一种基于向量证据推理的船舶轴系不平衡故障诊断方法技术

本发明专利技术涉及一种基于向量证据推理的船舶轴系不平衡故障诊断方法。本发明专利技术根据贡献率大小对主成分变量进行组合，组合后的输入特征变量组成输入向量；利用定性信息转换方法获得故障样本关于输入向量与输出不平顺故障参考等级的综合相似度，并构造反映输入参考向量与输出故障关系的投点统计表；根据该表获取各参考向量对应的诊断证据，构造向量证据矩阵表；根据输入主成分变量的贡献率可以获得输入向量的可靠性和证据权重；获取样本集每一组输入样本向量的证据，利用证据推理规则得到融合结果，从中推理得到船舶轴系不平衡系统故障等级。本发明专利技术可以联合传感器、数据采集器等硬件组成在线监测系统，实现船舶轴系轴承机械设备的实时状态监测与故障诊断。

A Vector Evidence Reasoning Based Fault Diagnosis Method for Unbalanced Shafting of Ships

【技术实现步骤摘要】
一种基于向量证据推理的船舶轴系不平衡故障诊断方法
本专利技术属于船舶机械设备状态检测与故障诊断
，涉及一种基于向量证据推理的船舶轴系不平衡故障诊断方法。
技术介绍
船舶推进轴系主要实现主机与螺旋桨之间的能量传递，同时又将螺旋桨旋转产生的轴向推力通过轴系传递给船体，推动船舶前进，它是船舶动力装置的重要组成部分。随着对远洋运载能力的要求逐渐提高，大型船舶轴系的长度和跨度不断增。由于轴系不能视为一个转动的刚体，具有一定的弹性和惯性，因此轴系不可避免的会发生扭转振动和横向振动，加上其运转时受力十分复杂，很容易因为疲劳导致事故的发生。因此对轴系的状态监测和故障诊断对于保证平稳安全的远洋运输是十分重要的。对于诸如大型船舶轴系这样的旋转机械设备，在其各个关键部位可以布置振动传感器来采集设备的振动信号，从这些振动信号中提取的故障特征信息可以反映设备的各种故障。此时面临两个问题，一是需要找到一种在工程上简单易行的方式，对大量多维的故障特征监测数据进行分析处理，使得其提供的诊断证据客观可信；二是如何实现故障特征信息的综合。通常利用单个传感器提供的特征信息不能完全反应设备的故障，需要多个传感器提供的信息进行融合来提升诊断的精准度。
技术实现思路
本专利技术的目的是提出一种基于向量证据推理的船舶轴系不平衡故障诊断方法，通过在船舶轴系推进系统的基座和支架上安装振动位移传感器来采集故障特征信息，并利用主成分分析(PCA)方法对这些信息进行特征提取，接着构造输入特征向量，再基于输入参考向量从故障特征数据中统计各故障发生的似然信度得到输入向量证据矩阵，然后确定证据的可靠性因子和权重，最后利用证据推理规则融合输入样本向量激活的证据，并根据融合结果确定故障模式。该方法克服了单源故障特征信息诊断技术的缺点，并大大减少了输入量，成本低，精度高，而且实现了故障的实时检测和精确诊断。本专利技术提包括以下步骤：(1)设定船舶轴系轴承不平衡故障集合Θ＝{Y1,…,Yn,…,YN}，Yn代表故障集合Θ中的第n个不平衡故障等级，n＝1,2,…,N，N为故障等级个数；设安装在船舶轴系轴承等位置上的4个振动位移传感器获得所在位置的时域振动加速度信号序列分别为S1(t),S2(t),S3(t),S4(t)，在每种不平衡故障等级下分别采集n次，共采集T＝N*n次，采样时刻t＝1,2,…,T，两次采样之间的间隔为0.8ms。(2)将步骤(1)中每次采样获取的时域信号序列S1(t),S2(t),S3(t),S4(t)进行快速傅里叶变换，得到相应的频域序列信号，将每个频谱序列中1倍频(1X)、2倍频(2X)和3倍频(3X)的振动幅值作为故障特征变量，每个传感器可提取3个故障特征变量，共计在t时刻可获取P＝3*4＝12个特征变量，记为x1(t),…xp(t),…xP(t)，p＝1,…,P；将{x1(t),…xp(t),…x12(t)}表示成样本集合X＝{x(t)|t＝1,2,…,T}，其中x(t)＝[x1(t),…xp(t),…x12(t)]为一个特征样本向量。(3)将步骤(2)中采样得到的12维原始特征样本集X由主成分分析(PCA)方法进行特征提取，具体过程如下：(3-1)对样本集合X进行归一化操作，首先将X表示成如下的矩阵形式利用式(1)对矩阵中的每个元素xp(t)进行归一化其中和σp分别为xp(t)的均值和标准差，计算方法为(3-2)将经步骤(3-1)归一化后得到的矩阵记为接着再求的协方差矩阵(3-3)对协方差矩阵V进行特征值分解，求取特征值λp和对应的特征向量ωp，对特征值λp进行降序排列，计算第p个主成分对应的特征值在协方差矩阵V的全部特征值之和中所占的比重，即贡献率，贡献率越大，说明该主成分综合原指标信息的能力越强，贡献率计算公式为(3-4)计算累计方差贡献率大小，累计贡献率表示前d<12个主成分的特征值之和在全部特征值总和中所占的比重，这个比值越大，说明前d个主成分越能全面代表原始数据具有的信息，计算公式为当累计方差贡献率Md≥0.95，确定d的取值，相应的前d个特征值Λ＝diag[λ1,λ2,...,λd]和相应的特征向量Wd＝[ω1,ω2,...,ωd]作为子空间的基，则提取的d个主成分为记主成分变量集合为F＝{fi|i＝1,…,d}，其中主成分变量fi＝[fi(1),fi(2),…,fi(T)]T，上标符号“T”表示向量转置。(4)构造向量矩阵，建立输入为主成分变量向量fi与输出不平顺故障等级Yn之间的映射关系，具体步骤如下：(4-1)定义输入主成分变量fi的参考值集合其中且和分别为fi的最小值和最大值，J为fi的参考值个数；取不平衡故障模式记为y(t)，y(t)∈Θ，设定结果参考集合Y＝Θ，将fi(t)和y(t)表示为样本集合S＝{[fi(t),y(t)]}，其中[fi(t),y(t)]为一个带故障标签的故障样本向量。(4-2)根据步骤(3)可得，输入主成分变量fi对应的贡献率为贡献率按照降序排列，其中且f1的贡献率最大，由此可根据贡献率对输入主成分变量fi进行组合，组合后的输入特征信号组成了向量的形式，如下所示其中K表示输入向量的总个数，K∈[3,4]，h为组成每个向量的输入f的个数，对于输入向量{Rk|k＝1,2,…,K}，其对应的参考向量集合为其中(4-3)由步骤(4-2)可得到输入向量为{R1(t),…,Rk(t),…,RK(t)}，将其表示成样本向量集合U＝{[R1(t),…,Rk(t),…,RK(t)]|t＝1,2,…,T}，将T个样本向量[Rk(t),y(t)]中的样本对(Rk(t),y(t))分别用定性信息转换方法变化为关于参考向量相似度的形式，具体步骤如下：(4-3-1)样本对(Rk(t),y(t))的输入向量Rk(t)匹配参考向量的相似度分布为：其中βk,j表示输入向量Rk(t)匹配第j个参考向量的相似度，计算方法如下：其中则表示输入向量Rk(t)与参考向量的匹配度。(4-3-2)根据步骤(4-3-1)，样本对(Rk(t),y(t))被转化为相似度分布的形式(βk,1,...,βk,J)，其中βk,j表示样本对(Rk(t),y(t))中输入向量匹配参考向量同时结果值为Yn的相似度。(4-3-3)根据步骤(4-3-1)和步骤(4-3-2)，将样本集U中的所有样本对转化为相似度的形式，用它们可构造所有样本对以相似度形式进行投点的统计表，表1给出了样本对(R1(t),y(t))的投点统计表，其中an,j表示所有输入向量R1(t)匹配参考值向量并且故障类型为Yn的样本对(R1(t),y(t))综合相似度的和，其他样本对(Rk(t),y(t))的投点统计表与该表类似，可由相同方法得出；表1样本对(R1(t),y(t))的投点统计表(4-4)构造向量矩阵，根据步骤(4-3)中的投点统计表，可获得当输入向量Rk(t)取参考向量时，结果值y(t)为参考值Yn的信度为：其中，表示所有结果值y(t)匹配参考值Yn的样本对综合相似度的和，且并有则可定义对应于参考向量的证据为因此，可构造出证据矩阵表来描述输入向量Rk和结果y之间的关系，给出输入向量R1的证据矩阵如表2所示表2输入向量R1的证据矩阵表其他输入向量Rk的证据矩阵表与该表类似，可本文档来自技高网...

【技术保护点】
1.一种基于向量证据推理的船舶轴系不平衡故障诊断方法，其特征在于该方法包括以下步骤：(1)设定船舶轴系轴承不平衡故障集合Θ＝{Y1,…,Yn,…,YN}，Yn代表故障集合Θ中的第n个不平衡故障等级，n＝1,2,…,N，N为故障等级个数；设安装在船舶轴系轴承位置上的4个振动位移传感器获得所在位置的时域振动加速度信号序列分别为S1(t),S2(t),S3(t),S4(t)，在每种不平衡故障等级下分别采集n次，共采集T＝N*n次，采样时刻t＝1,2,…,T，两次采样之间的间隔为0.8ms；(2)将步骤(1)中每次采样获取的时域信号序列S1(t),S2(t),S3(t),S4(t)进行快速傅里叶变换，得到相应的频域序列信号，将每个频谱序列中1倍频、2倍频和3倍频的振动幅值作为故障特征变量，每个传感器可提取3个故障特征变量，共计在t时刻可获取P＝3*4＝12个特征变量，记为x1(t),…xp(t),…xP(t)，p＝1,…,P；将{x1(t),…xp(t),…x12(t)}表示成样本集合X＝{x(t)|t＝1,2,…,T}，其中x(t)＝[x1(t),…xp(t),…x12(t)]为一个特征样本向量；(3)将步骤(2)中采样得到的12维原始特征样本集X由主成分分析(PCA)方法进行特征提取，具体过程如下：(3‑1)对样本集合X进行归一化操作，首先将X表示成如下的矩阵形式...

【技术特征摘要】
1.一种基于向量证据推理的船舶轴系不平衡故障诊断方法，其特征在于该方法包括以下步骤：(1)设定船舶轴系轴承不平衡故障集合Θ＝{Y1,…,Yn,…,YN}，Yn代表故障集合Θ中的第n个不平衡故障等级，n＝1,2,…,N，N为故障等级个数；设安装在船舶轴系轴承位置上的4个振动位移传感器获得所在位置的时域振动加速度信号序列分别为S1(t),S2(t),S3(t),S4(t)，在每种不平衡故障等级下分别采集n次，共采集T＝N*n次，采样时刻t＝1,2,…,T，两次采样之间的间隔为0.8ms；(2)将步骤(1)中每次采样获取的时域信号序列S1(t),S2(t),S3(t),S4(t)进行快速傅里叶变换，得到相应的频域序列信号，将每个频谱序列中1倍频、2倍频和3倍频的振动幅值作为故障特征变量，每个传感器可提取3个故障特征变量，共计在t时刻可获取P＝3*4＝12个特征变量，记为x1(t),…xp(t),…xP(t)，p＝1,…,P；将{x1(t),…xp(t),…x12(t)}表示成样本集合X＝{x(t)|t＝1,2,…,T}，其中x(t)＝[x1(t),…xp(t),…x12(t)]为一个特征样本向量；(3)将步骤(2)中采样得到的12维原始特征样本集X由主成分分析(PCA)方法进行特征提取，具体过程如下：(3-1)对样本集合X进行归一化操作，首先将X表示成如下的矩阵形式利用式(1)对矩阵中的每个元素xp(t)进行归一化其中和σp分别为xp(t)的均值和标准差，计算如下(3-2)将经步骤(3-1)归一化后得到的矩阵记为接着再求的协方差矩阵(3-3)对协方差矩阵V进行特征值分解，求取特征值λp和对应的特征向量ωp，对特征值λp进行降序排列，计算第p个主成分对应的特征值在协方差矩阵V的全部特征值之和中所占的比重，即贡献率，贡献率计算公式为(3-4)计算累计方差贡献率大小，计算公式为当累计方差贡献率Md≥0.95，确定d的取值，相应的前d个特征值Λ＝diag[λ1,λ2,...,λd]和相应的特征向量Wd＝[ω1,ω2,…,ωd]作为子空间的基，则提取的d个主成分为记主成分变量集合为F＝{fi|i＝1,…,d}，其中主成分变量fi＝[fi(1),fi(2),…,fi(T)]T，上标符号“T”表示向量转置；(4)构造向量矩阵，建立输入为主成分变量向量fi与输出不平顺故障等级Yn之间的映射关系，具体步骤如下：(4-1)定义输入主成分变量fi的参考值集合其中且和分别为fi的最小值和最大值，J为fi的参考值个数；取不平衡故障等级记为y(t)，y(t)∈Θ，设定结果参考集合Y＝Θ，将fi(t)和y(t)表示为样本集合S＝{[fi(t),y(t)]}，其中[fi(t),y(t)]为一个带故障标签的故障样本向量；(4-2)根据步骤(3)可得，输入主成分变量fi对应的贡献率为贡献率按照降序排列，其中且f1的贡献率最大，由此可根据贡献率对输入主成分变量fi进行组合，组合后的输入特征信号组成了向量的形式，如下所示其中K表示输入向量的总个数，K∈[3,4]，h为组成每个向量的输入f的个数，对于输入向量{Rk|k＝1,2,…,K}，其对应的参考向量集合为其中(4-3)由步骤(4-2)可得到输入向量为{R1(t),…,Rk(t),…,RK(t)}，将其表示成样本向量集合U＝{[R1(t),…,Rk(t),…,RK(t)]|t＝1,2,…,T}，将T个样本向量[Rk(t),y(t)]中的样本对(R...

【专利技术属性】
技术研发人员：徐晓滨，叶梓发，方丹枫，高海波，高迪驹，侯平智，
申请(专利权)人：杭州电子科技大学，
类型：发明
国别省市：浙江,33