本发明涉及故障诊断领域,是一种基于ds证据理论实现故障诊断的方法。
背景技术:
故障诊断技术是一门紧密结合生产实际的工程科学,是现代化生产发展的产物。随着现代科学技术在设备上的应用,设备的结构越来越复杂,功能也越来越完善,自动化程度越来越高,由于许多无法避免的因素影响,会导致设备出现各种故障,从而降低或失去预定的功能,甚至会造成严重的乃至灾难性的事故。
故障诊断技术就是在设备运行中或基本不拆卸设备的情况下,掌握设备的运行状况,根据对被诊断对象测试所取得的有用信息进行分析处理,判断被诊断对象的状态是否处于异常状态或故障状态。
信息融合技术是协同利用多源信息,以获得对事物或目标更客观、更本质认识的信息综合处理技术,是智能科学研究的关键技术之一。在诸多的融合模型和方法中,d-s证据理论算法是最为有效的算法之一。证据理论把概率论中的基本事件空间拓宽为基本事件的幂集,又称为辨识框架,在辨识框架上建立了基本概率分配函数(basicprobabilityassignment,bpa)。此外,证据理论还提供了一个dempster组合规则,该规则可以在没有先验信息的情况下实现证据的融合。特别地,当bpa只在辨识框架的单子集命题上进行分配时,bpa就转换为概率论中的概率,而组合规则的融合结果与概率论中的bayes公式相同。从这个角度来看,ds证据理论能够比概率论更有效地表示和处理不确定信息,这些特点使其在信息融合领域得到了广泛的应用。正是由于ds证据理论在不确定知识表示方面具有优良的性能,所以近几年其理论和应用发展较快,该理论在多传感器信息融合、医学诊断、军事指挥、目标识别方面发挥了重要作用。
证据理论有诸多优点,将其应用在故障诊断中可以较好的处理出现在设备传感器信号中的不确定信息。
技术实现要素:
为了实现故障诊断,本发明基于ds证据理论,提供一种故障诊断的方法。使用该方法实现的故障诊断能够较好的处理设备传感器信号中的不确定信息,准确地对电机转子故障做出诊断。
本发明解决其技术问题所采用的技术方案包括如下步骤:
步骤一:输入n种故障(记为f1,f2,...,fn)k种特征的故障样本数据dij(i=1,2,…,n,j=1,2,…,k),所述故障特征是可以用来做故障分类的特征,所述故障样本数据是故障特征的测量值,对每种故障每种特征建立三角模糊数模型,辨识框架为θ={f1,f2,...,fn},所述三角模糊数是给定论域u上的一个模糊集,是指对任何x∈u,都有一个数μ(x)∈[0,1]与之对应,μ(x)称为x对u的隶属度,μ称为x的隶属函数,所述三角模糊数模型建立的方法为:
将故障fi(i=1,2,…,n)特征j样本数据dij的最小值mindij、均值avedij及最大值maxdij分别作为故障fi特征j三角模糊数模型的最小值,均值,最大值,则故障fi特征j的三角模糊数为
步骤二:输入待测设备k种特征待测样本数据tj,生成三角模糊数模型,所述三角模糊数模型建立的方法为:
将特征j待测样本数据tj的最小值mintj、均值avetj及最大值maxtj分别作为待测特征j三角模糊数模型的最小值,均值,最大值,则待测特征j的三角模糊数为
步骤三:将特征j下的待测三角模糊数模型与故障三角模糊数模型匹配生成基本概率分配函数mj,所述基本概率分配函数在证据理论中被定义为对任意一个属于θ的子集a,m(a)∈[0,1],且满足
将
步骤四:将生成的k条bpa用证据理论组合规则依次融合得到mf,所述的证据理论的组合规则为
步骤五:使用pignisticprobabilitytransformation方法将步骤四融合得到的mf转换为概率分布p,所述转换方法为:
步骤六:依据得到的概率分布p对设备故障做出诊断,若p({fi})中最大概率大于0.5,则取p({fi})中最大的概率对应的类别作为设备故障诊断结果(否则认为无法做出诊断)。
本发明的有益效果在于本发明采用证据理论与三角模糊数相结合实现故障诊断,具有计算简单的优点;本发明用三角模糊数对故障特征建模,解决了模糊信息的表示问题;本发明提出的基本概率分配函数生成方法,很好的实现了对模糊信息的处理;本发明提出的故障诊断方法,可以实现电机转子的故障诊断。
附图说明
图1本发明实现的总流程图。
图2是故障f1特征1样本数据d11。
图3是特征1待测数据t1。
图4是特征1待测三角模糊模型和故障三角模糊模型。
图5是两个模糊数的相交区域。
图6是三个模糊数的相交区域。
具体实施方式
下面结合附图和实例对本发明进一步说明。此处给出电机转子故障诊断的实例,实验数据来自[1]。[1]中共设置了三种故障(此处用f1,f2,f3表示),每种故障有四种特征数据,各包含五组数据,每组40个观测值。对每种故障各个特征的特征数据,选取四组作为训练样本生成故障三角模糊数模型。选取故障f3四个特征余下的一组数据(未被选为训练样本的数据)作为测试样本,说明所提出的故障诊断方法的实施步骤。
步骤一:输入三种故障(记为f1,f2,f3)四种特征的故障样本数据dij(i=1,2,…,3,j=1,2,…,4),所述故障特征是可以用来做故障分类的特征,所述故障样本数据是故障特征的测量值,对每种故障每种特征建立三角模糊数模型,辨识框架为θ={f1,f2,f3},所述三角模糊数是给定论域u上的一个模糊集,是指对任何x∈u,都有一个数μ(x)∈[0,1]与之对应,μ(x)称为x对u的隶属度,μ称为x的隶属函数,所述三角模糊数模型建立的方法为:
我们以故障f1特征1三角模糊数建立为例说明故障三角模糊数模型建立的方法,故障f1特征1特征数据如图2。将故障f1特征1样本数据d11的最小值0.1518、均值0.1614及最大值0.1820分别作为故障fi特征j三角模糊数模型的最小值,均值,最大值,则故障f1特征1的三角模糊数为
步骤二:输入待测设备4种特征待测样本数据tj(j=1,2,…,4),生成三角模糊数模型,所述三角模糊数模型建立的方法为:
我们以特征1待测三角模糊数建立为例说明待测三角模糊数模型建立的方法,待测特征1特征数据如图3。将特征1待测样本数据t1的最小值0.3207、均值0.3387及最大值0.3476分别作为待测特征1三角模糊数模型的最小值,均值,最大值,则待测特征1的三角模糊数为
步骤三:将特征j下的待测三角模糊数模型与故障三角模糊数模型匹配生成基本概率分配函数mj,所述基本概率分配函数在证据理论中被定义为对任意一个属于θ的子集a,m(a)∈[0,1],且满足
将
我们以m1生成为例说明bpa生成方法:
(1)计算
(2)m1({f1}),m1({f2}),m1({f3})的生成:
计算
计算
计算
(3)m1({f1,f2}),m1({f1,f3}),m1({f2,f3}),m1({f1,f2,f3})的生成:
计算
计算
计算
计算
(4)上述生成的信度之和sum=0.2848,因此更新m1({f1,f2,f3})=0+1-sum=0.7152。
用同样的方法可生成m2,m3,m4,结果如下:
m2({f1})=0.0867,m2({f2})=0.2094,m2({f3})=0.3216,m2({f1,f2})=0.0365,m2({f1,f3})=0.0547,m2({f2,f3})=0.1694,m2({f1,f2,f3})=0.1217;
m3({f1})=0,m3({f2})=0,m3({f3})=0.4482,m3({f1,f2})=0,m3({f1,f3})=0,m3({f2,f3})=0,m3({f1,f2,f3})=0.5518;
m4({f1})=0,m4({f2})=0,m4({f3})=0.9745,m4({f1,f2})=0,m4({f1,f3})=0,m4({f2,f3})=0,m4({f1,f2,f3})=0.0255;
步骤四:将生成的4条bpa用证据理论组合规则依次融合得到mf,所述的证据理论的组合规则为
融合结果为:mf({f1})=0.0013,mf({f2})=0.0031,mf({f3})=0.9898,mf({f1,f2})=0.0006,mf({f1,f3})=0.0008,mf({f2,f3})=0.0026,mf({f1,f2,f3})=0.0018;
步骤五:使用pignisticprobabilitytransformation方法将步骤四融合得到的mf转换为概率分布p,所述转换方法为:
步骤六:依据得到的概率分布p对设备故障做出诊断,若p({fi})中最大概率大于0.5,则取p({fi})中最大的概率对应的类别作为设备故障诊断结果(否则认为无法做出诊断);
概率分布p中最大概率为p({f3})且p({f3})>0.5,故设备故障被诊断为f3,与真实故障类型一致。
参考文献
[1]文成林,徐晓滨.多源不确定信息融合理论及应用[m].科学出版社,2012.