一种基于区间型证据融合的旋转机械设备故障诊断方法技术

本发明专利技术涉及一种基于区间型证据融合的旋转机械设备故障诊断方法，属于旋转机械设备故障监控与诊断技术领域。本方法基于对故障典型数据的统计分析，构造模糊隶属度函数集合，用该函数集建模故障档案库中的每个故障样板模式；用单个隶属度函数建模在线监测中提取的故障待检模式；将待检模式与各样板模式进行匹配，得到待检模式支持各故障的信度匹配区间；利用蒙特卡洛拉丁超立方体采样方法，给出从该信度区间中获取区间型诊断证据的方法；然后将这些证据融合，在一定的决策准则下，由融合结果进行故障决策，基于多证据融合结果做出的决策要比只凭借单一诊断证据做出的决策更加准确。

【技术实现步骤摘要】

本专利技术涉及，属于旋转机 械设备故障监控与诊断

技术介绍
在线故障诊断技术是旋转机械设备安全生产和高效运行的有力保障，但该类技术 的实施还面临诸多挑战由于故障的发生具有不确定性，所以通常较难得到取值为“0”或 “1”的故障发生概率，亦即故障常具有随机性或模糊性的特点；故障发生的成因较为复杂， 通常同一故障可以表现出多种特征，同一故障特征可能是由不同故障引起；此外，由于传感 器本身的测量误差或有限的监测数据不能全面反映故障，使得从其中提取的故障特征也会 具有模糊性。所以故障诊断就可归结为基于多源故障特征信息的分类决策问题，而决策的 水平则往往取决于诊断系统所能获得的信息量和对信息的利用程度。因此，可靠的故障诊 断技术就与传感器的类型、品质及其信号采集、故障信号特征提取和故障决策过程中，模糊 性信息的处理有密切关系。面对故障模式及其特征之间复杂的对应关系，以及诊断过程中的各种不确定因 素，基于传统的单传感器、单因素监测与诊断方法的能力已显不足。为了进一步提高诊断的 精度和可靠性，代之而起的多源信息融合技术，可以将空间或时间上的冗余信息和互补信 息依据某种准则进行融合，以获得被测对象的一致性解释和描述，从而做出更加精准的判 断。
技术实现思路
本专利技术的目的是提出，克 服单源故障特征信息诊断技术的缺点，将多个故障特征信息提供的区间型诊断证据进行融 合，基于融合结果做出比任意单一诊断证据更加精准的故障决策。本专利技术提出的基于区间型证据融合的旋转机械设备故障诊断方法，包括以下各步 骤(1)设定旋转机械设备的故障集合为Θ = (F1, -,Fi,…，!V}，Fj代表故障集合 θ中的第j个故障，j = 1，2，…，N，N为故障个数；(2)设χ为故障集合Θ的一个故障特征参数，建立故障特征参数χ的故障样板 模式凡,， 为故障。的一个隶属度函数集，应。=、 , ι,… .、，获取隶属度函数集 ^F1 中的每个隶属度函数的步骤如下(2-1)观测故障集合θ中的每个故障FjW故障特征参数X，连续记录30至50次， 将观测结果记为一组，共进行m组观测，5(2-2)计算第k组观测结果的算术平均值M/和标准差σ/ Mjk 二(xJkl + Xjk2 +... + x( )/n,30< <50权利要求1. ，其特征在于该方法包括以 下各步骤(1)设定旋转机械设备的故障集合为全文摘要本专利技术涉及，属于旋转机械设备故障监控与诊断
本方法基于对故障典型数据的统计分析，构造模糊隶属度函数集合，用该函数集建模故障档案库中的每个故障样板模式；用单个隶属度函数建模在线监测中提取的故障待检模式；将待检模式与各样板模式进行匹配，得到待检模式支持各故障的信度匹配区间；利用蒙特卡洛拉丁超立方体采样方法，给出从该信度区间中获取区间型诊断证据的方法；然后将这些证据融合，在一定的决策准则下，由融合结果进行故障决策，基于多证据融合结果做出的决策要比只凭借单一诊断证据做出的决策更加准确。文档编号G06F17/50GK102033984SQ20101054395公开日2011年4月27日 申请日期2010年11月12日 优先权日2010年11月12日专利技术者冯海山, 吉吟东, 周东华, 孙新亚, 徐晓滨 申请人:清华大学本文档来自技高网...

【技术保护点】
一种基于区间型证据融合的旋转机械设备故障诊断方法，其特征在于该方法包括以下各步骤：（１）设定旋转机械设备的故障集合为Θ＝｛Ｆ↓［１］，…，Ｆ↓［ｊ］，…，Ｆ↓［Ｎ］｝，Ｆ↓［ｊ］代表故障集合Θ中的第ｊ个故障，ｊ＝１，２，…，Ｎ，Ｎ为故障个数；（２）设ｘ为故障集合Θ的一个故障特征参数，建立故障特征参数ｘ的故障样板模式＊↓［Ｆ↓［ｊ］］，＊↓［Ｆ↓［ｊ］］为故障Ｆ↓［ｊ］的一个隶属度函数集，＊↓［Ｆ↓［ｊ］］＝｛μ↓［Ｆ↓［ｊ］１］，μ↓［Ｆ↓［ｊ］，２］，…μ↓［Ｆ↓［ｊ］，ｍ］｝，获取隶属度函数集＊↓［Ｆ↓［ｊ］］中的每个隶属度函数的步骤如下：（２－１）观测故障集合Θ中的每个故障Ｆ↓［ｊ］的故障特征参数ｘ，连续记录３０至５０次，将观测结果记为一组，共进行ｍ组观测，５≤ｍ≤１０；（２－２）计算第ｋ组观测结果的算术平均值Ｍ↓［ｋ］↑［ｊ］和标准差σ↓［ｋ］↑［ｊ］：Ｍ↓［ｋ］↑［ｊ］＝（ｘ↓［ｋ，１］↑［ｊ］＋ｘ↓［ｋ，２］↑［ｊ］＋．．．＋ｘ↓［ｋ，ｎ］↑［ｊ］）／ｎ，３０≤ｎ≤５０σ↓［ｋ］↑［ｊ］＝＊＊＊其中ｋ＝，１，２，…，ｍ，ｘ↓［ｋ，１］↑［ｊ］，ｘ↓［ｋ，２］↑［ｊ］…ｘ↓［ｋ，ｎ］↑［ｊ］分别为对故障Ｆ↓［ｊ］的第ｋ组观测值，每组采集ｎ个观测，３０≤ｎ≤５０；（２－３）根据上述Ｍ↓［ｋ］↑［ｊ］和σ↓［ｋ］↑［ｊ］建立故障Ｆ↓［ｊ］关于故障特征参数ｘ的第ｋ个高斯型隶属度函数：μ↓［Ｆ↓［ｊ］，ｋ］（ｘ）＝ｅｘｐ（－（ｘ－Ｍ↓［ｋ］↑［ｊ］）↑［２］／２σ↓［ｋ］↑［ｊ↑［２］］）（３）当旋转机械设备在线运行时，对故障特征参数ｘ进行２０至３０次观测，构成一组在线监测数据，按照步骤（２－２）－（２－３），建立故障待检模式的隶属度函数：μ↓［ｏ］（ｘ）＝ｅｘｐ（－（ｘ－Ｍ↓［ｏ］）↑［２］／２σ↓［ｏ］↑［２］）其中Ｍ↓［ｏ］和σ↓［ｏ］分别为２０至３０次观测的算术平均值和标准差，ｏ代表观测；（４）分别将μ↓［ｏ］（ｘ）与＊↓［Ｆ↓［ｊ］］中的每个μ↓［Ｆ↓［ｊ］，ｋ］进行匹配，得到μ↓［ｏ］（ｘ）对故障集Θ中每个故障Ｆ↓［ｊ］的匹配区间为：ｍ↓［ｘ］（Ｆ↓［ｊ］）＝［＊（ρ（ｏ｜Ｆ↓［ｊ，ｋ］）），＊（ρ（ｏ｜Ｆ↓［ｊ，ｋ］））］＝［ａ↓［ｊ］↑［ｘ′］，ｂ↓［ｊ］↑［ｘ′］］其中ρ（ｏ｜Ｆ↓［ｊ，ｋ］）＝＊ｍｉｎ｛μ↓［Ｆ↓［ｊ］，ｋ］（ｘ），μ↓［０］（ｘ）｝，表示对ｘ的每个隶属度函数值μ↓［ｏ］（...

【技术特征摘要】

【专利技术属性】
技术研发人员：周东华，徐晓滨，吉吟东，孙新亚，冯海山，
申请(专利权)人：清华大学，
类型：发明
国别省市：11[中国|北京]