本发明涉及一种基于概率盒模型修正的机械故障诊断方法，属于工业过程机械故障诊断技术领域。
背景技术：
机械故障在实际工业生产中影响尤为突出，在转动的机械设备中，过半的机械故障都是由于无法准确检测和识别机械故障而引起的。机械的运行状态直接影响旋转机械工作性能和效率，对其故障诊断的研究意义重大。信息融合改变了传统的故障诊断各研究点之间无交叉的研究模式，成为一个新的研究热点。利用概率盒建模能将故障诊断中诸多主观和客观的不确定因素考虑进去，弥补了传统特征提取方法丢弃丰富概率统计信息的缺陷。将原始信号先转化成概率盒，再实现概率盒的信息融合，解决了信息融合时空配准困难的问题，为工业故障诊断提供了更加完善的故障诊断方法。
概率盒建模方法主要有专家估计方法、卷积建模方法、鲁棒贝叶斯方法、约束规范方法和实验测量方法等。利用概率盒与传统特征提取方法进行模式识别，相比之下概率盒较传统特征提取方法具有更高的正确识别率。但是概率盒建模还存在以下问题：第一，模型间存在重叠现象，影响模式识别的正确率。第二，原始概率盒模型的紧致性并非最佳。
技术实现要素：
本发明针对如何解决工业机械故障诊断过程中概率盒之间的重叠现象，提高概率盒的紧致性，提供了一种基于概率盒模型修正的机械故障诊断方法，通过概率盒建模方法获得工业测试数据的概率盒模型，以焦元区间的均值和相邻焦元之间数据波动量为附加信息量，利用基于最大熵的贝叶斯方法修正概率盒模型，修正后的模型紧致性得以提高，模型间的重叠现象得以改善，为进一步利用概率盒模型提高机械故障诊断正确识别率提供了更准确的信息；最大熵的贝叶斯方法能够灵活的选择工业故障特征，且不需要额外的独立假定或者内在约束，模型应用在不同领域时的可移植性强，同时可结合更丰富的信息等。
一种基于概率盒模型修正的机械故障诊断方法，包括以下步骤：
(1)采集工业过程的故障数据，获取原始概率盒：定义cdf函数f(x)与
其中f(x)为概率盒的下界，
(2)利用工业测试数据的概率统计特性，结合贝叶斯参数估计法来修正概率盒模型，建立基于最大熵原理的贝叶斯模型：贝叶斯公式为
以极大后验参数估计方法为贝叶斯参数估计，后验概率密度函数p(x|u)达到极大值作为估计准则，将所对应的参数值作为估计值，记作
先验概率密度p(x)已知，根据最大熵原理，建立基于最大熵原理的处理工业测试数据的贝叶斯模型
(3)获取原始dss
将步骤(2)所得基于最大熵原理的处理工业测试数据的贝叶斯模型嵌入到概率盒建模的算法中得到修正的原始概率盒模型，再通过离散化方法得到进行卷积计算的dss，形式为
(4)定义工业测试数据的综合附加信息量
以数据集的平均值xavg为附加信息量，xi-xi-1表示两相邻焦元之间的数据波动量，综合附加信息量为
由ui构成数据点变量集合u为
(5)提取优化的dss＇
将步骤(4)所得数据点变量集合u通过最大熵的贝叶斯逐焦元的对应优化x集合，得到新的焦元区间为
(6)修正概率盒
将步骤(5)的dss＇通过概率盒的定义绘制出修正概率盒。
本发明的有益效果是：
(1)本发明的基于概率盒模型修正的机械故障诊断改进方法，针对如何提高利用工业测试数据提高机械故障诊断正确识别率问题，利用概率盒理论在处理不确定性问题上的强大优势，通过概率盒建模方法获得概率盒模型，以焦元区间的均值和相邻焦元之间数据波动量为附加信息量，利用基于最大熵的贝叶斯方法修正概率盒模型，弥补了传统特征提取方法丢弃丰富概率统计信息的缺陷，为利用工业测试数据进行故障诊断的模式识别提供了更准确的信息，并解决了信息融合的时空配准难的问题；
(2)本发明的基于概率盒模型修正的机械故障诊断改进方法，根据最大熵的贝叶斯方法能够灵活的选择特征，且不需要额外的独立假定或者内在约束，模型的可移植性强，同时可结合更丰富的工业测试数据概率统计信息进行模型修正。以滚动轴承故障信号为实验对象，通过对比修正前后的正确识别率证明了本发明算法在实际工业过程应用中的有效性与实用性。
附图说明
图1为本发明实施例2提取故障信号的歪度特征，利用概率盒建模方法得到的歪度概率盒图；
图2为本发明实施例2采用模型修正方法得到的修正后的歪度特征概率盒图；
图3为本发明概率盒定义示意图；
图4为本发明实施例1在仿真实验中原始概率盒与改进后的概率盒对比的模拟实验结果图。
具体实施方式
下面结合具体实施方式对本发明作进一步详细说明，但本发明的保护范围并不限于所述内容。
本发明实施例提供的基于概率盒模型修正的机械故障诊断方法，包括以下步骤：
(1)采集工业过程的故障数据，获取原始概率盒：定义cdf函数f(x)与
其中f(x)为概率盒的下界，
(2)利用工业测试数据的概率统计特性，结合贝叶斯参数估计法来修正概率盒模型，建立基于最大熵原理的贝叶斯模型：贝叶斯公式为
以极大后验参数估计方法为贝叶斯参数估计，后验概率密度函数p(x|u)达到极大值作为估计准则，将所对应的参数值作为估计值，记作
先验概率密度p(x)已知，根据最大熵原理，建立基于最大熵原理的处理工业测试数据的贝叶斯模型
(3)获取原始dss
将步骤(2)所得基于最大熵原理的处理工业测试数据的贝叶斯模型嵌入到概率盒建模的算法中得到修正的原始概率盒模型，再通过离散化方法得到进行卷积计算的dss，形式为
(4)定义工业测试数据的综合附加信息量
以数据集的平均值xavg为附加信息量，xi-xi-1表示两相邻焦元之间的数据波动量，综合附加信息量为
由ui构成数据点变量集合u为
(5)提取优化的dss＇
将步骤(4)所得数据点变量集合u通过最大熵的贝叶斯逐焦元的对应优化x集合，得到新的焦元区间为
(6)修正概率盒
将步骤(5)的dss＇通过概率盒的定义绘制出修正概率盒。
实施例采用本发明提供的工业过程故障诊断方法，对数值仿真实例以及对滚动轴承在滚动过程中基于概率盒模型修正的机械故障诊断。
本发明概率盒定义示意图如图3所示，横坐标x为待评估的不确定参数，纵坐标cdf为累计概率分布函数，左边界
实施例1：数值仿真：以含有10个焦元的概率盒为例进行仿真计算。假设随机变量x服从指数分布，其指数分布参数λ的区间为[2，3]，用概率盒建模方法和模型修正方法分别得到原始的dss和改进后的dss＇。仿真实验数据对比结果如表1所示：
表1仿真实验数据(n＝10)
改进后的焦元区间较原始的焦元区间要小，即
实施例2：本实施例以滚动故障信号为试验验证对象，分别采集了正常轴承状态、内圈故障、外圈故障和滚动体故障的振动加速度信号，得到的原始概率盒模型和修正后的概率盒模型分别如图1和图2所示，从图1和图2中可知，修正后的概率盒比原始概率盒紧致性提高了；滚动体故障和内圈故障的概率盒重叠现象在模型修正后有了改善，这将有利于基于概率盒的模式识别；
从获得的概率盒中提取相应的8个特征指标，组成故障特征向量组，将故障信号转换成对应的歪度概率盒之后，由每种状态得到100个概率盒，四种状态得到400个概率盒，组成概率盒特征向量集，以svm为模式识别工具，以其中的2/3组数据为训练，将剩余的1/3组数据为测试，分别得到模型修正前和模型修正后的正确识别率的结果如表2所示，
表2概率盒修正前后的识别率
从表2可以看出，除了歪度概率盒模型外，峭度、波形、裕度概率盒模型修正后的正确识别率都较未修正前的识别率有所提高，进一步证明了从图1和图2中定性分析出来的结论，即修正后的概率盒紧致性提高后，其包含的不确定性区间变小，各模式之间的重叠现象得到改善，更有利于模式识别。