一种基于否定证据信度结构的多特征故障诊断方法技术

本发明专利技术公开了一种基于否定证据信度结构的多特征故障诊断方法，包括以下步骤：步骤一、依据故障样本数据集与待测样本数据分别生成三角模糊数；步骤二、依据三角模糊数匹配生成各故障特征的否定证据信度结构；步骤三、生成各故障特征的证据信度结构；步骤四、依据故障样本数据集生成各故障特征的权重；步骤五、融合各故障特征的证据信度结构并判断待测样本所属故障类型。本发明专利技术在三角模糊数基础上，结合证据理论处理不确定性的优势，依据三角模糊数匹配生成各故障特征的否定证据信度结构，对其否定生成证据信度结构，计算各故障特征权重并融合各故障特征的证据信度结构，进而识别样本故障类型，能有效地处理不确定信息，融合提升故障诊断准确率。升故障诊断准确率。升故障诊断准确率。

【技术实现步骤摘要】
一种基于否定证据信度结构的多特征故障诊断方法


[0001]本专利技术属于故障诊断领域，具体涉及一种基于否定证据信度结构的多特征故障诊断方法。

技术介绍

[0002]随着现代科学技术及生产水平的提高，自动化、智能化逐渐应用在越来越多的领域，如工业、科研、医学等。在实际使用中，系统运作的安全性是一个至关重要的问题，及时对系统进行故障诊断可以有效检测其运行状态，避免安全事故的发生。因此，对故障诊断技术的研究具有很重要的现实意义。
[0003]故障诊断主要研究如何对系统运行状态与故障类型进行有效识别定位。现有的故障诊断方法包括基于模型的方法、基于信号处理的方法、基于数据驱动的方法和基于知识的方法等。随着现代化设备趋于复杂化、大型化，传感器采集的故障信息的随机性和模糊性也应该得到重视。此外，由于环境噪声、系统噪声和测量误差等因素，故障信息一般也是不确定的，甚至是相互冲突的，可能导致故障诊断结果误差较大。因此，如何有效处理这些特性的信息就显得尤为重要。模糊数理论及证据理论在处理不确定信息、模糊信息等方面具有独特优势，被广泛应用于故障诊断、决策分析与可靠性评估等领域。证据的信度结构作为证据理论的基础，在信息的处理过程中不可或缺。然而证据信度结构通常包含不确定性，使用证据信度结构的否定可以模拟证据信度结构中附加的不确定信息，获得证据体中额外有价值的信息，同时处理更多的信息以获得更大的准确度。
[0004]此外，现代化设备的复杂化也决定了故障信号与故障征兆之间的交叉性，若仅依靠单一故障信息源可能造成诊断结果偏离实际故障，而信息融合技术能够融合多源故障类型信息，实现对目标的更准确全面认知，广泛应用于多个领域。
[0005]因此，本申请基于多特征传感器探测的系统故障信息，融合三角模糊数理论、证据理论和信息融合技术识别系统故障类型，一方面可以较好处理传感器信息的不确定性，另一方面又可以提升故障识别的准确率。

技术实现思路

[0006]本专利技术所要解决的技术问题是：如何实现故障诊断。使用该方法实现故障诊断对系统设备安全领域具有重要意义。
[0007]为解决上述技术问题，本专利技术采用的技术方案是一种基于否定证据信度结构的多特征故障诊断方法，其特征在于，包括以下步骤：
[0008]步骤一、依据故障样本数据集与待测样本数据分别生成三角模糊数；
[0009]系统基于r种故障特征C1,C2,
…
,C
i
,
…
,C
r
在n种故障类型F1,F2,
…
,F
j
,
…
,F
n
下对待测样本进行故障诊断，系统的辨识框架表示为Θ＝{F1,F2,
…
,F
n
}，它的幂集包含2
N
个命题，输入n种故障类型下r种故障特征的故障样本数据集D
ij
及传感器在r种故障特征下对样本进行测量得到
的待测样本数据T
i
，分别根据D
ij
和T
i
生成故障样本数据集在属于各故障类型的每种故障特征下的三角模糊数与待测样本数据在各故障特征下的三角模糊数，生成方法为：
[0010]步骤101：计算故障样本数据集D
ij
中所有属于故障类型F
j
的k个样本在故障特征C
i
上的最小值平均值和最大值和最大值和最大值其中为故障样本数据集D
ij
中属于故障类型F
j
的k个样本在故障特征C
i
上的测量值，由此生成故障样本数据集在属于故障类型F
j
的故障特征C
i
下的三角模糊数
[0011]步骤102：根据步骤101计算待测样本数据T
i
在故障特征C
i
上的最小值Y
imin
，平均值和最大值Y
imax
，生成待测样本数据在故障特征C
i
下的三角模糊数下的三角模糊数
[0012]步骤二、依据故障样本数据集与待测样本数据的三角模糊数匹配生成各故障特征的否定证据信度结构；
[0013]步骤201：将故障样本数据集中故障特征C
i
在故障类型F
j
下的三角模糊数与待测样本数据在故障特征C
i
下的三角模糊数进行匹配，根据公式下的三角模糊数进行匹配，根据公式生成待测样本数据T
i
在故障特征C
i
下命题A的否定证据信度结构，其中S
i
表示在故障特征C
i
上的待测样本数据的三角模糊数的面积，表示在故障特征C
i
上的待测样本数据的三角模糊数与故障特征C
i
上属于命题A的所有故障类型F
j
的故障样本数据集三角模糊数的重叠面积，表示在故障特征C
i
上的待测样本数据的三角模糊数与故障特征C
i
上属于命题A的所有故障类型F
j
的故障样本数据集的三角模糊数及不属于命题A的各故障类型F
p
的故障样本数据集三角模糊数的重叠面积的并集；
[0014]步骤202：依据步骤201生成待测样本数据T
i
在故障特征C
i
下所有2
N
个命题的否定证据信度结构，使用公式对计算结果进行归一化处理，由此生成待测样本数据T
i
在故障特征C
i
下的否定证据信度结构
[0015]步骤三、生成各故障特征的证据信度结构；
[0016]步骤301：基于步骤202中生成的待测样本数据T
i
在每种故障特征下的否定证据信度结构，根据公式生成待测样本数据T
i
在故障特征C
i
下命题A的证据信度结构，其中|A|表示命题A中元素的基数，|A∩B|表示命题A与B中相交元素的基数；
[0017]步骤302：依据步骤301生成待测样本数据T
i
在故障特征C
i
下所有2
N
个命题的证据信度结构,使用公式对计算结果进行归一化处理，由此生成待测样
本数据T
i
在故障特征C
i
下的证据信度结构m
i
′
；
[0018]步骤四、依据故障样本数据集生成各故障特征的权重；
[0019]步骤401：基于步骤101中计算得到的故障样本数据集D
ij
在故障特征C
i
上分别属于n个故障类型的平均值使用公式使用公式分别生成故障样本数据集D
ij
在故障特征C
i
上的平均值和方差；
[0020]步骤402：根据公式生成故障样本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于否定证据信度结构的多特征故障诊断方法，其特征在于，包括以下步骤：步骤一、依据故障样本数据集与待测样本数据分别生成三角模糊数；系统基于r种故障特征C1，C2，
…
，C
i
，
…
，C
r
在n种故障类型F1，F2，
…
，F
j
，
…
，F
n
下对待测样本进行故障诊断，系统的辨识框架表示为Θ＝{F1，F2，
…
，F
n
}，它的幂集包含2
N
个命题，输入n种故障类型下r种故障特征的故障样本数据集D
ij
及传感器在r种故障特征下对样本进行测量得到的待测样本数据T
i
，分别根据D
ij
和T
i
生成故障样本数据集在属于各故障类型的每种故障特征下的三角模糊数与待测样本数据在各故障特征下的三角模糊数，生成方法为：步骤101：计算故障样本数据集D
ij
中所有属于故障类型F
j
的k个样本在故障特征C
i
上的最小值平均值和最大值和最大值和最大值其为故障样本数据集D
ij
中属于故障类型F
j
的k个样本在故障特征C
i
上的测量值，由此生成故障样本数据集在属于故障类型F
j
的故障特征C
i
下的三角模糊数步骤102：根据步骤101计算待测样本数据T
i
在故障特征C
i
上的最小值Y
imin
，平均值和最大值Y
imax
，生成待测样本数据在故障特征C
i
下的三角模糊数下的三角模糊数步骤二、依据故障样本数据集与待测样本数据的三角模糊数匹配生成各故障特征的否定证据信度结构；步骤201：将故障样本数据集中故障特征C
i
在故障类型F
j
下的三角模糊数与待测样本数据在故障特征C
i
下的三角模糊数进行匹配，根据公式下的三角模糊数进行匹配，根据公式生成待测样本数据T
i
在故障特征C
i
下命题A的否定证据信度结构，其中S
i
表示在故障特征C
i
上的待测样本数据的三角模糊数的面积，表示在故障特征C
i
上的待测样本数据的三角模糊数与故障特征C
i
上属于命题A的所有故障类型F
j
的故障样本数据集三角模糊数的重叠面积，表示在故障特征C
i
上的待测样本数据的三角模糊数与故障特征C
i
上属于命题A的所有故障类型F
j
的故障样本数据集的三角模糊数及不属于命题A的各故障类型F
p
的故障样本数...

【专利技术属性】
技术研发人员：邓鑫洋，崔叶碧，耿杰，蒋雯，
申请(专利权)人：西北工业大学，
类型：发明
国别省市：