[0041] 本发明提出的一种综合多源故障概率似然信度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：
[0042] (1)设定旋转机械设备的故障集合Θ＝{F1,...Fi,...FN}，Fi代表故障集合Θ中的第i个故障，i＝1,2,...,N，N为设备含有故障的个数。
[0043] (2)设x为能够反映故障集合Θ中每个故障Fi的故障特征参数，该特征参数由传感器信息源提供，建立故障特征参数x关于每个故障Fi的特征参数取值变化区间 其中， 和 分别代表区间的左右端点，具体获取 的步骤如下：
[0044] (2-1)当故障集合Θ中的故障Fi发生时，可获取故障特征参数x的δ个测量样本，记这些测量样本构成的集合为 一般500≥δ≥300。
[0045] (2-2)对于步骤(2-1)中获取的测量样本集合 分别求取这些样本的最小值和最大值，令它们分别为 和 并构成区间
[0046] (3)按照步骤(2)可以获取故障集合Θ中N种故障的特征参数x的测量样本变化区间 将这N个区间的2N个左右端点按照从小到大的顺序排序，组成含有2N个点的序列S＝{s1,s2,…,s2N} ，其中 按
照sj的排序，生成故障特征参数x关于故障集合Θ的2N+1个样本变化区间
[0047] 为了加深对故障特征参数的样本变化区间的理解，这里举例说明。设图3所示的电机转子系统有N＝4种典型故障模式Fi：正常运行F1，转子不平衡F2，转子不对中F3，基座松动F4，则故障集合Θ＝{F1,F2,F3,F4}，它们共同的故障特征为振动加速度频谱中1X(1倍频)的幅值x，该振动幅值由振动加速度传感器采集的时域振动信号经快速傅里叶变换后得到。通过步骤(2)获得δ＝500时的4个测量样本集合Vix，以及4种故障的特征参数x的测量样本变化区间在步骤(3)中，将这4个区间的8个左右端点按照从小到大的顺序排
序，组成含有8个点的序列S＝{0.0175,0.1194,0.1511,0.1578,0.2006,0.2038,0.3006,
0.3476}，那么就可以得到故障特征参数x关于故障集合Θ的9个样本变化区间：
[0048]
[0049]
[0050]
[0051] (4)在故障集合Θ中的N种故障分别发生时，通过步骤(2-1)可获得每种故障的测量样本集合 共计可获得Nδ个样本，用它们可构造故障特征x和故障F1,F2,…,FN之间的映射关系表，如表1所示，其中h＝1,2,···,2N+1，为步骤(3)中构造的特征参数x测量样本变化区间的个数，aih表示故障Fi的故障特征参数x的样本落入区间[sh-1,sh)中的个数，并有 ηh为落
入区间[sh-1,sh)中的样本个数总和，并有
[0052] 表1：故障特征参数x与故障类型映射关系表
[0053]
[0054] 为了理解上表所示的映射关系表，沿用步骤(3)例子中δ＝500的4个测量样本集合共计获得Nδ＝2000个样本，以及故障特征参数x关于4种故障类型的9个样本变化区间即可构造出故障特征参数x和故障F1，F2，F3，F4之间的映射关系表，如表2所示
[0055] 表2：故障特征1X的幅值x与4种故障类型映射关系表
[0056]
[0057] (5)根据步骤(4)中获取的映射关系表，可获得当故障Fi发生时，故障特征参数x的取值落入区间[sh-1,sh)的似然函数为：
[0058]
[0059] 将式(1)中的似然函数进行归一化，获得当故障特征x的取值落入区间 时，故障Fi发生的似然信度为：
[0060]
[0061] 并有 则可以定义此时获取的似然信度向量为：
[0062] Bx＝[bx(F1),bx(F2),…,bx(FN),bx(Θ)] (3)
[0063] 其中bx(Θ)＝0，表示为对故障集合Θ信度赋值为0；若任何故障的特征参数x的样本都未落入区间 中，亦即ηh＝0，则此时bx(Fi)＝0，bx(Θ)＝1，似然信度向量的取值为：
[0064] Bx＝[0,0,…,0,1] (4)
[0065] 给定一个故障特征参数x的取值，其必然落入 中的某一个区间，此时该区间所对应的似然信度向量被激活，则可以被激活的似然信度向量的个数为2N+1，它们分别由式(3)和式(4)给出。
[0066] 继续沿用步骤(3)中的例子来加深对似然信度向量的理解，设转子不对中故障F3发生时，故障特征参数x的一个取值落入映射关系表2的 区间中，此时该区间所对应的似然信度向量被激活，由式(1)得该取值对应的各似然函数分别为
然后由式(2)可得故障F3发生的似然信度为：
[0067]
[0068] 同样地，可求取其它故障发生的似然信度bx(F1)＝0，bx(F2)＝0.4656，bx(F4)＝0，并且bx(Θ)＝0，那么就可获取该取值对应的似然信度向量为：
[0069] Bx＝[0,0.4656,0.5344,0,0]
[0070] (6)定义可靠性因子αx用其对似然信度向量Bx中的元素进行折扣，生成关于故障特征参数x的诊断证据：
[0071]
[0072] 求取可靠性因子αx的步骤如下：
[0073] (6-1)在故障集合Θ中的N种故障分别发生时，再一次利用步骤(2-1)获得每种故障在故障特征参数x下的训练样本集合一般200≥ω≥50，共计可获得Nω个样本，它们组成的集合定义为
[0074] (6-2)构造目标函数：
[0075]
[0076] 它是关于可靠性因子αx的函数，其中， bx(Fi)，bx(Θ)为根据 落入的故障特征参数x的样本变化区间，由步骤(5)确定的故障类型Fi和故障集合Θ的似然信度赋值，当 则 否则
[0077] (6-3)设定αx的取值范围为0到1之间，利用数学计算软件Matlab中的fmincom非线性优化函数，最小化Obj(αx)的取值，此时对应获得的Obj函数的输入值即为寻找的可靠性因子αx的取值。
[0078] 为了加深对 取值的理解，在前例的基础上，假设给定一个在故障转子不平衡F2发生时获得的训练样本 并且落入区间 中，得到似然信度向量Bx＝[0,0.4656,0.5344,0,0]，已知该样本是在故障F2发生时采集的，那么 的取值均
为0。
[0079] (7)除了故障特征参数x，若存在另一种故障特征参数y也能反映Θ中的各个故障，则重复以上步骤(2)至(6)，可以获得关于y的诊断证据：
[0080]
[0081] (8)当在线获取故障特征参数x和y的取值后，它们分别会激活各自2N+1个似然信度向量中的一个，并分别通过式(5)和式(7)得到相应的诊断证据mx和my，对它们进行综合，得到综合后的诊断证据为：
[0082]
[0083] 其中，C都可以取故障集合Θ中的任何一个故障类型F1,F2,...FN，或者故障集合Θ本身。
[0084] 为加深对式(8)的理解，这里举例说明，若有振动加速度频谱中1X(1倍频)的幅值x和2X(2倍频)的幅值y两个故障特征参数通过式(5)和式(7)获得的诊断证据为：
[0085] mx＝[mx(F1),mx(F2),mx(F3),mx(F4),mx(Θ)]＝[0.3,0.2,0.5,0,0]
[0086] my＝[my(F1),my(F2),my(F3),my(F4),my(Θ)]＝[0,0.5,0.5,0,0]
[0087] 诊断证据mx和my之间的冲突程度则为：
[0088]
[0089] 那么利用(8)式综合后对各故障模式以及全集的诊断结果为：
[0090]
[0091]
[0092]
[0093]
[0094]
[0095] 这里 以上两证据综合的公式也适用于多个故障特征参数提供的多个诊断证据的融合，只需将某两个证据综合的结果再与另一证据用式(8)综合，这三个证据的综合结果再与第四条证据用式(8)综合，以此类推综合所有证据即可。
[0096] (9)利用步骤(8)得到的综合后诊断证据mxy(C)，对旋转机械设备的故障进行诊断：那个取值最大的mxy(C)所对应的C即为真实发生的故障类型。
[0097] 以下结合附图，详细介绍本发明方法的实施例：
[0098] 本发明方法的流程图如图1所示，核心部分是：确定故障特征参数关于各故障类型的样本变化区间；构造故障特征参数与故障类型的映射关系表；从该表中统计出各故障模式发生的似然信度向量；结合训练样本集合构造目标函数，并优化该函数获得可靠性因子，用该可靠性因子对似然信度向量进行修正，生成诊断证据；在线获取多种故障特征的取值后，分别计算它们激活的诊断证据，再将这些被激活的诊断证据综合，根据综合结果决策得到该在线故障特征所对应的故障类型。
[0099] 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。
[0100] 1、电机转子故障诊断系统设置实例
[0101] 实验设备如图3中的ZHS-2型多功能电机柔性转子系统，振动位移传感器和振动加速度传感器分别安置在转子支撑座的水平和垂直方向采集转子振动信号，两个传感器采集到的振动信号传入HG-8902数据采集箱，经过信号调理电路处理后，最终经过A/D转换器输出至监控计算机，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以及时域振动位移平均幅值作为故障特征信号。
[0102] 2、电机转子故障设置及故障特征参数的选取
[0103] 根据试验台的具体特性，分别在试验台上设置了以下4种典型故障模式：正常运行，转子不平衡，转子不对中，基座松动。通过对大量实验数据的分析可知，引发异常振动的故障源都会产生一定频率成分的振动幅值增加或减少。因此，这里选取1～3X倍频以及时域振动位移平均幅值作为故障特征量。设定转子转速为1500r/m，则基频1X为25Hz，n倍频nX，n＝1,2,3,…,为(n×25)Hz。将频域的1X～3X的振动幅值以及时域振动位移4种特征信息进行综合做出综合决策。
[0104] 3、确定振动加速度1X～3X的幅值和时域振动位移平均幅值这4种故障特征参数分别关于4种故障模式变化的特征区间
[0105] 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N＝4种故障，并利用振动加速度传感器和振动位移传感器分别获取振动加速度1X、2X、3X的幅值和时域振动位移平均幅值这4种故障特征参数。对于每种故障特征参数，分别在4种故障模式下，以时间间隔Δt＝16s内连续采集δ＝500次测量，即可获取2000个测量样本，用于建立故障特征参数关于4种故障的2N+1＝9个样本变化区间，根据本发明方法步骤(2)得到4种故障特征参数对应4种故障，共4组这样的样本变化区间。
[0106] 4、构造1X、2X、3X振动幅值和时域振动位移平均幅值(简称“位移”)这4种故障特征参数与故障F1-F4之间的映射关系表
[0107] 以故障特征参数1X为例，利用本发明方法步骤(2)-(3)获得传感器测量故障特征参数1X的2000个测量数据和故障特征参数1X关于4种故障的9个样本变化区间，构造如本发明方法步骤(4)中的表1所示的映射关系表，如下表3所示。按照以上过程可以构造其他3种故障特征参数与故障类型的映射关系表，分别如下表4、表5和表6所示。
[0108] 表3故障特征参数1X与故障类型映射关系表
[0109]
[0110] 表4故障特征参数2X与故障类型映射关系表
[0111]
[0112]
[0113] 表5故障特征参数3X与故障类型映射关系表
[0114]
[0115] 表6故障特征参数时域振动位移平均幅值与故障类型映射关系表
[0116]
[0117] 表3-表6中样本变化区间的取值如下：
[0118]
[0119]
[0120]
[0121]
[0122]
[0123]
[0124]
[0125]
[0126]
[0127]
[0128]
[0129]
[0130] 5、根据本发明方法(步骤5)求取4种故障特征参数的取值落入样本变化区间时的似然信度向量
[0131] 在根据本发明方法步骤(4)获取各故障特征参数与故障类型的映射关系表之后，依照本发明方法的步骤(5)获得振动加速度1X、2X、3X的幅值和时域振动位移平均幅值这4种特征参数各区间的似然信度向量，如下表7至表10所示。
[0132] 表7故障特征参数1X各区间对应的似然信度向量
[0133]
[0134] 表8故障特征参数2X各区间对应的似然信度向量
[0135]
[0136] 表9故障特征参数3X各区间对应的似然信度向量
[0137]
[0138]
[0139] 表10故障特征参数时域振动位移平均幅值各区间对应的似然信度向量
[0140]
[0141] 6、根据本发明方法步骤(6)获取可靠性因子，并用其对4种故障特征参数对应的似然信度向量中的元素进行修正，具体过程如下：
[0142] 对于每种故障，同时在时间间隔Δt＝4s内连续采集故障特征参数1X的ω＝50次测量值，获得总共200个样本构成训练样本集合Tx，用其构造形如式(6)的目标函数，最小化该函数可获取1X的似然信度向量的可靠性因子α1X＝0.0071
[0143] 按照以上过程，可以得到其它3种故障特征参数2X、3X和时域振动位移平均幅值的可靠性因子的取值分别为：
[0144] α2X＝0.0245，α3X＝0.0143，α位移＝0.5868
[0145] 7、当在线获取故障特征参数1X、2X、3X和时域振动位移平均幅值的取值之后，它分别会激活各自7个似然信度向量中的某一个，并分别通过本发明方法步骤(6)中的式(5)得到相应的诊断证据m1X、m2X，m3X和m位移。例如当1X＝0.1618，2X＝0.1529、3X＝0.1094和时域振动位移平均幅值＝4.3645时，获取的诊断证据分别为m1X(F1)＝0、m1X(F2)＝0.4623、m1X(F3)＝0.5306，m1X(F4)＝0，m1X(Θ)＝0.0071；
[0146] m2X(F1)＝0、m2X(F2)＝0.9755、m2X(F3)＝0，m2X(F4)＝0，m1X(Θ)＝0.0245；
[0147] m3X(F1)＝0.2639、m3X(F2)＝0.7218、m3X(F3)＝0，m3X(F4)＝0，m3X(Θ)＝0.0143；
[0148] m位移(F1)＝0、m位移(F2)＝0.2800、m位移(F3)＝0.1333，m位移(F4)＝0，m位移(Θ)＝0.5868[0149] 针对该例中的这组“1X＝0.1618，2X＝0.1529、3X＝0.1094和时域振动位移平均幅值＝4.3645”采样值，其分别激活的样本变化区间为 和 经各自特征的可靠性因子修正后得到如上的4个诊断证据。
[0150] 根据本发明方法步骤(8)将4种故障特征参数提供的诊断证据综合，得到如表11所示的综合结果
[0151] 表11测试样本的综合诊断证据
[0152]诊断证据 m(F1) m(F2) m(F3) m(F4) m(Θ)
综合结果 0.0001 0.9995 0.0004 0 0
[0153] 按照本发明方法步骤(9)中的决策规则，可判断故障F2发生，这与这组样本“1X＝0.1618，2X＝0.1529、3X＝0.1094和时域振动位移平均幅值＝4.3645”采集时设定的故障一致，说明决策结果正确。
[0154] 对于4种故障，分别取4种特征参数的150组在线样本进行测试，测试样本的故障诊断结果如表12所示，总故障确准率达到了99.7％，达到一般诊断系统的确准率要求。
[0155] 表12测试样本的故障诊断结果
[0156]故障模式 F1 F2 F3 F4
确准率 100％ 100％ 99.33％ 99.33％
