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。 |