| 主权项 |
一种基于贝叶斯网络的滚动轴承故障诊断方法，其特征在于：由以下步骤实现：第1步：设置故障诊断信度阈值参数θ<sup>*</sup>和故障样本初始参数；设置样本数据组m初值大小；设置故障类型Bearing取值事件q的个数；设置故障类型初值参数s={1，…，q}，类型标签tag_s={1，…，q}；第2步：对不同故障引起的轴承的振动信号进行采样，获取样本数据data_s={tag_s f<sub>s</sub>（n）| L=mN；m、N为正自然数；n=0，…，L‑1}；其中采集信号f<sub>s</sub>（n）分为m组长度各为N的数据，Ｎ值取1024,设j为组别号，则<img file="2012105062310100001dest_path_image002.GIF" wi="468" he="131" />；第3步：对f<sub>s</sub><sub>，j</sub>（n’）进行N点快速Fourier变换处理，可将时域信号转成频域信号，计算公式如下：<img file="2012105062310100001dest_path_image004.GIF" wi="360" he="142" />k =0，…，N‑1; j=1，…，m；Ｎ值取1024； 第4步：计算故障特征向量：根据信号离散Fourier变换的性质，<img file="dest_path_image006.GIF" wi="53" he="17" />频谱沿N/2点呈对称；按频率信号用等距切分法将<img file="dest_path_image008.GIF" wi="57" he="17" />分成v段（其中k’=0,1, …,(N/2)‑1），并分段求和得到W<sub>s,j,u</sub>,其中u=1，…，v；W<sub>s,j,u</sub>作为第j组频率信号的第u个故障特征向量，计算公式如下：<img file="dest_path_image010.GIF" wi="264" he="129" />v值取4；第5步：用等距切分法对故障特征向量进行离散化，以加快模型推理速度：将连续型变量W<sub>s,j,u</sub>的数值按变量取值范围均匀划成r等份，属性值分别采用数字1至r代表；第6步：建立故障诊断推理贝叶斯网络模型：故障类型作为父节点Bearing；Bearing有q个取值事件；以v个离散化特征向量W<sub>u</sub>（u=1, …，v）作为子节点；用有向边依次连接父节点和子节点，即Bearing作为v条有向边的箭尾，箭头分别指向W<sub>u</sub>，建立BN结构；第7步：设置待诊断故障样本参数，获取待诊断轴承的观测证据，即待诊断样本；取m=1，s和tag_s均设为空集Ф，重复第2步至第5步的方法，对观测的振动信号进行数据采集及离散化处理，可以获得观测证据ev，即待诊断故障特征向量数据；第8步：在BN模型中，输入待诊断观测证据ev，利用Pearl的连接树算法进行推理，从而完成故障诊断类型节点Bearing信度θ更新；第9步：若θ>θ<sup>*</sup>，按<img file="dest_path_image012.GIF" wi="553" he="87" />计算故障诊断类型节点，并输出诊断结果，故障诊断过程停止；否则，返回第7步，继续通过传感器系统捕获观测证据；其中，W<sub>v</sub>为第v个目标特征向量对应的观测证据，x<sub>s</sub><sup>l</sup>为故障诊断类型节点Bearing取值为l的事件，1≤l≤q；q取值为3或4。 |
