基于多准则融合的复杂工业系统故障诊断方法技术方案

本发明专利技术公开一种基于多准则融合的复杂工业系统故障诊断方法，以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故障自诊断模型，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，以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故障互诊断模型；将在线采集的状态信号的高敏感度特征参数输入故障自诊断模型中，计算出待诊断子系统的相对特征参数并将其输入故障互诊断模型中，生成各个决策候选以Picture模糊数为形式的运行状态评估值，采用加权平均法得到融合评估值；依据相似子系统间状态信息的差异进行诊断，有利于排除复杂工业系统内部的随机性因素，提高诊断精度以及稳定性。提高诊断精度以及稳定性。提高诊断精度以及稳定性。

【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振动信号来诊断可能存在的单一局部故障，无法区分内部多行星轮各自的工况，更对复合局部故障组合难以奏效。
[0004](2)2018年Zhou,H.等在杂志《IEEE Transactions on Vehicular Technology》(第67卷第3期)的“Motor torque fault diagnosis for four
‑
wheel independent motor
‑
drive vehicle based on unscented Kalman filter”论文中公布了一种四轮独立驱动汽车电机转矩故障诊断方法，能够识别电机实际输出转矩与车辆控制单元控制电机转矩存在差异的故障情况，虽是对全局转矩故障的考量，但仅考虑了各驱动轮独自的故障参数与转矩故障的关联，没有对各轮间差异性进行进一步分析。
[0005]而由于现代复杂工业设施设备系统内部子系统或子单元间存在很多错综复杂，强关联强耦合的相互关系，且不确定性因素及不确定性信息充斥其间，使具有随机性，继发性，并发性，传播性等特征的故障频发，传统的针对单一设备，单一子系统或子单元的故障自诊断方法难以发现和考虑到复杂复杂系统内部之间的关联关系，使得诊断准确率有限，误诊、漏诊概率较大。

技术实现思路

[0006]针对上述问题，本专利技术提出一种基于多准则深度融合的复杂工业系统故障诊断方法，同时运用自诊断和互诊断准则进行融合诊断，因此能在诊断过程中利用和考虑到复杂工业系统内部之间的关联性，并且能动态调整诊断结果，准确有效地进行故障识别诊断。
[0007]本专利技术提出的基于多准则深度融合的复杂工业系统故障诊断方法，采用的技术方案是具有以下步骤：
[0008]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；
[0009]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；
[0010]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；
[0011]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；
[0012]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；
[0013]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；
[0014]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；
[0015]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。
[0016]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)的雷同方法，得到复杂工业系统的在线故障诊断结果。
[0017]本专利技术的有益效果是：
[0018]1、本专利技术在依据子系统自身信息进行诊断的基础上，提出依据相似子系统间状态信息的差异进行诊断，更有利于排除复杂工业系统内部的随机性因素，提高诊断精度以及稳定性。
[0019]2、本专利技术提出的相对特征参数，对相似子系统运行信息间的差异性进行显著化的量化表征，从而建立基于互诊断准则的故障诊断模型群。
[0020]3、本专利技术基于Picture模糊理论，更准确地表征了故障诊断模型所输出的评估结果，提出的针对多准则诊断的融合决策方法，有效兼顾了基于多准则的评估结果信息，提高了诊断结果的可信性和准确度。
[0021]4、本专利技术通过在线滚动调整融合权重，有效优化了权重分配，进一步提高在线诊断的准确度和稳定性。
附图说明
[0022]下面结合附图和具体实施方式，对本专利技术技术方案做进一步详细描述和说明：
[0023]图1是本专利技术在第一阶段中基于多准则的故障诊断模型群的建立流程图；
[0024]图2是图1中相对特征参数计算方法的流程图；
[0025]图3是本专利技术在第二阶段中基于多准则融合的在线故障诊断方法流程图；
[0026]图4是图3中基于多准则的评估结果信息融合决策方法的流程图；
[0027]图5是图3中融合权重矩阵的更新计算方法的流程图。
具体实施方式
[0028]本专利技术所针对的复杂工业系统属于现代复杂工业设施或设备，该复杂工业系统特征是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，彼此之间既相对独立同时又相互影响相互关联，既具有静态的相似性，又具有动态的互动性，例如多轮毂电机驱动系统，多级行星齿轮系统等等。
[0029]本专利技术包含两个阶段，第一阶段为基于多准则的诊断模型建立阶段，第二阶段为多准则深度融合的在线诊断阶段。
[0030]多准则的含义为诊断过程中所依据的信息或基准不同，包本文档来自技高网...

【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
...

【专利技术属性】
技术研发人员：陶雨坤，薛红涛，颜骏，任晓波，
申请(专利权)人：江苏大学，
类型：发明
国别省市：