【技术实现步骤摘要】
一种缺失数据的最优轴承故障因果结构生成方法
[0001]本专利技术涉及轴承故障诊断
,具体是一种缺失数据的最优轴承故障因果结构生成方法
。
技术介绍
[0002]轴承作为一种关键部件,在现代机械设备中应用广泛,其健康状况关乎整个设备的工作安全
。
然而,由于实际工况中设备所处环境复杂多变,轴承发生故障多种多样,而是多种故障同时存在,导致复合故障特征难以准确提取,故障诊断的有效性变得十分困难
。
[0003]为了解决上述技术问题,专利
CN116701871A
提供了一种基于因果特征加权网络的滚动轴承复合故障特征选择方法,构建因果特征加权网络模型,引入加权网络中心性指标节点强度对复合故障特征进行定量描述,通过深度神经网络模型的复合故障诊断完成特征选择,并利用沙普利累加性解释模型解释所选特征对诊断准确率的贡献度,以此提高轴承故障识别的准确性
。
[0004]尽管上述现有技术对滚动轴承复合故障特征选择适用性高,可提高滚动轴承复合故障识别的准确率
。
但是在实际的数据收集中,上述现有技术忽略了一点,即数据在采集的过程中,由于复杂多变的工况,一些数据无法采集,进而出现数据缺失的情况,导致数据库中存在数据不完整的故障样本
。
在故障样本量多时,可以舍弃存在数据缺失的故障样本,进而提高因果关系推导的精度
。
但是当故障样本量较少时,舍弃存在数据缺失的故障样本所带来的误差远大于使用这些存在数据缺失的故障样本带 ...
【技术保护点】
【技术特征摘要】
1.
一种缺失数据的最优轴承故障因果结构生成方法,其特征在于,包括以下步骤:
S1、
获取轴承的故障样本,确定故障样本中数据缺失的情况,建立故障样本中各故障变量之间的因果关系,并形成全连接图;
S2、
对全连接图中存在的因果关系进行修正,去除其中错误的因果关系,以将全连接图转化为因果无向图;
S3、
确定因果无向图中各因果关系的因果指向,以获得表征真实因果关系的因果有向无环图
。2.
根据权利要求1所述的一种缺失数据的最优轴承故障因果结构生成方法,其特征在于,步骤
S1
的具体步骤如下:
S11、
轴承的故障变量包括工况变量和故障类型;通过将已经确定故障类型的故障轴承在各种工况变量下进行分组实验,获取与故障类型对应的工况变量的工况数据;工况数据的具体获取过程如下:首先选取故障类型已经确定的故障轴承,接着设定该故障轴承的各个工况变量的初始工况数据,然后开始对故障轴承进行转动实验,并通过对应的仪器检测在转动实验中故障轴承的实时工况数据;检测实时工况数据的过程具体如下:在同一组初始工况数据下,转动实验运行设定时间后开始采集实时工况数据,并且按照等时差的方式依序采集;在采集设定数量的实时工况数据后,停止转动实验,并将采集的实时工况数据连同对应的故障类型作为一组故障样本进行存储;
S12、
对各组实时工况数据逐一打上表征数据是否缺失的缺失指标,并将打标后的实时工况数据存放在初始数据库中;缺失指标取值为1时,表示该实时工况数据存在;缺失指标取值为0时,表示该实时工况数据缺失;
S13、
假设初始数据库中的各个故障类型和各个工况变量之间存在因果关系,并根据该因果关系构建全连接图;在全连接图中各个故障类型和各个工况变量均构成节点,对应的因果关系构成节点之间的连线
。3.
根据权利要求2所述的一种缺失数据的最优轴承故障因果结构生成方法,其特征在于,步骤
S2
的具体步骤如下:
S21、
将初始数据库中的工况变量和故障类型均定义为因果变量;构建衡量因果结构,并将初始数据库中的各组故障样本输入到衡量因果结构中,计算出各组故障样本中任意两个因果变量之间的因果关系衡量值;
S22、
从各组故障样本的因果关系衡量值中,选取相同两因果变量之间的因果关系衡量值的最大值作为标量值;标量值表示如下:;其中,表示因果变量
V
X
和因果变量
V
Y
之间的标量值;表示第1组故障样本中因果变量
V
X
和因果变量
V
Y
之间的因果关系衡量值;表示第2组故障样本中因果变量
V
X
和因果变量
V
Y
之间的因果关系衡量值;表示第
N
组故障样本中因果变量
V
X
和因果变量
V
Y
之间的因果关系衡量值,
N
为故障样本的总组数;
max(
▪
)
表示取最大值操作;
S23、
构建分类器,通过分类器检测因果变量之间因果关系的准确性,具体检测过程如下:选定一个因果变量,并计算该因果变量与剩余因果变量之间的标量值,从标量值中任选一个作为参考值,比较参考值与剩余标量值之间的大小,若剩余标量值均小于参考值,则记为1,反之则为0;对比较结果进行求和,并将求和结果与因果变量总数减1进行相除,若商为1,则参考值对应的两个因果变量之间的因果关系准确,反之,则参考值对应的两个因果变量之间的因果关系需要进一步确认是否准确;分类器表示如下:;其中,表示因果变量
V
X
和因果变量
V
Y
之间的分类结果,即比较结果;表示因果变量
V
X
和因果变量
V
I
之间的标量值;
A
表示全部因果变量构成的集合;
M
表示因果变量的总数;
V
I
表示
A
中的第
I
个因果变量;
S24、
在所有的因果变量之间的因果关系都已确定之后,删除全连接图中不准确的因果关系,保留准确的因果关系,进而将全连接图转化成因果无向图
。4.
根据权利要求3所述的一种缺失数据的最优轴承故障因果结构生成方法,其特征在于,步骤
S23
中两个因果变量之间的因果关系需要进一步确认的步骤如下:计算选定的因果变量的相邻因果变量的个数,接着将计算出的个数和选定的因果变量的参考值输入到相邻置信度参数计算公式中,计算出对应的置信度分数,若置信度分数大于1,则参考值对应的两个因果变量之间的因果关系准确,反之,则不准确
。5.
根据权利要求4所述的一种缺失数据的最优轴承故障因果结构生成方法,其特征在于,步骤
S3
的具体步骤如下:
S31、
在确定各因果变量准确的因果关系后,通过因果推断模型推导数据不缺失的各因果变量之间的因果方向;
S32、
对于数据存在缺失的各因果变量之间,通过信息传递结构推导该各因果变量之间的因果方向;
S33、
在所有因果变量之间的因果方向均已确认的情况下,为因果无向图中的连线标上表征因果方向的箭头,进而将因果无向图更新为因果有向无环图
。6.
根据权利要求5所述的一种缺失数据的最优轴承故障...
【专利技术属性】
技术研发人员:丁煦,吴昊,汪俊龙,徐娟,翟华,
申请(专利权)人:合肥工业大学,
类型:发明
国别省市:
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。