一种设备变工况运行风险评估方法与流程

本发明属于风险评估
技术领域：
，具体涉及一种设备变工况运行风险评估方法。
背景技术：
：风险评估是用来衡量由系统带来或给系统造成损失的可能性和量级，它是通过对导致危险事件发生的因素进行概率估计，从而量化每个危险事件的健康、安全、经济等影响。虽然对于不同的工程领域，风险评估方法千差万别。总的来说，风险评估方法可以分为静态评估和动态评估两种。但是无论采用哪种评估方法，在工程评价中，国内外学者对风险的定义是相同的，即风险具有概率和后果的二重性。对设备的运行状态进行风险评估实际上是一种动态的风险评估方法，因为动态风险评估考虑了时间因素的影响，且能有效提示设备当前运行状态的实时风险，是强化设备管理、提升设备效能的前提和保障。传统的设备运行状态大多只考虑设备振动信号的监测，振动信号是一个可取的信号。但是现场应用时，设备在使用过程中，存在大量调整设备工艺参数运行的情况，其性能和状态都会随着时间的推移而逐渐劣化并最终导致故障的发生。工艺信号的变化和设备自身故障都会导致设备运行状态的改变，而设备自身故障是导致设备运行风险升高的最主要因素。如何综合工艺信号和振动信号中的信息，以全面评估设备运行状态是实现设备风险评估的基础，对实际设备运行状态的监测具有重要意义。建立设备变工况运行状态监测模型，分离工艺信号变化与设备自身故障对设备运行状态的影响，是准确判断设备运行风险的前提。因此需要一种设备变工况运行风险评估方法，可分离工艺信号的变化和自身故障对设备运行状态的影响，以实现设备在变工况环境下的动态风险运行评估。技术实现要素：本发明所要解决的技术问题在于针对上述现有技术中的不足，提供一种设备变工况运行风险评估方法，其基于信息熵对监测设备振动信号和工艺信号进行特征融合，能全面反应设备的运行状态，建立CHMM-SVM的设备变工况状态监测模型，可分离工艺信号变化与设备自身故障对设备运行状态的影响，基于D-S理论对单一状态监测模型和设备整体状态监测模型进行运行风险评估，实用性强，使用效果好，便于推广使用。为解决上述技术问题，本发明采用的技术方案是：一种设备变工况运行风险评估方法，其特征在于该方法包括以下步骤：步骤一、设备运行参数的提取与基于信息熵的运行参数特征融合：步骤101、设备运行参数提取：步骤1011、提取设备工艺信号运行参数：获取设备工艺信号运行参数的特征值其中，xj(ti)表示第j个设备工艺信号运行参数在第i个测试序列中ti时刻时传感器采集到的取值，w表示测试序列宽度，1≤j≤n，n为不小于1的正整数；步骤1012、提取设备振动信号运行参数：获取设备振动信号运行参数的特征值其中，xn+h(ti)表示第h个设备振动信号运行参数在第i个测试序列中ti时刻时传感器采集到的取值，1≤h≤m，m为不小于1的正整数；步骤1013、提取设备在ti时刻运行参数特征值向量f(xk(ti))，其中，f(xk(ti))＝[f(x1(ti)),f(x2(ti)),...,f(xj(ti)),...,f(xn(ti)),f(xn+1(ti)),...,f(xn+h(ti)),...,f(xn+m(ti))]，2≤k≤m+n；步骤102、基于信息熵的设备运行参数特征融合:步骤1021、获取设备运行参数特征值的方差：设备ti时刻运行参数特征值的方差其中表示ti时刻设备运行参数权重向量，表示ti时刻时传感器采集到第k个设备运行参数特征值的权重，表示的均值；步骤1022、获取设备运行参数特征值的信息熵：设备运行参数特征值的信息熵步骤1023、融合处理：设备运行参数特征值的熵步骤103:重复步骤101至步骤102，对每一个测试序列均进行设备运行参数提取和处理，得到设备运行参数特征值的熵向量ti＝ti-1+lag，1≤i≤r，r表示循环次数，T表示测试序列总时长，lag表示测试序列延时时长；步骤二、建立设备正常运行状态监测模型：步骤201、设备正常状态运行参数提取和处理：采集不同正常状态运行参数的特征值，根据步骤一得到正常状态信息熵H(Pu)＝-PulogPuT，u表示不同正常状态的编号，选择H(Pu)的极值作为正常状态极值信息熵；步骤202、建立CHMM监测模型λ＝(π,A,B,N,M)，其中π表示隐状态的初始概率分布，A表示状态转移概率矩阵，B表示观测矩阵，N表示隐状态数，M表示每个隐状态对应的高斯混合数，表示ti时刻的隐状态序列，Cec表示第e个隐状态的第c个高斯元的混合系数，表示ti时刻的观测状态序列，μec表示第e个隐状态的第c个高斯元的均值，Uec表示第e个状态的第c个高斯元的协方差矩阵，1≤d≤N，1≤e≤N，1≤c≤M；步骤203、CHMM模型初始化：初始化参数π和A，随机设置隐状态数N和高斯混合数M的取值并随机产生概率分布，π＝[1,0,...,0,...,0]，π为N阶向量，A为左右型状态转移概率矩阵；步骤204、初始化赋值重估：将设置隐状态数N和高斯混合数M的赋值和随机产生概率分布，送入K-means算法中，利用K-means算法对隐状态数N和高斯混合数M重估，得到重估后的隐状态数N'和重估后的高斯混合数M'；步骤205、获得设备正常运行状态监测模型：将初始化参数π、初始化参数A、隐状态数N'和高斯混合数M'以及正常状态极值信息熵，送入Baum-Welch算法中，得到CHMM监测模型λ'＝(π,A,B,N',M')，所述CHMM监测模型为设备正常运行状态监测模型监测；步骤三、建立设备故障运行状态监测模型：步骤301、设备故障状态运行参数提取和处理：采集设备不同故障状态下运行参数的特征值，根据步骤1013、步骤102和步骤103，得到故障状态信息熵H(Pz)，Z表示不同故障运行状态的编号，将故障状态信息熵H(Pz)代入设备运行状态监测模型λ'＝(π,A,B,N',M')中，并利用Forward-Backward算法得到Z个极大似然估计值；步骤302、建立设备故障运行状态监测模型：选用径向基函数作为需建立SVM回归模型的核函数，将极大似然估计值和故障状态信息熵H(Pz)送入ε-SVM回归模型中得到SVM回归模型，所述SVM回归模型为设备故障运行状态监测模型；步骤四、建立基于CHMM-SVM的设备变工况状态监测模型：步骤401、变工况状态运行参数提取和处理：采集设备不同变工况状态运行参数的特征值，根据步骤1013、步骤102和步骤103，得到变工况信息熵H(Ps)，S表示不同变工况运行状态的编号；步骤402、将设备运行参数送入CHMM监测模型：将变工况信息熵H(Ps)送入CHMM监测模型λ'＝(π,A,B,N',M')，CHMM监测模型λ'＝(π,A,B,N',M')输出为对数极大似然估计值表示ti时刻时设备运行状态下观测序列在设备运行状态监测模型λ'中出现的概率；步骤403、将设备运行参数送入SVM回归模型：将变工况信息熵H(Ps)和CHMM监测模型输出值送入SVM回归模型，SVM回归模型输出为表示ti时刻设备运行状态下观测序列在设备故障运行状态监测模型中出现的概率；步骤404、设备变工况状态监测模型输出：设备变工况状态监测模型输出G表示设备在变工况的正常运行情况下和自身故障的情况下设备运行状态的变化；步骤五、基于D-S理论的设备运行风险评估输出：步骤501、建立设备故障因素集：将导致设备状态改变的故障原因集合定义为因素集U，U＝[U1,U2,...,Ug,...,Ua]，其中Ug表示第g个导致设备运行状态改变的一级故障因素，Ug＝[Ug1,Ug2,...,Ugf,...,Ugb]，Ugf表示第g个一级故障因素下细化的第f个二级故障因素，其中，1≤g≤a，a为不小于1的正整数，1≤f≤b，b为不小于1的正整数；步骤502、建立设备故障因素权重集：定义权重集ω＝[ω1,,,ωg,...,ωa]，其中步骤503、建立设备故障损失评价集：定义v个语言评判值作为一级故障因素评价集，定义w个语言评判值作为二级故障因素评价集，建立第一数轴和第二数轴，将第一数轴上的[0,1]区间平均划分为v个区间，将v个语言评判值映射到v个区间上，得到设备故障评价集S1，将第一数轴上的[0,1]区间平均划分为w个区间，将w个语言评判值映射到w个区间上，得到单个故障因素评价集S2，其中v和w均为不小于2的正整数；步骤504、获取故障置信度：用指示函数对和两点进行拟合，得到第f个二级故障因素的故障置信度ηgf，其中表示设备运行状态监测模型λ'输出的第f个二级故障因素的当前对数极大似然估计值，表示设备运行状态监测模型λ'输出的第f个二级故障因素的对数极大似然估计值的历史最大值，表示设备运行状态监测模型λ'输出的第f个二级故障因素的对数极大似然估计值的历史最小值，ε表示的分布概率，D表示对应的极大似然估计值，0<ε<1，0<D<1；步骤505、运行风险结果输出：步骤5051、单个故障因素的风险评估：二级故障因素的风险评估值其中lgf表示第f个二级故障因素导致的故障损失，根据二级故障因素的风险评估值rg在单个故障因素评价集S2的坐标位置，得到单个故障因素风险评估输出；步骤5052、整体设备的风险评估：设备一级故障因素的风险评估值根据一级故障因素的风险评估值R在设备故障评价集S1的坐标位置，得到设备的风险评估输出。上述的一种设备变工况运行风险评估方法，其特征在于：在步骤1013中进行建立设备运行参数特征值向量f(xk(ti))之前，需要对步骤1011中得到的设备工艺信号运行参数xj(ti)进行滤波降噪，对所述设备工艺信号运行参数xj(ti)采用小波包分解与重构算法滤波降噪。上述的一种设备变工况运行风险评估方法，其特征在于：在步骤1013中进行建立设备运行参数特征值向量f(xk(ti))之前，需要对步骤1012中得到的设备振动信号运行参数xn+h(ti)进行滤波降噪，对所述设备振动信号运行参数xn+h(ti)采用小波包分解与重构算法滤波降噪。上述的一种设备变工况运行风险评估方法，其特征在于：步骤201中的所述极值为极大值或极小值。上述的一种设备变工况运行风险评估方法，其特征在于：步骤302中所述径向基函数的lg(C)＝0，lg(γ)＝-2。上述的一种设备变工况运行风险评估方法，其特征在于：步骤一中所述设备包括齿轮箱，所述齿轮箱的工艺信号运行参数xj(ti)包括质量传感器采集到的齿轮箱电机的带负载质量、温度传感器采集到的齿轮箱工作环境温度和转速传感器采集到的齿轮箱转子转速，所述齿轮箱的振动信号运行参数xn+h(ti)包括加速度传感器采集到的齿轮箱轴承的振动信号。上述的一种设备变工况运行风险评估方法，其特征在于：步骤501中所述因素集U中包括2个一级故障因素，U＝[U1,U2]，其中U1表示齿轮箱的转子类故障，所述U2表示齿轮箱的轴承类故障，所述U2包括3个二级故障因素，U2＝[U21,U22,U23]，其中U21表示齿轮箱轴承的内圈故障，U22表示齿轮箱轴承的外圈故障，U23表示齿轮箱轴承的滚动体故障。本发明与现有技术相比具有以下优点：1、本发明针对缺乏全面反映设备振动状态和工艺状态的问题，对设备的振动信号和工艺信号同时监测，能全面反应设备的运行状态，利用信息熵进行振动信号和工艺信号的特征融合，并进行方差加权以突显振动信号和工艺信号变化对融合结果的差异性。2、本发明针对缺乏有效监测设备变工况运行状态方法的问题，在信息熵极值条件下建立CHMM-SVM的设备变工况状态监测模型，以估计不同工艺信号条件下正常状态的模型输出，通过计算设备当前数据在CHMM状态监测模型和SVM回归模型中输出结果的差值，实现分离工艺信号变化与设备自身故障对设备运行状态的影响，从而识别状态变化来源和程度。3、本发明针对缺乏设备运行风险评估方法的问题，在变工况状态监测模型的基础上，基于D-S理论进行运行风险评估，将模型的输出值转换为运行状态的故障置信度，并能对单一状态监测模型和设备整体状态监测模型进行运行风险评估。综上所述，本发明基于信息熵对监测设备振动信号和工艺信号进行特征融合，能全面反应设备的运行状态，建立CHMM-SVM的设备变工况状态监测模型，可分离工艺信号变化与设备自身故障对设备运行状态的影响，基于D-S理论对单一状态监测模型和设备整体状态监测模型进行运行风险评估，实用性强，使用效果好，便于推广使用。下面通过附图和实施例，对本发明的技术方案做进一步的详细描述。附图说明图1为本发明的方法流程框图。图2为本发明设备运行参数的提取与基于信息熵的运行参数特征融合的流程框图。图3为本发明建立基于CHMM-SVM的设备变工况状态监测模型的流程框图。图4为本发明基于D-S理论的设备运行风险评估输出的流程框图。图5为本发明正常轴承在不同负载下的运行结果。图6为本发明内圈故障轴承在不同负载下的运行结果。图7为本发明外圈故障轴承在不同负载下的运行结果。图8为本发明滚珠故障轴承在不同负载下的运行结果。图9为本发明CHMM-SVM模型对正常轴承概率转换后的监测结果。图10为本发明CHMM-SVM模型对内圈故障轴承概率转换后的监测结果。图11为本发明CHMM-SVM模型对外圈故障轴承概率转换后的监测结果。图12为本发明CHMM-SVM模型对滚珠故障轴承概率转换后的监测结果。图13为本发明基于D-S理论的正常轴承置信度融合结果。图14为本发明基于D-S理论的内圈故障轴承置信度融合结果。图15为本发明基于D-S理论的外圈故障轴承置信度融合结果。图16为本发明基于D-S理论的滚珠故障轴承置信度融合结果。图17为本发明轴承运行风险变化趋势图。具体实施方式如图1、图2、图3和图4所示，本发明引入设备变工况运行风险评估方法，包括以下步骤：步骤一、设备运行参数的提取与基于信息熵的运行参数特征融合：步骤101、设备运行参数提取：步骤1011、提取设备工艺信号运行参数：获取设备工艺信号运行参数的特征值其中，xj(ti)表示第j个设备工艺信号运行参数在第i个测试序列中ti时刻时传感器采集到的取值，w表示测试序列宽度，1≤j≤n，n为不小于1的正整数；步骤1012、提取设备振动信号运行参数：获取设备振动信号运行参数的特征值其中，xn+h(ti)表示第h个设备振动信号运行参数在第i个测试序列中ti时刻时传感器采集到的取值，1≤h≤m，m为不小于1的正整数；步骤1013、提取设备在ti时刻运行参数特征值向量f(xk(ti))，其中，f(xk(ti))＝[f(x1(ti)),f(x2(ti)),...,f(xj(ti)),...,f(xn(ti)),f(xn+1(ti)),...,f(xn+h(ti)),...,f(xn+m(ti))]，2≤k≤m+n；步骤102、基于信息熵的设备运行参数特征融合:步骤1021、获取设备运行参数特征值的方差：设备ti时刻运行参数特征值的方差其中表示ti时刻设备运行参数权重向量，表示ti时刻时传感器采集到第k个设备运行参数特征值的权重，表示的均值；步骤1022、获取设备运行参数特征值的信息熵：设备运行参数特征值的信息熵步骤1023、融合处理：设备运行参数特征值的熵步骤103:重复步骤101至步骤102，对每一个测试序列均进行设备运行参数提取和处理，得到设备运行参数特征值的熵向量ti＝ti-1+lag，1≤i≤r，r表示循环次数，T表示测试序列总时长，lag表示测试序列延时时长；步骤二、建立设备正常运行状态监测模型：步骤201、设备正常状态运行参数提取和处理：采集不同正常状态运行参数的特征值，根据步骤一得到正常状态信息熵H(Pu)＝-PulogPuT，u表示不同正常状态的编号，选择H(Pu)的极值作为正常状态极值信息熵；步骤202、建立CHMM监测模型λ＝(π,A,B,N,M)，其中π表示隐状态的初始概率分布，A表示状态转移概率矩阵，B表示观测矩阵，N表示隐状态数，M表示每个隐状态对应的高斯混合数，表示ti时刻的隐状态序列，Cec表示第e个隐状态的第c个高斯元的混合系数，表示ti时刻的观测状态序列，μec表示第e个隐状态的第c个高斯元的均值，Uec表示第e个状态的第c个高斯元的协方差矩阵，1≤d≤N，1≤e≤N，1≤c≤M；步骤203、CHMM模型初始化：初始化参数π和A，随机设置隐状态数N和高斯混合数M的取值并随机产生概率分布，π＝[1,0,...,0,...,0]，π为N阶向量，A为左右型状态转移概率矩阵；步骤204、初始化赋值重估：将设置隐状态数N和高斯混合数M的赋值和随机产生概率分布，送入K-means算法中，利用K-means算法对隐状态数N和高斯混合数M重估，得到重估后的隐状态数N'和重估后的高斯混合数M'；步骤205、获得设备正常运行状态监测模型：将初始化参数π、初始化参数A、隐状态数N'和高斯混合数M'以及正常状态极值信息熵，送入Baum-Welch算法中，得到CHMM监测模型λ'＝(π,A,B,N',M')，所述CHMM监测模型为设备正常运行状态监测模型监测；步骤三、建立设备故障运行状态监测模型：步骤301、设备故障状态运行参数提取和处理：采集设备不同故障状态下运行参数的特征值，根据步骤1013、步骤102和步骤103，得到故障状态信息熵H(Pz)，Z表示不同故障运行状态的编号，将故障状态信息熵H(Pz)代入设备运行状态监测模型λ'＝(π,A,B,N',M')中，并利用Forward-Backward算法得到Z个极大似然估计值；步骤302、建立设备故障运行状态监测模型：选用径向基函数作为需建立SVM回归模型的核函数，将极大似然估计值和故障状态信息熵H(Pz)送入ε-SVM回归模型中得到SVM回归模型，所述SVM回归模型为设备故障运行状态监测模型；步骤四、建立基于CHMM-SVM的设备变工况状态监测模型：步骤401、变工况状态运行参数提取和处理：采集设备不同变工况状态运行参数的特征值，根据步骤1013、步骤102和步骤103，得到变工况信息熵H(Ps)，S表示不同变工况运行状态的编号；步骤402、将设备运行参数送入CHMM监测模型：将变工况信息熵H(Ps)送入CHMM监测模型λ'＝(π,A,B,N',M')，CHMM监测模型λ'＝(π,A,B,N',M')输出为对数极大似然估计值表示ti时刻时设备运行状态下观测序列在设备运行状态监测模型λ'中出现的概率；步骤403、将设备运行参数送入SVM回归模型：将变工况信息熵H(Ps)和CHMM监测模型输出值送入SVM回归模型，SVM回归模型输出为表示ti时刻设备运行状态下观测序列在设备故障运行状态监测模型中出现的概率；步骤404、设备变工况状态监测模型输出：设备变工况状态监测模型输出G表示设备在变工况的正常运行情况下和自身故障的情况下设备运行状态的变化；步骤五、基于D-S理论的设备运行风险评估输出：步骤501、建立设备故障因素集：将导致设备状态改变的故障原因集合定义为因素集U，U＝[U1,U2,...,Ug,...,Ua]，其中Ug表示第g个导致设备运行状态改变的一级故障因素，Ug＝[Ug1,Ug2,...,Ugf,...,Ugb]，Ugf表示第g个一级故障因素下细化的第f个二级故障因素，其中，1≤g≤a，a为不小于1的正整数，1≤f≤b，b为不小于1的正整数；步骤502、建立设备故障因素权重集：定义权重集ω＝[ω1,,,ωg,...,ωa]，其中步骤503、建立设备故障损失评价集：定义v个语言评判值作为一级故障因素评价集，定义w个语言评判值作为二级故障因素评价集，建立第一数轴和第二数轴，将第一数轴上的[0,1]区间平均划分为v个区间，将v个语言评判值映射到v个区间上，得到设备故障评价集S1，将第一数轴上的[0,1]区间平均划分为w个区间，将w个语言评判值映射到w个区间上，得到单个故障因素评价集S2，其中v和w均为不小于2的正整数；步骤504、获取故障置信度：用指示函数对和两点进行拟合，得到第f个二级故障因素的故障置信度ηgf，其中表示设备运行状态监测模型λ'输出的第f个二级故障因素的当前对数极大似然估计值，表示设备运行状态监测模型λ'输出的第f个二级故障因素的对数极大似然估计值的历史最大值，表示设备运行状态监测模型λ'输出的第f个二级故障因素的对数极大似然估计值的历史最小值，ε表示的分布概率，D表示对应的极大似然估计值，0<ε<1，0<D<1；步骤505、运行风险结果输出：步骤5051、单个故障因素的风险评估：二级故障因素的风险评估值其中lgf表示第f个二级故障因素导致的故障损失，根据二级故障因素的风险评估值rg在单个故障因素评价集S2的坐标位置，得到单个故障因素风险评估输出；步骤5052、整体设备的风险评估：设备一级故障因素的风险评估值根据一级故障因素的风险评估值R在设备故障评价集S1的坐标位置，得到设备的风险评估输出。本实施例中，在步骤1013中进行建立设备运行参数特征值向量f(xk(ti))之前，需要对步骤1011中得到的设备工艺信号运行参数xj(ti)进行滤波降噪，对所述设备工艺信号运行参数xj(ti)采用小波包分解与重构算法滤波降噪。本实施例中，在步骤1013中进行建立设备运行参数特征值向量f(xk(ti))之前，需要对步骤1012中得到的设备振动信号运行参数xn+h(ti)进行滤波降噪，对所述设备振动信号运行参数xn+h(ti)采用小波包分解与重构算法滤波降噪。本实施例中，步骤201中的所述极值为极大值或极小值。本实施例中，步骤302中所述径向基函数的lg(C)＝0，lg(γ)＝-2。本实施例中，步骤一中所述设备包括齿轮箱，所述齿轮箱的工艺信号运行参数xj(ti)包括质量传感器采集到的齿轮箱电机的带负载质量、温度传感器采集到的齿轮箱工作环境温度和转速传感器采集到的齿轮箱转子转速，所述齿轮箱的振动信号运行参数xn+h(ti)包括加速度传感器采集到的齿轮箱轴承的振动信号。本实施例中，步骤501中所述因素集U中包括2个一级故障因素，U＝[U1,U2]，其中U1表示齿轮箱的转子类故障，所述U2表示齿轮箱的轴承类故障，所述U2包括3个二级故障因素，U2＝[U21,U22,U23]，其中U21表示齿轮箱轴承的内圈故障，U22表示齿轮箱轴承的外圈故障，U23表示齿轮箱轴承的滚动体故障。本实施例中，采用轴承类故障作为一级故障因素，采用轴承内圈故障、轴承外圈故障和轴承滚珠故障作为二级故障因素，轴承的振动信号为轴承的振动幅值，轴承的工艺信号为轴承的带负载量。分别对正常轴承、内圈故障的轴承、外圈故障的轴承和滚珠故障的轴承进行监测，CHMM-SVM模型输出的4种监测结果如图5、图6、图7和图8所示。图5表示正常轴承在不同负载下的运行结果，将正常轴承分别在1hp、2hp和3hp负载下的运行数据按顺序放在同一张图中展示，第一个阶段(0-10s)表示正常轴承在负载为1hp时的运行数据，第二阶段(10-20s)表示正常轴承在负载为2hp时的运行数据，第三阶段(20-30s)表示正常轴承在负载为3hp时的运行数据。图6表示内圈故障轴承在不同负载下的运行结果，将内圈故障轴承分别在1hp、2hp和3hp负载下的运行数据按顺序放在同一张图中展示，第一个阶段(0-10s)表示内圈故障轴承在负载为1hp时的运行数据，第二阶段(10-20s)表示内圈故障轴承在负载为2hp时的运行数据，第三阶段(20-30s)表示内圈故障轴承在负载为3hp时的运行数据。图7表示外圈故障轴承在不同负载下的运行结果，将外圈故障轴承分别在1hp、2hp和3hp负载下的运行数据按顺序放在同一张图中展示，第一个阶段(0-10s)表示外圈故障轴承在负载为1hp时的运行数据，第二阶段(10-20s)表示外圈故障轴承在负载为2hp时的运行数据，第三阶段(20-30s)表示外圈故障轴承在负载为3hp时的运行数据。图8表示滚珠故障轴承在不同负载下的运行结果，将滚珠故障轴承分别在1hp、2hp和3hp负载下的运行数据按顺序放在同一张图中展示，第一个阶段(0-10s)表示滚珠故障轴承在负载为1hp时的运行数据，第二阶段(10-20s)表示滚珠故障轴承在负载为2hp时的运行数据，第三阶段(20-30s)表示滚珠故障轴承在负载为3hp时的运行数据。对CHMM-SVM模型输出的4种监测结果进行概率转换，概率转换结果如图9、图10、图11和图12所示。图9为CHMM-SVM模型对正常轴承概率转换后的监测结果，图10为CHMM-SVM模型对内圈故障轴承概率转换后的监测结果，图11为CHMM-SVM模型对外圈故障轴承概率转换后的监测结果，图12为CHMM-SVM模型对滚珠故障轴承概率转换后的监测结果。基于D-S理论对图9、图10、图11和图12的概率转换结果进行融合，融合结果如图13、图14、图15和图16所示，其中图13为正常轴承的置信度融合结果，图14为内圈故障轴承的置信度融合结果，图15为外圈故障轴承的置信度融合结果，图16为滚珠故障轴承的置信度融合结果，图16的输出为0。对比图9和图13、图10和图14、图11和图15以及图12和图16，可见，置信度高的评估结果得到了加强，置信度低的评估结果得到了削弱。根据步骤5051，综合4个二级故障因素，对该轴承的运行风险进行融合计算，计算结果如图17所示，纵轴为轴承的风险评估结果输出，横轴为测量阶段。第一个阶段，轴承运行的风险值趋近于0，第二个阶段，轴承的运行风险值上升至0.27左右，第三个阶段，轴承的运行风险值跳至0.8左右，并在0.8附近波动。建立单个故障因素评价集S2，如表1所示，单个故障因素评价集S2采用5个语言评判值。联合图17和表1，第一阶段轴承运行的风险值趋近于0，第一阶段轴承的故障评价为低风险；第二阶段轴承的运行风险值为0.27左右，第二阶段轴承的故障评价为较低风险；第三阶段轴承的运行风险值在0.8左右，并在0.8附近波动，第三阶段轴承的故障评价为较高风险。表1二级故障因素风险评估值单个故障因素评价集[0.8,1.0)高风险[0.6,0.8)较高风险[0.4,0.6)中等风险[0.2,0.4)较低风险[0.0,0.2)低风险本实施例中，仅对轴承类的故障因素做出评估验证。具体实施时，可对转子类的故障因素，以及其他一级故障因素均做出评估验证，然后根据步骤5052，综合多个一级故障因素，对该设备的运行风险进行融合计算，即可得出该设备的综合运行风险。以上所述，仅是本发明的实施例，并非对本发明作任何限制，凡是根据本发明技术实质对以上实施例所作的任何简单修改、变更以及等效结构变化，均仍属于本发明技术方案的保护范围内。当前第1页1 2 3