一种基于区间型证据融合的旋转机械设备故障诊断方法

摘要

本发明涉及一种基于区间型证据融合的旋转机械设备故障诊断方法，属于旋转机械设备故障监控与诊断技术领域。本方法基于对故障典型数据的统计分析，构造模糊隶属度函数集合，用该函数集建模故障档案库中的每个故障样板模式；用单个隶属度函数建模在线监测中提取的故障待检模式；将待检模式与各样板模式进行匹配，得到待检模式支持各故障的信度匹配区间；利用蒙特卡洛拉丁超立方体采样方法，给出从该信度区间中获取区间型诊断证据的方法；然后将这些证据融合，在一定的决策准则下，由融合结果进行故障决策，基于多证据融合结果做出的决策要比只凭借单一诊断证据做出的决策更加准确。

主权项

1.一种基于区间型证据融合的旋转机械设备故障诊断方法，其特征在于该方法包括以下各步骤：(1)设定旋转机械设备的故障集合为Θ＝{F₁，…，F_j，…，F_N}，F_j代表故障集合Θ中的第j个故障，j＝1，2，…，N，N为故障个数；(2)设x为故障集合Θ的一个故障特征参数，建立故障特征参数x的故障样板模式为故障F_j的一个隶属度函数集，获取隶属度函数集中的每个隶属度函数的步骤如下：(2-1)观测故障集合Θ中的每个故障F_j的故障特征参数x，连续记录30至50次，将观测结果记为一组，共进行m组观测，5≤m≤10；(2-2)计算第k组观测结果的算术平均值和标准差$M_k^j=(x_{k,1}^j+x_{k,2}^j+...+x_{k,n}^j)/n,30\le n\le 50$${\sigma }_k^j=\sqrt{({(x_{k,1}^j-M_k^j)}^2+{(x_{k,2}^j-M_k^j)}^2+...+{(x_{k,n}^j-M_k^j)}^2)/n}$其中k＝，1，2，…，m，分别为对故障F_j的第k组观测值，每组采集n个观测，30≤n≤50；(2-3)根据上述和建立故障F_j关于故障特征参数x的第k个高斯型隶属度函数：${\mu }_{F_j,k}\left(x\right)=\exp (-\frac{{(x-M_k^j)}^2}{{2\sigma }_k^{j2}})$(3)当旋转机械设备在线运行时，对故障特征参数x进行20至30次观测，构成一组在线监测数据，按照步骤(2-2)-(2-3)，建立故障待检模式的隶属度函数：${\mu }_o\left(x\right)=\exp (-\frac{{(x-M_o)}^2}{{{2\sigma }_o}^2})$其中M_o和σ_o分别为20至30次观测的算术平均值和标准差，o代表观测；(4)分别将μ_o(x)与中的每个进行匹配，得到μ_o(x)对故障集Θ中每个故障F_j的匹配区间为：$m_x\left(F_j\right)=[\underset{k}{\min }\left(\rho \left(o\right|F_{j,k})\right),\underset{k}{\max }\left(\rho \left(o\right|F_{j,k})\right)]=[a_j^{x^{\prime }},b_j^{x^{\prime }}]$其中表示对x的每个隶属度函数值μ_o(x)和进行取小运算，从取小运算结果中取最大值作为μ_o(x)与的匹配度；(5)根据上述步骤(4)中的匹配区间m_x(F_j)，获得区间型诊断证据，其步骤如下：(5-1)产生一个M×N的矩阵P＝(p_i，j)，其中p_i，j为该矩阵中第i行第j列上的元素，矩阵的每列为数列(1，2，...，M)中各数的随机置换，i＝1，2，...，M，M＝1000，j＝1，2，...，N，N为故障个数；(5-2)产生一个M×N的矩阵U＝(u_i，j)，其中u_i，j为该矩阵中第i行第j列上的元素，取u_i，j＝0.5；(5-3)根据上述步骤(5-1)和(5-2)的矩阵，得到在匹配区间m_x(F_j)上满足均匀分布的随机点：$m_{x,i}\left(F_j\right)=M^{-1}(p_{i,j}-1+u_{i,j})(b_j^{x^{\prime }}-a_j^{x^{\prime }})+a_j^{x^{\prime }}$(m_x，i(F₁)，...，m_x，i(F_j)，...，m_x，i(F_N)是一个N维的随机向量，设m_x，i(Θ)为对故障集合Θ的证据赋值，则(m_x，i(F₁)，...，m_x，i(F_j)，...，m_x，i(F_N))，m_x，i(Θ))为原始的单值诊断证据；(5-4)根据步骤(5-3)的原始单值诊断证据，得到加权后的单值诊断证据为：${\bar{m}}_{x,i}\left(A_q\right)=\frac{m_{x,i}\left(A_q\right)}{{\Sigma }_{q=1}^{N+1}{m}_{x,i}\left(A_q\right)},i=\mathrm{1,2},...,M;q=\mathrm{1,2},...,N+1$其中A_q表示故障F_q，A_N+1表示故障集合Θ；并得到区间型诊断证据为其中$b_q^x=\underset{i}{\max }\left({\bar{m}}_{x,i}\left(A_q\right)\right);$(6)重复步骤(2)-(5)，获得关于故障特征参数y的区间型诊断证据为：$m_y\left(A_p\right)=[a_p^y,b_p^y],p=\mathrm{1,2},...,N+1$其中A_p表示故障F_p，A_N+1表示故障集合Θ；(7)将m_x(A_q)和m_y(A_p)用区间证据合并规则进行融合，得到融合后的区间型诊断证据为：m_x，y(C)＝[m_x，y(C)^-，m_x，y(C)⁺]C∈{A₁，A₂，…，A_N+1}其中上两式中的分别满足以下约束条件：$\underset{q=1}{\overset{N+1}{\Sigma }}{m}_x\left(A_q\right)=1,(a_q^x\le m_x\left(A_q\right)\le b_q^x)$$\underset{p=1}{\overset{N+1}{\Sigma }}{m}_y\left(A_p\right)=1,(a_p^y\le m_y\left(A_p\right)\le b_p^y)$(8)根据上述步骤(7)的融合诊断证据，对旋转机械设备的故障进行诊断：若m_x，y(F_j)区间的左右端点分别大于其他故障的区间型诊断证据的左右端点，且m_x，y(Θ)的右端点小于设定阈值t，则判定故障F_j发生，t的取值范围为0≤t≤0.2。