基于数据驱动和随机直觉模糊策略的轴承故障诊断方法
【专利摘要】本发明公开了基于数据驱动和随机直觉模糊策略的轴承故障诊断方法。该方法包括：1)以大数据思想构建模糊专家系统，实现数据驱动；2)待检轴承故障特征隶属度的建立；3)随机模糊集匹配与直觉模糊集决策融合。本发明以大量的实验数据为基础，进行频谱分析，通过幅值出现位置找特征频率。并将模糊证据融合转变为随机模糊集匹配和直觉模糊集决策。不确定度信息也是频谱信息的一部分能量，证据理论直接忽略掉有失客观性。直觉模糊决策充分了考虑了能量耗损。
【专利说明】基于数据驱动和随机直觉模糊策略的轴承故障诊断方法
【技术领域】
[0001] 本发明涉及一种基于数据驱动和随机直觉模糊策略的轴承故障诊断方法。
【背景技术】
[0002] 轴承故障类型，不外乎内圈、外圈、滚动体、保持架四种故障。
[0003] 一、传统的轴承故障特征频率计算
[0004] (1)根据轴承特性参数计算内圈、外圈、滚筒体、保持架等振动特征频率，公式如 下：
【权利要求】
1.基于数据驱动和随机直觉模糊策略的轴承故障诊断方法，包括以下步骤： 一、 以实验手段构建t旲糊专豕系统 利用实验手段模拟轴承各种典型故障运行模式，对于某一种故障在相同的时间间隔 A t内连续观测n次，作为一组，重复m组，代表m个专家；对于第k组数据，经频谱变换后， 模糊认为频谱图中第i次出现振动幅值点处的频率为i倍故障特征频率，i = 1，2, ... p ; (1)计算k组数据在i倍特征频率处的平均值
因此，取某一种故障处的i倍故障特征频率，i = 1，2.... p，可以建立p个高斯隶属度 函数；那么如果轴承有q种故障，则需要建立p*q个隶属度函数； 二、 待检轴承故障特征隶属度的建立 在相同的时间间隔△ t内连续观测n次，作为一组待检样本，求出在i倍特征频率处的 待检隶属度函数，则可以建立P个高斯隶属度函数； 在i倍特征频率处的隶属度曲线
三、 随机模糊集匹配与直觉模糊集融合 将待检模式和模糊专家系统故障模式的隶属度函数进行匹配，就可以得到从采集信 息中提取的特征对故障档案库中各个故障的支持程度，利用模糊随机集表示随机集似然测 度，表示各个故障假设集全集的BPA ;以第i次出现幅值处认为是i倍特征频率为例，待检 模式的隶属度曲线与模糊专家系统中q种故障的隶属度曲线匹配相交，各自交点的纵坐标 的最大值即为似然测度值； (5)得到BPA向量： y 1 - ( U il) y i2> y i3? ? ? ? ? y iq) ? i - 1，2，...P 然后进行不确定度计算和向量元素归一化，
得到包含不确定度的归一化向量：Vi= (Vil, Vi2, Vi3, ----￥_，0|，）5其中 Vjji + Vjg+ --? + ^iq + = 1 此时得到单一传感器在倍特征频率处的P个证据向量，传统方法是直接忽略不确定度 .?i，根据模糊证据理论融合； (6) 直觉模糊集融合； 充分考虑到不确定度也代表一定的信息，Vi,」写成Oni,」，Iii, p其中i = 1，2, 一p ;j = 1，2,…q 其中Hii, j = Vi, j，代表支持j故障的隶属度，Ily =( 1 - my - Gi )代表肯定不 是j故障的隶属度；这样有随机模糊集的单一的似然测度值转变为二元数对来表示，随机 模糊集转变为随机直觉模糊集，更接近客观现实； 对于单一传感器的i个证据变为多元决策融合：
种故障； 即得到：f (V) = ffXnv np，<m2, n2>，<m3, n3>，......<mq, nq>,) (7) 多元决策判定规则 判定故障类型应有数值最大的Hli且应大于某一门限值0 ;当Hli =Hlj时，比较Ili和11」， 首选1^_中数值小的故障类型。 不确定度应小于某一门限值，S卩I-Oi^ni) < 4 ; 数值最大的Hii与数值第二大的Iiij之间应该有一定差，即IHi-Iiij >4 ; 基于以上规则，判定出是第j种故障； (8) N个传感器情况：如果有N个传感器，以上单一传感器的决策级融合则转变为N个 传感器的特征级融合，N个传感器分布在不同的位置，应该有不同的权重系数； (0(0^，（〇2，... ? C〇N)， 且 sr=1 (〇i = 1,利用公式
对N个传感器进行第二次融合；仍然利用以上融合判定规则进行判定属于第j种故障。
【文档编号】G01M13/04GK104361242SQ201410669226
【公开日】2015年2月18日 申请日期:2014年11月20日 优先权日:2014年11月20日
【发明者】孙显彬, 谭继文, 文妍 申请人:青岛理工大学