrt{({(x_{i,k,l}-M_{i,k,})}^2+{(x_{i,k,2}-M_{i,k})}^2+{(x_{i,k,3}-M_{i,k})}^2+···...+{(x_{i,k,3}-M_{i,k})}^2)/n}\end{array}$(3)利用M_i，k，σ_i，k构造高斯隶属度函(4)构造i倍频率处有m个专家组成模糊专家系统故障特征的隶属度函数x_i表示传感器获得测量值，$M_{i,a}=\underset{k=1,m}{\min }\left(M_{i,k}\right)$$M_b=\underset{k=1,m}{\max }\left(M_{x_i,k}\right)$因此，取某一种故障处的i倍故障特征频率，i＝1，2....p，可以建立p个高斯隶属度函数；那么如果轴承有q种故障，则需要建立p*q个隶属度函数；二、待检轴承故障特征隶属度的建立在相同的时间间隔Δt内连续观测n次，作为一组待检样本，求出在i倍特征频率处的待检隶属度函数，则可以建立p个高斯隶属度函数；在i倍特征频率处的隶属度曲线三、随机模糊集匹配与直觉模糊集融合将待检模式和模糊专家系统故障模式的隶属度函数进行匹配,就可以得到从采集信息中提取的特征对故障档案库中各个故障的支持程度，利用模糊随机集表示随机集似然测度，表示各个故障假设集全集的BPA；以第i次出现幅值处认为是i倍特征频率为例，待检模式的隶属度曲线与模糊专家系统中q种故障的隶属度曲线匹配相交，各自交点的纵坐标的最大值即为似然测度值；(5)得到BPA向量:μ_i＝(μ_i1,μ_i2,μ_i3，....μ_iq)，i＝1，2，...p然后进行不确定度计算和向量元素归一化，$\Theta =1-\max ({\mu }_{i1},{\mu }_{i2},{\mu }_{i3},....{\mu }_{\mathrm{iq}});$得到包含不确定度的归一化向量：$v_i=(v_{i1},v_{i2},v_{i3},....v_{\mathrm{iq}},{\Theta }_i,),$其中$v_{i1}+v_{i2}+v_{i3+}...+v_{\mathrm{iq}}+{\Theta }_i=1$此时得到单一传感器在倍特征频率处的p个证据向量，传统方法是直接忽略不确定度根据模糊证据理论融合；(6)直觉模糊集融合；充分考虑到不确定度也代表一定的信息，v_i，j写成(m_i，j，n_i，j)其中i＝1,2,…p；j＝1,2,…q其中m_i，j＝v_i，j，代表支持j故障的隶属度，$n_{i,j}=(1-m_{i,j}-{\Theta }_i)$代表肯定不是j故障的隶属度；这样有随机模糊集的单一的似然测度值转变为二元数对来表示，随机模糊集转变为随机直觉模糊集，更接近客观现实；对于单一传感器的i个证据变为多元决策融合：$f\left(v_j\right)=f(m_{i,j},n_{i,j})=(1-{\Pi }_{i=1}^p(1-m_{\mathrm{ij}}),{\Pi }_{i=1}^p{n}_{i,j}),$其中，j＝1,2,…q代表q种故障；即得到：f(v)＝f(<m₁，n₁>，<m₂，n₂>，<m₃，n₃>，......<m_q，n_q>，)(7)多元决策判定规则判定故障类型应有数值最大的m_i且应大于某一门限值θ；当m_i＝m_j时，比较n_i和n_j，首选n_j中数值小的故障类型。不确定度应小于某一门限值，即1‑(m_i+n_i)＜ζ；数值最大的m_i与数值第二大的m_j之间应该有一定差，即m_i‑m_j＞ζ；基于以上规则，判定出是第j种故障；(8)N个传感器情况：如果有N个传感器，以上单一传感器的决策级融合则转变为N个传感器的特征级融合，N个传感器分布在不同的位置，应该有不同的权重系数；ω(ω₁，ω₂，…·ω_N)，且${\Sigma }_{i=1}^N{\omega }_i=1,$利用公式对N个传感器进行第二次融合；仍然利用以上融合判定规则进行判定属于第j种故障。