一种基于改进D-S证据理论的设备故障诊断方法技术

本发明专利技术涉及一种基于改进D‑S证据理论的设备故障诊断方法，包括：步骤S1：获取设备运行过程中釆集的振动信号，并提取的时域分析特征参量和时频分析特征参量；步骤S2：基于预构建的RBF、BP和Elman神经网络模型，将提取的时域分析特征参量和时频分析特征参量作为三个神经网络模型的输入量，进行初步诊断；步骤S3：将三个神经网络模型的输出结果进行融合；步骤S4：根据融合后的结果诊断故障。与现有技术相比，本发明专利技术计算权重修正证据源，在保留原组合规则优点基础上对组合规则进行改进的算法，通过相关数据和信息，充分利用计算机的高速运算和多源信息的互补性来提高信息的质量。

【技术实现步骤摘要】
一种基于改进D-S证据理论的设备故障诊断方法
本专利技术涉及一种故障诊断方法，尤其是涉及一种基于改进D-S证据理论的设备故障诊断方法。
技术介绍
在设备运行过程中，其振动信号中包含着系统丰富的运行信息，因此振动信号常被作为设备故障监测和诊断的主要依据。由于一些设备结构复杂，其振动信号的采集需要多个传感器采集，信息量大，再加上各个传感器不同，测点不同，因此会导致诊断结果的不稳定性。要实现对设备故障的准确判断，需要利用信息融合处理不同信息源传递过来的数据，按照一定规则组合这些数据，然后做出全面、高效、准确合理的判断，增强整个故障诊断系统的可靠性。相比于其他不确定推理方法，D-S证据理论不仅可以处理因模糊性和随机性产生的不确定性，还可以把主客观因素都考虑进去，将其应用于设备的故障诊断可以减少因运行环境等不确定因素造成的误判情况的发生。然而，经典D-S证据理论只在证据冲突较小的时候效果好，当证据间存在高度冲突时，其合成结果常会产生与直觉相悖的结果，出现一票否决的现象，缺乏鲁棒性。针对这些问题，许多国内外学者提出了一些改进方法，主要包括修改组合规则和修正证据源两个方面。在修改组合规则方面，大多数的改进方法(《李弼程,王波,魏俊,钱曾波,黄玉琪.一种有效的证据理论合成公式[J].数据采集与处理,2002,(01):33-36.》、《孙全,叶秀清,顾伟康.一种新的基于证据理论的合成公式[J].电子学报,2000,(08):117-119.》、《邓勇,施文康.一种改进的证据推理组合规则[J].上海交通大学学报,2003,(08):1275-1278.》)都在Yager公式基础上进行改进，提出新合成公式，但是由于去掉了原公式里的归一化因子，将绝大部分的支持率赋给了不确定项，提高了决策难度，仍会出现“一票否决”的情况。在修正证据源方面，一些改进方法(《杜峰,施文康,邓勇.证据特征提取及其在证据理论改进中的应用[J].上海交通大学学报,2004,(S1):164-168.》、《高锦秋，刘景林.DS证据理论的改进及在航空交流发电机故障诊断中的应用[J/OL].微特电机，2016,44(06):37-40.》、《费翔,周健.一种处理冲突证据的D-S证据权重计算方法[J].计算机工程,2016,42(02):142-145.》)利用证据间的相似度、冲突度或矛盾系数等来确定修改证据源不同的权重因子，对证据进行贴近度处理，这些方法都有一定的改进效果，但是没有利用好证据间的关联性，权重的确定存在一定的主观性。
技术实现思路
本专利技术的目的就是为了克服上述现有技术存在的缺陷而提供一种基于改进D-S证据理论的设备故障诊断方法。本专利技术的目的可以通过以下技术方案来实现：一种基于改进D-S证据理论的设备故障诊断方法，包括：步骤S1：获取设备运行过程中釆集的振动信号，并提取的时域分析特征参量和时频分析特征参量；步骤S2：基于预构建的RBF、BP和Elman神经网络模型，将提取的时域分析特征参量和时频分析特征参量作为三个神经网络模型的输入量，进行初步诊断；步骤S3：将三个神经网络模型的输出结果进行融合；步骤S4：根据融合后的结果诊断故障。所述时域分析特征参量包括：高频波顶因数、波顶因数、峭度、高频峰值、峰值、加速度有效值包络线、加速度有效值、高频有效值、速度有效值和偏斜度；所述时频分析特征参量包括：速度有效值包络线和ISO10816。所述步骤S2具体包括：步骤S21：将时域分析特征参量作为RBF神经网络模型的输入，得到第一初步诊断结果；步骤S22：将速度有效值包络线通过三层小波包分解得到8个频段信号并作为BP神经网络模型的输入，得到第二初步诊断结果；步骤S23：将ISO10816通过三层小波包分解得到8个频段信号并作为Elman神经网络模型的输入，得到第三初步诊断结果。所述步骤S22和步骤S23中的频段信号均通过归一化处理后作为神经网络模型的输入。所述步骤S3具体包括：步骤S31：对第一初步诊断结果、第二初步诊断结果和第三初步诊断结果进行归一化处理后作为原证据体；步骤S32：计算三个原证据体之间的Jousselme距离和距离相似度；步骤S33：基于得到的Jousselme距离和相似度，对原证据体进行融合得到新证据体。所述步骤S33中得到的新证据体为：其中：m(A)为新证据体，A为所有可能的故障种类的集合，k为新证据体的冲突系数，dsi为新证据相似度占新证据和原证据证据相似度之和的比重，f(A)为保留的一组原证据体，M1(Ai)为第一个原证据体中发生第i种故障类型的概率，M2(Aj)为第二个原证据体中发生第j种故障类型的概率，M3(Al)为第三个原证据体中发生第l种故障类型的概率。所述新证据体的冲突系数具体为：所述步骤S4具体包括：步骤S41：提取所有故障类型中概率最大的一个，并判断其是否超过设定阈值，若为是，则执行步骤S42；步骤S42：判断该故障的概率是否超过相比其他故障类型的概率是否超过设定差值，若为是，则执行步骤S43；步骤S43：输出概率最大的故障类型作为诊断结果。所述设定差值为0.2。所述设定阈值为0.5。与现有技术相比，本专利技术具有以下有益效果：1)计算权重修正证据源，在保留原组合规则优点基础上对组合规则进行改进的算法，通过相关数据和信息，充分利用计算机的高速运算和多源信息的互补性来提高信息的质量。2)本专利技术的算法能够充分利用各个信息，避免了传统D-S证据理论悖论现象的出现，对提高设备诊断结果的精确性和可靠性有重要作用。附图说明图1为本专利技术的结构示意图。具体实施方式下面结合附图和具体实施例对本专利技术进行详细说明。本实施例以本专利技术技术方案为前提进行实施，给出了详细的实施方式和具体的操作过程，但本专利技术的保护范围不限于下述的实施例。一种基于改进D-S证据理论的设备故障诊断方法，如图1所示，包括：步骤S1：获取设备运行过程中釆集的振动信号，并提取的时域分析特征参量和时频分析特征参量，其中，时域分析特征参量包括：高频波顶因数、波顶因数、峭度、高频峰值、峰值、加速度有效值包络线、加速度有效值、高频有效值、速度有效值和偏斜度；时频分析特征参量包括：速度有效值包络线和ISO10816，其中，ISO10816振动监测评估标准。在设备运行过程中釆集振动信号时，由于运转设备存在多个振动源，而且振动信号在传输过程中会受到传输通道特性的影响，所以采集到的时域信号会呈现出杂乱无章的特点。此外，在釆集设备运行过程中的振动信号时，通常会包含很多的噪声，因此振动信号的频域内容就包含很多复杂的频率成分。为了能够有效利用采集到的时域信号，识别出与设备故障相关的频率及其特征，本专利技术采用基于时域和是时频域相结合的提取方法对故障信号进行特征提取。本专利技术用到的时域分析的特征参量为：高频波顶因数、波顶因数、峭度、高频峰值、峰值、加速度有效值包络线、加速度有效值、高频有效值、速度有效值、偏斜度；本专利技术用到的时频分析特征参量为：速度有效值包络线，ISO10816。步骤S2：基于预构建的RBF、BP和Elman神经网络模型，将提取的时域分析特征参量和时频分析特征参量作为三个神经网络模型的输入量，进行初步诊断，具体包括：步骤S21：将时域分析特征参量作为RBF神经网络模型的输入，得到第一初步本文档来自技高网...

【技术保护点】
1.一种基于改进D‑S证据理论的设备故障诊断方法，其特征在于，包括：步骤S1：获取设备运行过程中釆集的振动信号，并提取的时域分析特征参量和时频分析特征参量；步骤S2：基于预构建的RBF、BP和Elman神经网络模型，将提取的时域分析特征参量和时频分析特征参量作为三个神经网络模型的输入量，进行初步诊断；步骤S3：将三个神经网络模型的输出结果进行融合；步骤S4：根据融合后的结果诊断故障。

【技术特征摘要】
1.一种基于改进D-S证据理论的设备故障诊断方法，其特征在于，包括：步骤S1：获取设备运行过程中釆集的振动信号，并提取的时域分析特征参量和时频分析特征参量；步骤S2：基于预构建的RBF、BP和Elman神经网络模型，将提取的时域分析特征参量和时频分析特征参量作为三个神经网络模型的输入量，进行初步诊断；步骤S3：将三个神经网络模型的输出结果进行融合；步骤S4：根据融合后的结果诊断故障。2.根据权利要求1所述的一种基于改进D-S证据理论的设备故障诊断方法，其特征在于，所述时域分析特征参量包括：高频波顶因数、波顶因数、峭度、高频峰值、峰值、加速度有效值包络线、加速度有效值、高频有效值、速度有效值和偏斜度；所述时频分析特征参量包括：速度有效值包络线和ISO10816。3.根据权利要求2所述的一种基于改进D-S证据理论的设备故障诊断方法，其特征在于，所述步骤S2具体包括：步骤S21：将时域分析特征参量作为RBF神经网络模型的输入，得到第一初步诊断结果；步骤S22：将速度有效值包络线通过三层小波包分解得到8个频段信号并作为BP神经网络模型的输入，得到第二初步诊断结果；步骤S23：将ISO10816通过三层小波包分解得到8个频段信号并作为Elman神经网络模型的输入，得到第三初步诊断结果。4.根据权利要求3所述的一种基于改进D-S证据理论的设备故障诊断方法，其特征在于，所述步骤S22和步骤S23中的频段信号均通过归一化处理后作为神经网络模型的输入。5.根据权利要求3所述的一种基于改进D-S证据理论的设备故障诊断方法，其特征在于，所述步骤S3具体包括：步骤S3...

【专利技术属性】
技术研发人员：夏飞，施恩威，彭道刚，孟娟，钱玉良，
申请(专利权)人：上海电力学院，
类型：发明
国别省市：上海,31