本发明专利技术涉及一种基于诊断证据平滑更新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。通过证据获取方法得到设备运行时的诊断证据，递归地使用条件化线性加权证据融合规则，实现当前时刻诊断证据对上一时刻更新后的诊断证据进行更新，从而获得当前时刻更新后的诊断证据。在一定的决策准则下，由更新后的诊断证据进行故障决策。基于当前、历史和未来时刻诊断证据的可靠度，确定了线性融合更新中证据的平滑权重，这使得所获得的当前时刻更新后的诊断证据动态地含有历史和未来时刻的有用诊断信息，从而使得基于更新后诊断证据做出的诊断决策，比基于未做更新的诊断证据做出的决策更为准确与可靠。
【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检测与诊断
。
技术介绍
在线故障诊断技术是保障旋转机械设备安全生产和高效运行的有力手段，但是目前情况下，该技术才刚刚起步，在实施过程中还面临诸多挑战。由于故障模式及其特征的复杂性和多样性，传统的基于单传感器的信息处理方法已不能胜任故障的检测和诊断，要想实现实时诊断并提高故障确诊率，采用多传感器增大诊断信息量势在必行。信息融合中的证据理论及方法以其在不确定性的表示、量测和融合等方面具有的优势，成为故障诊断领域中逐步被重视的一种方法。在已有的基于证据理论的各种融合诊断方法，如文献《基于模糊故障特征信息的随机集度量信息融合诊断方法，电子与信息学报》中提出的诊断证据获取及融合方法，由于只采用当前诊断证据判定故障，没有考虑当前诊断证据与历史及未来诊断证据之间的变化趋势及关系，必将使得最终的诊断决策缺乏足够的准确性和可靠性。
技术实现思路
本专利技术的目的在于，所提出的，将当前时刻诊断证据、历史及未来时刻诊断证据进行更新融合，利用得到的当前时刻更新后的诊断证据做出诊断决策，从而使得诊断结果更加准确与可靠。本专利技术提出的，包括以下各步骤:(I)设定旋转机械设备的故障集合为& = {F0, F1,…，F」，…，Fn}，Fj代表旋转机械设备的第j种故障(j = O, I,…，N)，则共有N+1种故障。(2)通过诊断证据生成方法，可在第k个时刻(k=l，2，3，…)，获得旋转机械设备的诊断证据为 Ek = (mk(F0), IHk(F1),..., Hik(Fj),…，mk(FN)，mk(Θ)),其中 Hik(Fj)表示在 k 时刻，对第j种故障发生的信度赋值，mk(0)表示对故障集合的信度赋值,则Ek为这些信度赋值构成的一个信度赋值向量，并有 1-(mk(F0) +mk(F1) +...+mk(Fj) +---+Hik(Fn)) = mk(Θ) 0(3)基于步骤(2)获得的诊断证据，通过线性加权诊断证据融合规则，用第k个时刻诊断证据对历史诊断证据进行平滑更新，从而获得k时刻更新后的诊断证据E1:k =(m1:k(F0), IHllk(F 1),...，Hillk(Fj),...，m1:k(Fn)，m1:k( Θ)),其中 l:k 表示 E1.k 是融合从 I 到 k 时刻所有的诊断证据得到的，具体步骤如下:(3-1)当k = I时，更新后的诊断证据为E1:1 = E1亦即更新后的诊断证据即为该时刻获得的诊断证据；(3-2)当k≥2时，更新后的诊断证据向量E1:k，其各元素取值由以下式⑴和(2)给出m1:k(A) = a J5Hillk^1 (Α) + β kmk(A|B) A, B e Θ (I)m1:k(0) = 1-ΣΑε @m1:k(A) (2)其中，式⑴中的Hi1I1 (A)表示k-Ι时刻更新后诊断证据En1对故障A的信度赋值;mk(A|B)表示第k个时刻获得的关于故障A的条件化信度赋值，当A =。时，若k时刻的诊断证据 Ek = (mk(F0)，mk (F1)，...，mk(Fj)，...，mk (Fn)，mk (Θ))中，mk (Fj)大于其他所有的mk(F0) ,Iiik(F1),…，mk (Ff1)，…，mk(Fj+1)，...，mk (Fn),贝丨J B = Fj,mk(A|B) = I ;否则，mk(A|B)=O ；Ci1^PPk为线性融合平滑权重，求解步骤如下:Ca)在获得k-Ι时刻更新后诊断证据Em、k时刻诊断证据Ek和k+Ι时刻诊断证据Ek+1之后,利用公式(3)计算向量E^1与向量Ek之间的距离(!(Em Ek)为本文档来自技高网...
【技术保护点】
一种基于诊断证据平滑更新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：步骤（1）设定旋转机械设备的故障集合为Θ＝{F0,F1,…,Fj,…,FN}，Fj代表旋转机械设备的第j种故障(j＝0,1,…,N)，则共有N+1种故障；步骤（2）通过诊断证据生成方法，在第k个时刻，获得旋转机械设备的诊断证据为Ek＝(mk(F0),mk(F1),…,mk(Fj),…,mk(FN),mk(Θ))，其中，k=1,2,3,…；mk(Fj)表示在k时刻，对第j种故障发生的信度赋值，mk(Θ)表示对故障集合的信度赋值，则Ek为这些信度赋值构成的一个信度赋值向量，并有1?(mk(F0)+mk(F1)+…+mk(Fj)+…+mk(FN))＝mk(Θ)；步骤（3）基于步骤（2）获得的诊断证据，通过线性加权诊断证据融合规则，用第k个时刻诊断证据对历史诊断证据进行平滑更新，从而获得k时刻更新后的诊断证据E1:k＝(m1:k(F0),m1:k(F1),…,m1:k(Fj),…,m1:k(FN),m1:k(Θ))，其中1:k表示E1:k是融合从1到k时刻所有的诊断证据得到的，具体步骤如下：（3?1）当k＝1时，更新后的诊断证据为E1:1＝E1亦即更新后的诊断证据即为该时刻获得的诊断证据；（3?2）当k≥2时，更新后的诊断证据向量E1:k，其各元素取值由以下式(1)和(2)给出m1:k(A)＝αkm1:k?1(A)+βkmk(A|B)??A,B∈Θ????(1)m1:k(Θ)＝1?ΣA∈Θm1:k(A)????(2)其中，式(1)中的m1:k?1(A)表示k?1时刻更新后诊断证据E1:k?1对故障A的信度赋值；mk(A|B)表示第k个时刻获得的关于故障A的条件化信度赋值，当A＝Fj时，若k时刻的诊断证据Ek＝(mk(F0),mk(F1),…,mk(Fj),…,mk(FN),mk(Θ))中，mk(Fj)大于其他所有的 mk(F0),mk(F1),…,mk(Fj?1),…,mk(Fj+1),…,mk(FN)，则B＝Fj，mk(A|B)＝1；否则，mk(A|B)＝0；αk和βk为线性融合平滑权重，求解步骤如下：（a）在获得k?1时刻更新后诊断证据E1:k?1、k时刻诊断证据Ek和k+1时刻诊断证据Ek+1之后，利用公式(3)计算向量E1:k?1与向量Ek之间的距离d(E1:k?1,Ek)为d(E1:k-1,Ek)=12(E1:k-1-Ek)D=(E1:k-1-Ek)T---(3)式中E1:k?1?Ek为两向量对应元素相减后得到的向量，T表示向量的转置，为一个(N+2)×(N+2)的矩阵，它的对角线元素取值为1，其第N+2列的第1行至第N+1行的元素取值，以及第N+2行的第1列至第N+1列的元素取值均为1/(N+1)，其他元素取值为0;同理，由式(4)获得向量E1:k?1与向量Ek+1之间的距离d(E1:k?1,Ek+1)为d(E1:k-1,Ek+1)=12(E1:k-1-Ek+1)D=(E1:k-1-Ek+1)T---(4)由式(5)获得向量Ek与向量Ek+1之间的距离d(Ek,Ek+1)为d(Ek,Ek+1)=12(Ek-Ek+1)D=(Ek-Ek+1)T---(5)（b）由上述步骤（a）求得距离d(E1:k?1,Ek)、d(E1:k?1,Ek+1)和d(Ek,Ek+1)后，计算k时刻E1:k?1、Ek和Ek+1两两之间的相似度：利用公式(6)计算向量E1:k?1与向量Ek之间的相似度c(E1:k?1,Ek)为c(E1:k?1,Ek)＝1?d(E1:k?1,Ek)????(6)相似度c(E1:k?1,Ek)是衡量向量E1:k?1与向量Ek的相近程度，亦即两个证据一致的程度，且有c(E1:k?1,Ek)＝c(Ek,E1:k?1)，即向量E1:k?1与向量Ek的相似度等于向量Ek与向量E1:k?1的相似度；同理，由式(7)获得向量E1:k?1与向量Ek+1之间的相似度c(E1:k?1,Ek+1)为c(E1:k?1,Ek+1)＝1?d(E1:k?1,Ek+1)????(7)由式(8)获得向量Ek与向量Ek+1之间的相似度c(Ek,Ek+1)为c(Ek,Ek+1)＝1?d(Ek,Ek+1)????(8)（c）按照上述步骤（b）获得在k时刻诊断证据向量E1:k?1、Ek和Ek+1两两相似度c(E1:k?1,Ek)，c(E1:k?1,Ek+1)及c(Ek,Ek+1)之后，计算每个证据向量被其他两个证据向量所支持的支持度：利用式(9)计算证据向量E1:k?1被证据向量...
【技术特征摘要】
1.一种基于诊断证据平滑更新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: 步骤(1)设定旋转机械设备的故障集合为? = {F0, Fl,…，Fy…，Fn}，Fj代表旋转机械设备的第j种故障(j = O, I,...，N)，则共有N+1种故障； 步骤(2)通过诊断证据生成方法，在第k个时刻，获得旋转机械设备的诊断证据为Ek =(mk (F0), mk (F1),..., Hik(Fj),...，mk(FN)，mk (Θ))，其中，k=l, 2，3，...；mk(Fj)表示在 k 时刻，对第j种故障发生的信度赋值，mk(0)表示对故障集合的信度赋值，则Ek为这些信度赋值构成的一个信度赋值向量，并有 1-(mk(F0) +mk(F1)...
【专利技术属性】
技术研发人员：徐晓滨，张镇，刘征，
申请(专利权)人：杭州电子科技大学，
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。