一种电力推进船舶轴系推进系统机械故障诊断的证据融合方法技术方案

本发明专利技术公开了一种电力推进船舶轴系推进系统机械故障诊断的证据融合方法。该方法首先获取不同故障模式下基座和支架等位置的频域特征信号；通过K均值算法确定输入特征的参考值，计算样本的相似度分布；构造反映输入与故障模式之间关系的投点统计表，并转换得到输入的证据矩阵表；基于粗糙集理论和信息熵计算输入信息源的分类能力和总体不确定度；确定输入信息源的可靠性和证据权重；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。该方法能通过安装在船舶上的传感器获得的振动信号有效估计轴系推进系统机械故障模式，成本低，精度高，实现了电力推进船舶轴系推进系统机械故障的实时检测和精确诊断。

An Evidence Fusion Method for Mechanical Fault Diagnosis of Electric Propulsion Ship Shafting Propulsion System

The invention discloses an evidence fusion method for mechanical fault diagnosis of electric propulsion ship shafting propulsion system. Firstly, the frequency domain characteristic signals of base and bracket in different fault modes are obtained; the reference values of input features are determined by K-means algorithm, and the similarity distribution of samples is calculated; the statistical tables of input points reflecting the relationship between input and fault modes are constructed, and the input evidence matrix tables are transformed; and the classification energy of input information sources is calculated based on rough set theory and information entropy. Force and overall uncertainty; determine the reliability of input information sources and evidence weight; use evidence reasoning rules to fuse the evidence activated by input sample vectors and determine the fault mode according to the fusion results. The method can effectively estimate the mechanical failure mode of the shafting propulsion system by the vibration signals obtained from sensors installed on the ship. It has the advantages of low cost and high accuracy, and realizes the real-time detection and accurate diagnosis of the mechanical failure of the shafting propulsion system of electric propulsion ships.

【技术实现步骤摘要】
一种电力推进船舶轴系推进系统机械故障诊断的证据融合方法
本专利技术涉及一种电力推进船舶轴系推进系统机械故障诊断的证据融合方法，属于船舶机械设备状态监测与故障诊断

技术介绍
电力推进船舶轴系推进系统机械设备是船舶系统中极为重要的设备，负责传输航运动力，其工作状况关乎航运安全，并与经济效益相挂钩。船舶轴系推进系统机械设备的工作环境较为恶劣，加速了设备性能的衰退。设备的故障往往会引起一系列连锁反应，最终导致系统整体性能下降，甚至是设备崩溃和系统瘫痪，因此对电力推进船舶轴系推进系统机械故障诊断研究是十分有必要和有意义的。经调查，目前国内的船舶检修技术还停留在定期检修的阶段，在检修过程中不仅存在严重的资源浪费现象，而且存在一定的安全隐患。为保证设备可靠运行，保障生产安全性和经济性，准确地对设备异常和故障状态做出判断显得尤为重要。状态监测与故障诊断技术的使用，能够使维护工程师及时监测船舶轴系推进系统机械设备的工作异常，发现危及设备安全运行的故障，并对设备的定期维护提供必要的历史运行资料，这对于降低设备维护成本并提升其工作效率和安全性起到了至关重要的作用。对于现代化船舶轴系推进系统机械设备，在其各个关键部位可以布置密集的振动传感器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，对海量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电力推进船舶轴系推进系统机械故障诊断的证据融合方法，通过在电力推进船舶轴系推进系统的基座和支架上安装振动位移传感器采集的故障特征信息，首先利用K均值算法确定输入特征的参考值，接着基于输入参考值从海量故障特征数据中统计各故障发生的似然信度得到诊断证据，再利用粗糙集理论和信息熵理论评估证据的客观可靠性和不确定度，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，成本低，精度高，而且实现了故障的实时检测和精确诊断。本专利技术提出的电力推进船舶轴系推进系统机械故障诊断的证据融合方法，包括以下各步骤：(1)设定电力推进船舶轴系推进系统机械故障集合Θ＝{F1,…,Fi,…,FN}，Fi代表故障集合Θ中的第i个故障，i＝1,2,…,N，N为故障个数；设定安装在基座和支架等位置上的振动位移传感器获得所在位置的时域振动加速度信号为{S1(r),…Sm(r),…SM(r)}，电机以150r/min-200r/min的转速转动，每次采集8s的时域振动加速度信号，在每种故障模式下分别采集n次，则共采集sum＝N*n次，采样次数r＝1,2,...,sum，M为传感器个数。(2)将步骤(1)中每次采样的时域振动加速度信号{S1(r),…Sm(r),…SM(r)}进行快速傅里叶变换，变换为相应的频域信号，然后选取1倍基频、2倍基频和3倍基频的幅值作为故障特征信号{x1(r),…xj(r),…xJ(r)}，故障特征信号个数J＝3*M；将{x1(r),…xj(r),…xJ(r)}表示成样本集合U＝{[x1(r),…xj(r),…xJ(r)]|r＝1,2,…,sum}，其中x(r)＝[x1(r),…xj(r),…xJ(r)]为一个样本向量。(3)利用K均值算法将这sum个向量样本中每一个信号源的输入特征信号xj(r)按照从小到大的顺序划分为K个数据簇{X1,j,...Xk,j,...,XK,j}，数据簇对应的聚类中心按从小到大排序为设定特征数据离散后的取值集合V＝{1,...t,...,K}，每一个数据簇对应V中的一个离散值t，数据簇里面的所有输入特征信号xj(r)对应该数据簇的离散值t，具体步骤如下：(3-1)在输入特征信号xj下的数据集合{xj(1),...xj(r),...,xj(sum)}中随机选取K个数据分别作为数簇{X1,j,...Xk,j,...,XK,j}的中心。(3-2)对于剩余的数据xj(r)，计算其到每一个中心的距离dk(r)，t＝1,2,...K,并将该值分配至最近的中心所在的数簇Xk,j。(3-3)重新计算各数簇中心其中|Xk,j|代表数簇Xk,j的元素个数。(3-4)若各中心不再改变，即聚类准则函数收敛，得到划分完成的数据簇，每一个数据簇对应V中一个离散值；否则，重复步骤(3-2)和步骤(3-3)。(4)设定Aj＝{a1,j,a2,j,...ak,j,...,aK+1,j,aK+2,j}为输入特征信号xj(r)的输入参考值集合，{a1,j，aK+2,j}分别为输入特征信号xj(r)的最小值和最大值，{a2,j,...,aK+1,j}为步骤(3)中输入特征信号xj的按照从小到大排列的聚类中心(5)将sum个样本向量中的每一个输入特征信号xj(r)附上对应的故障种类变成二元样本对(xj(r),Fi)；分别用定性信息转换方法变化为关于参考值相似度的形式，并构造所有二元样本对以相似度形式进行投点的统计表，具体步骤如下：(5-1)二元样本对(xj(r),Fi)的输入值xj(r)匹配参考值ak,j的相似度分布为UT(xj(r))＝{(ak,j,vk,j)|j＝1,...,J；k＝1,...,K+2}(2a)其中vk',j＝0k'＝1,...,K+2,k'≠k,k+1(2c)vk,j表示输入值xj(r)匹配参考值ak,j的相似度。(5-2)根据步骤(5-1)，二元样本对(xj(r),Fi)可以被转化为相似度分布的形式(vk,j,vk+1,j)，其中vk,j表示二元样本对(xj(r),Fi)中输入值匹配参考值ak,j，同时结果值为Fi的相似度。(5-3)根据步骤(5-1)和(5-2)，将样本集U中的所有二元样本对转化为相似度的形式，用它们可构造所有二元样本对以相似度形式进行投点的统计表，如下表1所示，其中bi,k,表示所有输入值xj(r)匹配参考值ak,j并且故障种类为Fi的二元样本对(xj(r),Fi)相似度的和，表示所有结果值为Fi的二元样本对相似度的和，表示所有输入值xj(r)匹配参考值ak,j的二元样本对相似度的和，并有表1二元样本对(xj(r),Fi)的投点统计表(6)根据步骤(5)中的投点统计表，可获得当输入值xj(r)取参考值ak,j时，结果值为Fi的信度为并有则可定义对应于参考值ak,j的证据为因此，可构造出如表2所示的证据矩阵表来描述信息源输入值xj(r)和结果Fi之间的关系。表2输入信息源xj的证据矩阵表(7)定义客观可靠性因子RSj描述输入信息源xj分辨故障种类的客观能力，具体获取步骤如下：(7-1)经过步骤(3)后的所有的样本构成用于粗糙集处理的决策表形式，如表3所示，此时输入特征信号为条件属性，故障模式为决策属性。表3经离散化处理后的决策表Ux1…xj…xJDx(1)t1,1…t1,j…t1,JF1………………x(r)tr,1…tr,j…tr,JFi…………………x(sum)tsum,1…tsum,j…本文档来自技高网...

【技术保护点】
1.一种电力推进船舶轴系推进系统机械故障诊断的证据融合方法，其特征在于该方法包括以下步骤：(1)设定电力推进船舶轴系推进系统机械故障集合Θ＝{F1,…,Fi,…,FN}，Fi代表故障集合Θ中的第i个故障，i＝1,2,…,N，N为故障个数；设定安装在基座和支架位置上的振动位移传感器获得所在位置的时域振动加速度信号为{S1(r),…Sm(r),…SM(r)}，电机以150r/min‑200r/min的转速转动，每次采集8s的时域振动加速度信号，在每种故障模式下分别采集n次，则共采集sum＝N*n次，采样次数r＝1,2,...,sum，M为传感器个数；(2)将步骤(1)中每次采样的时域振动加速度信号{S1(r),…Sm(r),…SM(r)}进行快速傅里叶变换，变换为相应的频域信号，然后选取1倍基频、2倍基频和3倍基频的幅值作为故障特征信号{x1(r),…xj(r),…xJ(r)}，故障特征信号个数J＝3*M；将{x1(r),…xj(r),…xJ(r)}表示成样本集合U＝{[x1(r),…xj(r),…xJ(r)]|r＝1,2,…,sum}，其中x(r)＝[x1(r),…xj(r),…xJ(r)]为一个样本向量；(3)利用K均值算法将这sum个向量样本中每一个信号源的输入特征信号xj(r)按照从小到大的顺序划分为K个数据簇{X1,j,...Xk,j,...,XK,j}，数据簇对应的聚类中心按从小到大排序为...

【技术特征摘要】
1.一种电力推进船舶轴系推进系统机械故障诊断的证据融合方法，其特征在于该方法包括以下步骤：(1)设定电力推进船舶轴系推进系统机械故障集合Θ＝{F1,…,Fi,…,FN}，Fi代表故障集合Θ中的第i个故障，i＝1,2,…,N，N为故障个数；设定安装在基座和支架位置上的振动位移传感器获得所在位置的时域振动加速度信号为{S1(r),…Sm(r),…SM(r)}，电机以150r/min-200r/min的转速转动，每次采集8s的时域振动加速度信号，在每种故障模式下分别采集n次，则共采集sum＝N*n次，采样次数r＝1,2,...,sum，M为传感器个数；(2)将步骤(1)中每次采样的时域振动加速度信号{S1(r),…Sm(r),…SM(r)}进行快速傅里叶变换，变换为相应的频域信号，然后选取1倍基频、2倍基频和3倍基频的幅值作为故障特征信号{x1(r),…xj(r),…xJ(r)}，故障特征信号个数J＝3*M；将{x1(r),…xj(r),…xJ(r)}表示成样本集合U＝{[x1(r),…xj(r),…xJ(r)]|r＝1,2,…,sum}，其中x(r)＝[x1(r),…xj(r),…xJ(r)]为一个样本向量；(3)利用K均值算法将这sum个向量样本中每一个信号源的输入特征信号xj(r)按照从小到大的顺序划分为K个数据簇{X1,j,...Xk,j,...,XK,j}，数据簇对应的聚类中心按从小到大排序为设定特征数据离散后的取值集合V＝{1,...t,...,K}，每一个数据簇对应V中的一个离散值t，数据簇里面的所有输入特征信号xj(r)对应该数据簇的离散值t，具体步骤如下：(3-1)在输入特征信号xj下的数据集合{xj(1),...xj(r),...,xj(sum)}中随机选取K个数据分别作为数簇{X1,j,...Xk,j,...,XK,j}的中心；(3-2)对于剩余的数据xj(r)，计算其到每一个中心的距离dk(r)，t＝1,2,...K,并将该值分配至最近的中心所在的数簇Xk,j；(3-3)重新计算各数簇中心其中|Xk,j|代表数簇Xk,j的元素个数；(3-4)若各中心不再改变，即聚类准则函数收敛，得到划分完成的数据簇，每一个数据簇对应V中一个离散值；否则，重复步骤(3-2)和步骤(3-3)；(4)设定Aj＝{a1,j,a2,j,...ak,j,...,aK+1,j,aK+2,j}为输入特征信号xj(r)的输入参考值集合，{a1,j，aK+2,j}分别为输入特征信号xj(r)的最小值和最大值，{a2,j,...,aK+1,j}为步骤(3)中输入特征信号xj的按照从小到大排列的聚类中心(5)将sum个样本向量中的每一个输入特征信号xj(r)附上对应的故障种类变成二元样本对(xj(r),Fi)；分别用定性信息转换方法变化为关于参考值相似度的形式，并构造所有二元样本对以相似度形式进行投点的统计表，具体步骤如下：(5-1)二元样本对(xj(r),Fi)的输入值xj(r)匹配参考值ak,j的相似度分布为UT(xj(r))＝{(ak,j,vk,j)|j＝1,...,J；k＝1,...,K+2}(2a)其中vk',j＝0k'＝1,...,K+2,k'≠k,k+1(2c)vk,j表示输入值xj(r)匹配参考值ak,j的相似度；(5-2)根据步骤(5-1)，二元样本对(xj(r),Fi)可以被转化为相似度分布的形式(vk,j,vk+1,j)，其中vk,j表示二元样本对(xj(r),Fi)中输入值匹配参考值ak,j，同时结果值为Fi的相似度；(5-3)根据步骤(5-1)和(...

【专利技术属性】
技术研发人员：徐晓滨，张德清，高海波，盛晨兴，侯平智，蒋鹏，
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