专利名称：一种随机模糊故障特征融合的旋转机械设备故障诊断方法
技术领域：
本发明涉及一种随机模糊故障特征融合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。
背景技术：
在线故障诊断技术是旋转机械设备安全生产和高效运行的有力保障，但该类技术的实施还面临诸多挑战对于现代化的大型复杂设备，如大型旋转机械设备，多是根据多传感器所采集的监测数据中提取的故障特征信息进行故障诊断的。但是，由于监测环境的影响以及测量系统本身的系统误差，如传感器的精度偏移或A/D转换器的量化误差，使得测量数据总是带有不确定性。引起不确定性的因素主要来自两个方面一是传感器工作时所受到的噪声干扰(具有随机性)；二是传感器及其后续的信号调理电路本身的系统性误差(具有模糊性)。所以，当利用这些含有不确定性的故障特征信息对设备进行故障诊断时，势必会产生不精确甚至是错误的结果。为了进一步提高诊断的精度和可靠性，新兴的多源信息融合技术，可以将空间或时间上含有不确定性的冗余信息和互补信息依据某种准则进行融合，以获得对被测设备对象更精准的一致性解释与描述，从而对其所处的故障状态做出比任何单源监测信息更加准确的判断。
发明内容
本发明的目的是提出一种随机模糊故障特征融合的旋转机械设备故障诊断方法，同时考虑了传感器监测数据中的随机性和模糊性，从中提取出随机模糊性故障特征信息，并给出相应的信息融合方法对设备进行故障诊断，该诊断结果比单源随机模糊性故障特征信息给出的诊断结果更为精确。本发明提出的基于随机模糊故障特征融合的旋转机械设备故障诊断方法，包括以下各步骤(I)设定旋转机械设备的故障集合O = {F1; · · ·，F」，· · ·，FN}，Fj代表故障集合&中的第j个故障，j = 1，2，. . .，N，N为设备含有故障的个数；(2)设X为能够反应故障集合Θ中每个故障&的故障特征参数，建立故障特征参数X的故障样板模式Axj，Axj为描述故障匕的一个随机模糊变量，Axj获取步骤如下(2-1)当故障集合Θ中的故障Fj发生时，利用传感器测量故障特征参数X，连续获得X的δ个测量值；(2-2)利用这δ个测量值得到故障特征参数X的频率直方图，然后对直方图进行插值拟合，得出X的概率密度函数P(X)，用于描述X的随机特性；(2-3)将描述故障特征参数X随机性的概率密度函数P(X)转化为模糊隶属度函数，即随机模糊变量的外部隶属度函数μ out(x)，以便与描述模糊性的内部模糊隶属度函数μ η(χ)进行结合，生成描述故障匕的随机模糊变量Α .，获取外部隶属度函数μ_(Χ)的具体步骤如下a)确定概率密度函数P (X)的峰值点为xp，确定其隶属度为μ out (Xp) = I ;b)确定概率密度函数P (X)对应X的变化范围为区间[XL，XK] = [Xp-3 O，χρ+3 σ ]，其中σ是描述X随机特性的方差量，其中\的下标“L”表示左端点，χκ的下标“R”表示右端点；C)在区间[xL, χρ]和[xp, χΕ]上分别均勻插入 M 个点xI^PxBi，i = I, 2, · · · , Μ,M 彡 50 ; XLi =xL+ix(xp-xL)/(M + \) ,xRi =xp + (M-i + \)x(xR-xp)/(M + 1)可以得到如下一组共M+2个具有包含关系的区间[', 5][ ... [ [\，\ ，Xr ]若令=WXLm+2， = m+2，则有如下区间的包含关系[xiM+l, M+1 ][[弋，] [ [^1, Xiw ] [ ... [ [xv Xiii ] [ [xLm+2 , x M+2 ]d)随机模糊变量Axj的外部隶属度函数μ out (x)取值如下MouXx) =1 — Pp{^)dx,x = JC ,JC ,k = I, . . . ,M+2(I)
XLkLjc，Rji，(2-4)传感器对故障特征参数X测量时，传感器的系统误差会使得测量数据带有一定的模糊性，这种特性可以用矩形的内部隶属度函数Uin(X)描述，系统误差一般由传感器生产商提供，其精度规格为Χ(1± ε % )，其中O. 2 < ε < 2，为生产商提供的传感器精度，由χ(1± ε % )可构造矩形的内部隶属度函数μ in(x)为
「η,_ ，xeKO- ε%1 xP (1 +￡%)]η ΛΑ ω = |α χ0[Χρ( -εο/οΙΧρ(1 + εο/ο)]()(2-5)随机模糊变量Axj是通过将外部模糊隶属度函数μ out (X)和内部模糊隶属度函数Uin(X)的a (a e
)水平截集区间[吃和K,结合而得到，两个区间的左、右端点分别为Xo1 = min{x | μοη (χ) > α}(3)Xos = max{χ | μοιι1 (χ) > a}(4)Xji =min{x|/im(x)>a}(5)Xjr =max{x|^ (x)>a}(6)则故障Fj的随机模糊变量Axj为
γαΜ+2 γαΜ+2 γαΜ+2 γαΜ+2
ΛαAbAcΛ
γα1γα1γα1γα1
ΛαAbAcΛ
γα2γα2γα2γα2
. Λ· Λ·ι Λ· Λ· j
γλλΛabedA9 = : . . .( )
γαΜγαΜγαΜγαΜ
ΛαAbAcΛ
γαΜ+1γαΜ+IγαΜ+1γαΜ+1
-αbc 」(Μ+2)χ4其中第k行中的4个元素亡，分别由a = ak时的水平截集区间Kl , X0R ]和[4 , ΧΖ ]的左、右端点得到
权利要求
1.一种随机模糊故障特征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 (I ) 设定旋转机械设备的故障集合,O,，…，Fp…，/y，Fj代表故障集合· 中的第j个故障，J=I, 2，…，N, #为设备含有故障的个数； (2)设z为能够反应故障集合· 中每个故障/^的故障特征參数，建立故障特征參数z的故障样板模式んパ为描述故障/^的一个随机模糊变量，んノ.获取步骤如下 (2 — I)当故障集合‘Θ中的故障/^发生时，利用传感器測量故障特征參数ム连续获得Z的こ.个测量值； (2 — 2)利用这〗个测量值得到故障特征參数z的频率直方图，然后对直方图进行插值拟合，得出z的概率密度函数/7 Cr)，用于描述z的随机特性； (2-3)将描述故障特征參数z随机性的概率密度函数/7 Cr)转化为模糊隶属度函数，即随机模糊变量的外部隶属度函数パ-Cr)，以便与描述模糊性的内部模糊隶属度函数,〃n(x)进行结合，生成描述故障/^的随机模糊变量んノ.，获取外部隶属度函数M olAx)的具体步骤如下 a)确定概率密度函数/7Cr)的峰值点为ち，确定其隶属度为P oui (X5)=I ; b)确定概率密度函数/7Cr)对应z的变化范围为区间Drz，XrI = IX-^o ,ち+3び]，其中び是描述Z随机特性的方差量，其中^的下标“厂’表示左端点，み的下标“/ ”表示右端点； C)在区间0 , ]和0 , ]上分别均勻插入#个点气和4，i=l，2, ···，#,#≥50 ；
全文摘要
本发明涉及一种随机模糊故障特征融合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。该方法能处理具有随机性和模糊性的故障特征参数，对故障特征参数在各个故障下典型数据的统计分析，构造随机模糊变量，用该变量建模故障档案库中的每个故障样板模式；同样用随机模糊变量建模在线监测中提取的故障待检模式；将待检模式与各故障的样板模式进行匹配，得到待检模式支持各故障的程度，亦即诊断证据；然后将多个故障特征参数提供的诊断证据进行融合，在一定的决策准则下，由融合结果进行故障决策，基于多证据融合结果做出的决策要比只凭借单一诊断证据做出的决策更加准确。
文档编号G05B13/04GK102662390SQ20121012717
公开日2012年9月12日 申请日期2012年4月26日 优先权日2012年4月26日
发明者周哲, 徐晓滨, 文成林 申请人:杭州电子科技大学