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
【专利摘要】本发明涉及一种综合多源故障似然信度的旋转机械设备故障诊断方法。本发明能够对不同故障模式下获取的故障特征监测数据进行区间划分，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；本发明对海量故障特征数据进行处理时，未对数据的变化特性、格式、精度等做出任何限制和约束，便于工程实现。
【专利说明】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
【技术领域】
[0001] 本发明涉及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，属于 旋转机械设备状态监测与故障诊断【技术领域】。
【背景技术】
[0002] 在线监测与故障诊断技术的使用，能够使维护工程师及时监测旋转机械设备的工 作异常，发现危及设备安全运行的故障，并对设备的定期或事情维护提供必要的历史运行 资料，这对于降低设备维护成本并提升其工作效率起到了至关重要的作用。对于现代化的 大型复杂设备，如大型旋转机械设备，在其各个关键部位可以布置密集的振动传感器采集 设备的振动信号，从这些振动信号中提取的故障特征信息可以反映设备的各种故障。此时 面临两个问题，一是需要找到一种在工程上简单易行的方式，对海量的故障特征监测数据 进行分析处理，使得其提供的诊断证据客观可信；二是如何实现故障特征信息的综合。通常 利用单个传感器提供的特征信息不能完全反应设备的故障，需要多个传感器提供的信息进 行融合来提升诊断的精准度。
【发明内容】
[0003] 本发明的目的是提出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，从海量故障特征数据中统计各故障发生的似然信度，给出可靠性因子对该似然信度 进行修正得到可靠的诊断证据，并给出诊断证据综合方法对各个故障特征提供的诊断证据 进行综合，利用综合后的证据做出故障决策，该方法对海量故障特征数据进行处理时，未对 数据的变化特性、格式、精度等做出任何限制和约束，便于工程实现，且通过综合后证据可 以做出精确的诊断。
[0004] 本发明提出的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，包括以 下各步骤：
[0005] (1)设定旋转机械设备的故障集合? = (F1, ... Fi, ... FJ ,Fi代表故障集合?中 的第i个故障，i = 1，2, . . .，N，N为设备含有故障的个数。
[0006] (2)设X为能够反映故障集合?中每个故障Fi的故障特征参数，该特征参数 由某传感器信息源提供，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 [x,^]，其中，Af和丨分别代表区间的左右端点，具体获取的步骤如下：
[0007] (2-1)当故障集合?中的故障Fi发生时，可获取故障特征参数X的S个测量样 本，记这些测量样本构成的集合为…，心}，一般500 3 S彡300。
[0008] (2-2)对于步骤（2-1)中获取的测量样本集合C =丨Vhv2Vwg，分别求取这些样 本的最小值和最大值，令它们分别为xf和xf，并构成区间] "
[0009] (3)按照步骤（2)可以获取故障集合?中N种故障的特征参数X的测量样本 变化区间…,[x〗，4]，将这N个区间的2N个左右端点按照从大到小的顺 序排序，组成含有2N个点的序列S = {Sl, s2, --?，s2N}，其中a:; ， 按照的排序，生成故障特征参数X关于故障集合?的2N+1个样本变化区间 /|X =[0.--! ) ? Ii^lsliS1) ? /3=^,,?), = [S2v^i..?2V), = [Srv^1--) 0
[0010] (4)在故障集合?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T = G = ?,?，…，，…，G = … 共计可获得N S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， 如下表1所示，其中1 = 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，au表示故障Fi的故障特征参数X的样本落入区间[S^s1)中的个数，并有 I为落入区间[sh，si)中的样本个数总和，并有％ =￡二0^
[0011] 表1故障特征参数X与故障类型映射关系表
【权利要求】
1.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? = {Fi，...Fi，...FN}，Fi代表故障集合?中的第 i个故障，i= 1，2,. . .，N，N为设备含有故障的个数； (2) 设x为能够反映故障集合?中每个故障匕的故障特征参数，该特征参数由某传感 器信息源提供，建立故障特征参数x关于每个故障匕的特征参数取值变化区间[x/，A'f]，其 中，#和if分别代表区间的左右端点，具体获取[#,<]的步骤如下： (2-1)当故障集合?中的故障匕发生时，可获取故障特征参数x的S个测量样本，记 这些测量样本构成的集合戈
(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[#，<]; (3) 按照步骤（2)可以获取故障集合?中N种故障的特征参数x的测量样本变 化区间I
将这N个区间的2N个左右端点按照从大到小的顺序 排序，组成含有2N个点的序列S= {Sl，s2，…，s2N}，其中
按照h的排序，生成故障特征参数x关于故障集合?的2N+1个样本变化区间
(4) 在故障集合?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NS个样本，用它们可构造故障特征x和故障匕，F2，…，FN之间的映射关系表，如下表1 所示，其中1 = 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， au表示故障故障特征参数x的样本落入区间[SuSl)中的个数，并有
为落入区间[s^sD中的样本个数总和，并有
表1故障特征参数x与故障类型映射关系表
(5) 根据步骤（4)中获取的映射关系表，可获得当故障匕发生时，故障特征参数x的取 值落入区间[Sh,Si)的似然函数为
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IT时，故障匕发 生的似然信度为
并有
*则可以定义此时获取的似然信度向量为 Bx = [bx (Fi),bx (F2), --?,bx (Fn) ,bx (0) ] (3) 其中bx(?) =0,表示为对故障集合?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i?中，亦即1 = 〇,则此时bx(Fi) = 0，bx(?) = 1，似然信度向量的取值为 Bx =[0,0，--?，0, 1] (4) 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； (6) 定义可靠性因子ax用其对似然信度向量Bx中的元素进行折扣，生成关于特征参 数x的诊断证据
求取可靠性因子ax的步骤如下 (6-1)在故障集合?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
*共计可获得Nc〇个样本， 它们组成的集合定义为
(6-2)构造目标函数
它是关于可靠性因子ax的函数，其中，l〖e：T?bx(Fi)，bx(?)为根据$落入的特征 参数x的样本变化区间，由步骤（5)确定的故障类型匕和故障集合?的似然信度赋值，当 4e7；%则灼广1，否则钓严〇; (6-3)设定ax的取值范围为〇到1之间，利用数学计算软件Matlab中的fmincom非 线性优化函数，最小化〇bj(ax)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^^的取值； (7) 除了故障特征参数X，若存在另一个故障特征参数y也能反映?中的各个故障，则 重复以上步骤（2)至（6)，获得关于y的诊断证据
(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 向量中的某一个，并分别通过式（5)和式（7)得到相应的诊断证据^和％，对它们进行综 合，得到综合后的诊断证据为
其中，（：可以取故障集合?中的任何一个故障类型匕，&，..^1<，或者故障集合?本 身； (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。
【文档编号】G06F19/00GK104408322SQ201410743777
【公开日】2015年3月11日 申请日期:2014年12月8日 优先权日:2014年12月8日
【发明者】徐晓滨, 郑进, 李世宝, 文成林 申请人:杭州电子科技大学