【技术实现步骤摘要】
基于多准则融合的复杂工业系统故障诊断方法
[0001]本专利技术属于故障诊断领域，具体是用于对复杂工业系统进行多故障诊断的方法，尤其是用于内部存在两个或多个同类或相似的子系统分别运行在相同或相近工况下的复杂工业系统。
技术介绍
[0002]故障诊断方法日趋综合化、智能化、多样化，其分类方法也很多。根据故障诊断的信息来源，可分为故障自诊断和故障互诊断两类，其中故障自诊断方法以监测对象本体的状态信息为依据制定故障诊断准则，故障互诊断方法以同类监测对象在相同或相近运行工况下的状态信息为依据制定故障诊断准则。当前，针对存在多个相似子系统的复杂系统的故障诊断，无论是针对局部故障还是全局故障，大多依据的是故障自诊断准则，例如：
[0003](1)2022年高素杰等在杂志《机械传动》(第46卷第10期)的“基于LMD排列熵和BP神经网络的行星齿轮箱故障诊断方法”论文中公布了一种基于局部均值分解排列熵和BP神经网络结合的方法，有效解决了多级行星齿轮箱故障诊断过程中的故障特征向量区分度差、诊断成功率不够高等问题，但只利用了多测点的全局...
【技术保护点】
【技术特征摘要】
1.一种基于多准则融合的复杂工业系统故障诊断方法，其特征是包括：步骤1)：采集并整理复杂工业系统中各个子系统在不同运行状态下的各个状态信号，确定并提取每个子系统的状态信号的多个高敏感度特征参数；步骤2)：以所述的多个高敏感度特征参数为输入、对应的运行状态和隶属度为输出，建立各个子系统的故障自诊断模型，获得各个故障自诊断模型的测试准确度；步骤3)：计算出待诊断子系统的每个高敏感度特征参数与其他基准子系统的对应的高敏感度特征参数之间的商，利用指数函数特性进行显著化处理后作为相对特征参数，以所述的相对特征参数为输入、对应的运行状态和隶属度为输出，建立各个子系统的故障互诊断模型，获得各个故障互诊断模型的测试准确度，与步骤2)中所述的故障自诊断模型的的测试准确度共同构成全模型准确度矩阵；步骤4)：对所述的全模型准确度矩阵中各元素按行进行归一化，得到初始融合权重；步骤5)：在线采集并整理各个子系统在实际运行过程中第一个诊断时间段的状态信号，提取每个子系统的状态信号的多个高敏感度特征参数，并将其输入所述的故障自诊断模型中，输出对应的各个隶属度，构成隶属度向量；步骤6)：按步骤3)，计算出待诊断子系统的相对特征参数，并将其输入所述的故障互诊断模型中，获得各个子系统所有隶属度向量，与步骤5)中所述的隶属度向量共同构成隶属度向量矩阵；步骤7)：以各运行状态为决策候选，以所述的故障自诊断模型和故障互诊断模型组成的全部故障诊断模型为评价属性，由所述的隶属度向量矩阵生成各个子系统的各个决策候选以Picture模糊数为形式的运行状态评估值，由所述的运行状态评估值构建出Picture模糊矩阵；步骤8)：基于所述的初始融合权重，采用加权平均法，得到所述的运行状态评估值的融合评估值，根据所述的融合评估值得到第一个诊断时间段的故障诊断的融合评估结果。步骤9)：利用所述的第一个诊断时间段的融合评估结果，对初始融合权重进行更新，得到第二个诊断时间段的融合权重，重复步骤5)～步骤9)，得到复杂工业系统的在线故障诊断结果。2.根据权利要求1所述的复杂工业系统故障诊断方法，其特征是：步骤9)中，计算出当前时间段的融合评估结果的运行状态评估值与所述的融合评估值之间的欧氏距离，使欧氏距离较小的模型所属权重相应增大，欧氏距离较大的模型所属权重相应减小，实时更新所述的初始融合权重。3.根据权利要求1所述的复杂工业系统故障诊断方法，其特征是：步骤3)中，利用指数函数处理所述的相对特征参数底数a>1，i＝1,2,...r,k＝2,3,...n，n是子系统数目，r为特征参数的数量。4.根据权利要求1所述的复杂工业系统故障诊断方法，其特征是：步骤4)中所述的初始融合权重δ
ij
...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。