[0038] 本发明提出的基于近邻证据融合的旋转机械设备故障诊断方法,其流程框图如图1所示,包括以下各步骤:
[0039] (1)设定旋转机械设备的故障集合为Θ={F1,…,Fi,…,FN},Fi代表故障集合Θ中的第i个故障,i=1,2,…,N,N为故障个数。
[0040] (2)设x={x1,…,xj,…,xm}为测得的特征向量,xj代表第j个特征参数,j=1,2,...,m,建立故障特征参数xj的故障样板模式 为的xj一个隶属度函数集,
获取隶属度函数集 中的每个隶属度函数的步骤如下:
[0041] (2-1)观测故障集合Θ中的每个故障Fi的故障特征参数xj,连续记录30至50次,将观测结果记为一组,共进行l组观测,5≤l≤10,将记录的这些数据作为特征参数xj在故障Fi下的的训练特征样本库
[0042] (2-2)计算第r组观测结果的算术平均值 和标准差
[0043]
[0044]
[0045] 其中r=,1,2,…,l, 分别为对特征参数xj的第r组观测值,每组采集n个观测,30≤n≤50。
[0046] (2-3)根据上述 和 建立故障Fi关于故障特征参数xj的隶属度函数:
[0047]
[0048] 其中, σa,σb分别是均值为Ma,Mb的两次测量的标准差。
[0049] (3)当旋转机械设备在线运行时,测得一个特征向量 作为待分类样本,在xj的所有故障模式下的训练特征样本库 中找到与 最接
近的k个近邻特征值,通过计算训练特征样本库中每个特征与 的距离, 将
距离最小的k个特征参数放入集合Φs中,Φs={x1,j,x2,j,…xk,j},将 代入到隶属度函数集 中进行单值匹配得到xλ,j属于各种故障的信度m(F1),…,m(Fi),…,m(FN),其中m(Fi)=ui,j(xλ,j),由于这些数值具有概率似然特性,且反映了对某一模式的支持程度。但是得到的这组匹配度一般不满足加权和为1,所以还要对它们进行归一化处理:
[0050] m(Θ)=1-max(m(F1),m(F2),...,m(FN))
[0051] m(Θ)表示对假设“不确定是哪种模式”的支持程度;
[0052]
[0053]
[0054] 得到基本概率赋值函数,组成一条证据,并由以下形式表示:
[0055]
[0056] (4)将k个近邻特征的证据使用Dempster组合规则进行融合得到 的证据:
[0057]
[0058] 其中⊕代表Dempster组合规则:
[0059]
[0060] (5)最后,把待分类样本xs的m个特征参数的证据再融合,即得到xs的诊断证据:
[0061]
[0062] (6)根据上述步骤(5)的融合诊断证据,并利用以下决策准则对旋转机械设备的故障进行诊断:
[0063] m”(Fi)=max{m”(F1),m”(F2),...,m”(FN),m”(Θ)}
[0064] 将待分类样本xs分配到故障模式Fi中。
[0065] 以下结合附图,详细介绍本发明方法的实施例:
[0066] 本发明方法的流程框图如图1所示,核心部分是:构造特征参数的故障样板模式的隶属度函数,在特征训练样本库中找到待分类样本中各特征的近邻特征,并通过单值匹配得到近邻特征属于各故障的信度,归一化处理得到近邻特征的证据,融合这些证据可得待分类样本各特征的证据,再次融合各特征的证据,在决策准则下,由融合结果进行故障决策。
[0067] 以下结合图2中电机转子故障诊断系统的最佳实施例,详细介绍本发明方法的各个步骤,并通过实际结果验证融合诊断结果优于单个故障特征参数所提供的诊断结果。
[0068] 1、电机转子故障诊断系统设置实例
[0069] 实验设备如图2中的ZHS-2型多功能柔性转子试验台,将加速度传感器安置在转子支撑座的水平和垂直方向采集转子振动信号,经HG-8902采集箱将信号传输至计算机,然后利用Labview环境下的HG-8902数据分析软件得到转子振动加速度频谱作为故障特征信号。
[0070] 2、电机转子故障设置及故障特征参数的选取
[0071] 分别在试验台上设置了故障“F1为正常”,“F2为转子不平衡”,“F3为转子不对中”,“F4为转子支撑基座松动”,则故障集合为Θ={F1,F2,F3,F4}。与设备正常运行时的频谱相比,引发异常振动的故障源都会产生一定频率成分的振动加速度的幅值增加,可能是单一频率,也可能是一组频率或者某个频带。该实验环境中,设置转子转速为1500r/m,基频1X为25Hz,n倍频nX,n=1,2,3,…,亦即n×25Hz。转子正常时,其各个振动加速度频率幅值都不超过0.1mm/s2。当故障出现时,不同的故障所表现出的频率及其幅值的增加情况也不同。故障的振动能量大都集中在1X~3X上,但是对单一某个频率振动加速度幅值的分析很难判定是哪个故障发生。所以这里将振动加速度1X~3X的幅值(单位mm)作为故障特征参数,将这些频域信息进行融合做出综合决策。
[0072] 3、确定振动加速度1X~3X的幅值这3个故障特征参数对应的4种故障样板模式的隶属度函数
[0073] 利用本发明方法步骤(2),分别在电机转子上设置“F1”、“F2”、“F3”、“F4”这4种故障,并利用振动加速度传感器获取振动加速度1X、2X、3X的幅值这3种故障特征参数。对于每个故障特征参数,在时间间隔△t=16s内连续采集40次观测,共采集5组,组成训练特征样本库,利用这5组观测得到样板模式隶属度函数。4种故障对应3种故障特征参数,共需建立12个这样的隶属度函数,分别如图3-5所示,图中的标线“μF1,μF2,μF3,μF4”分别表示4种故障样板模式中的隶属度函数。这里需要说明的是,在实际的设备状态监测与诊断中,如果可以得到以往设备的维修和故障监测数据或者专家提供的经验数据,也可以用该方法得到相应的隶属度函数。
[0074] 4、求取待分类样本特征的近邻特征及其证据
[0075] 以F1发生为例,设备在线运行状态下,取得故障特征参数振动加速度1X、2X、3X的幅值,组成一个待分类样本,按照步骤(3)的方法找到待分类样本中每个特征在对应的训练特征样本库中的5(k值取5)个近邻特征值,并求得各个近邻特征的证据。
[0076] 5、将证据经过两次融合得到诊断证据
[0077] 依照本发明的步骤(4)、(5)将这些近邻特征的证据进行融合,融合时先将1X和2X幅值对应的证据用Dempster组合规则进行融合,得到的融合结果再和3X幅值对应的证据融合,得到3个特征的证据结构,如表1所示,最后再将这3个证据融合,得到最终的诊断证据,如表2所示。
[0078] 表1当F1发生时获取的3种故障特征参数对应的证据
[0079]证据 m(F1) m(F2) m(F3) m(F4) m(Θ) 诊断结果
1X幅值 0.9999 0 0 0 0.0001 F1
2X幅值 0.1405 0.8595 0 0 0 F2
3X幅值 0.0009 0.3550 0.0006 0.6435 0 F4
[0080] 表2当3种特征参数对应的证据经融合后的诊断证据
[0081]诊断证据 m(F1) m(F2) m(F3) m(F4) m(Θ) 诊断结果
融合结果 0.7818 0.2812 0 0 0 F1
[0082] 6、根据融合结果进行故障诊断
[0083] 依照本发明的步骤(6)的决策准则,可以从融合结果中正确地判断“F1正常”发生,但是,如表1中所示,从3种特征参数单独提供的诊断证据都不能给出相同的判断,不能给出正确的判断结果。
[0084] 在每种模式下分别测得500个1X、2X、3X的幅值组成的特征向量,作为待分类样本,采用本发明方法的诊断结果如表3所示,其确诊率达到了92.6%;而没有采用k近邻算法,直接求取待分类样本各特征参数的证据,并进行融合,其诊断结果如表4所示,确诊率为90.5%。
[0085] 表3基于近邻证据融合方法的诊断结果
[0086] F1 F2 F3 F4
F1 434 63 0 3
F2 25 456 19 0
F3 0 6 478 16
F4 1 0 15 484
[0087] 表4基于证据融合方法的诊断结果
[0088] F1 F2 F3 F4
F1 425 70 0 5
F2 39 442 19 0
F3 1 8 476 14
F4 5 0 29 466