一种基于近邻证据融合的旋转机械设备故障诊断方法   0    0

本发明涉及一种基于近邻证据融合的旋转机械设备故障诊断方法。本发明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，用该函数集建模档案库中的每个特征参数在每个故障下的样板模式；待分类样本中的每个特征参数在相应的训练特征样本库中找到k个近邻特征值，并把这k个近邻特征值在对应特征下的各个故障样板模式中进行单值匹配，求得每个近邻特征属于各个故障的信度，进行归一化处理，得到k条证据，融合这k条证据即为该特征参数的证据，m个特征参数最后有m条证据,再次融合，得到最终的诊断证据，利用决策准则，根据融合结果进行故障决策，基于近邻证据融合结果做出的决策比只凭借单一诊断证据做出的决策更加准确。

1.一种基于近邻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＝{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；
(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：
(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下的训练特征样本库
(2－2)计算第r组观测结果的算术平均值 和标准差
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；
(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：
其中， σa，σb分别是均值为Ma，Mb的两次测量的标准差；
(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xλ,j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b(F1),…,b(Fi),…,b(FN)，其中b(Fi)＝ui,j(xλ,j)，λ＝1,2,…k，并进行归一化处理：
b(Θ)＝1-max(b(F1),…,b(Fi),…,b(FN))
b(Θ)表示对假设“不确定是哪种模式”的支持程度；
得到基本概率赋值函数，组成一条证据，并由以下形式表示：
(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：
其中 代表Dempster组合规则：
(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：
(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：
m”(Fi)＝max{m”(F1),m”(F2),...,m”(FN),m”(Θ)}
将待分类样本xs分配到故障模式Fi中。