[發明專利]一種基于診斷證據平滑更新的旋轉機械設備故障診斷方法

有效

• 申請號: 201310578506.6
• 申請日: 2013-11-15
• 公開（公告）號: CN103617350A
• 公開（公告）日: 2014-03-05
• 發明（設計）人: 徐曉濱;張鎮;劉征
• 申請（專利權）人: 杭州電子科技大學
• 主分類號: G06F19/00
• 分類號: G06F19/00
• 代理公司: 杭州求是專利事務所有限公司 33200
• 代理人: 杜軍

1.一種基于診斷證據平滑更新的旋轉機械設備故障診斷方法，其特征在于該方法包括以下各步驟：

步驟（1）設定旋轉機械設備的故障集合為Θ＝{F₀,_F1,…,F_j,…,F_N}，F_j代表旋轉機械設備的第j種故障(j＝0,1,…,N)，則共有N+1種故障；

步驟（2）通過診斷證據生成方法，在第k個時刻，獲得旋轉機械設備的診斷證據為E_k＝(m_k(F₀),m_k(F₁),…,m_k(F_j),…,m_k(F_N),m_k(Θ))，其中，k=1,2,3,…；m_k(F_j)表示在k時刻，對第j種故障發生的信度賦值，m_k(Θ)表示對故障集合的信度賦值，則E_k為這些信度賦值構成的一個信度賦值向量，并有1-(m_k(F₀)+m_k(F₁)+…+m_k(F_j)+…+m_k(F_N))＝m_k(Θ)；

步驟（3）基于步驟（2）獲得的診斷證據，通過線性加權診斷證據融合規則，用第k個時刻診斷證據對歷史診斷證據進行平滑更新，從而獲得k時刻更新后的診斷證據E_1:k＝(m_1:k(F₀),m_1:k(F₁),…,m_1:k(F_j),…,m_1:k(F_N),m_1:k(Θ))，其中1:k表示E_1:k是融合從1到k時刻所有的診斷證據得到的，具體步驟如下：

（3-1）當k＝1時，更新后的診斷證據為

E_1:1＝E₁

亦即更新后的診斷證據即為該時刻獲得的診斷證據；

（3-2）當k≥2時，更新后的診斷證據向量E_1:k，其各元素取值由以下式(1)和(2)給出

m_1:k(A)＝α_km_1:k-1(A)+β_km_k(A|B)??A,B∈Θ????(1)

m_1:k(Θ)＝1-Σ_A∈Θm_1:k(A)????(2)

其中，式(1)中的m_1:k-1(A)表示k-1時刻更新后診斷證據E_1:k-1對故障A的信度賦值；m_k(A|B)表示第k個時刻獲得的關于故障A的條件化信度賦值，當A＝F_j時，若k時刻的診斷證據E_k＝(m_k(F₀),m_k(F₁),…,m_k(F_j),…,m_k(F_N),m_k(Θ))中，m_k(F_j)大于其他所有的m_k(F₀),m_k(F₁),…,m_k(F_j-1),…,m_k(F_j+1),…,m_k(F_N)，則B＝F_j，m_k(A|B)＝1；否則，m_k(A|B)＝0；

α_k和β_k為線性融合平滑權重，求解步驟如下：

（a）在獲得k-1時刻更新后診斷證據E_1:k-1、k時刻診斷證據E_k和k+1時刻診斷證據E_k+1之后，利用公式(3)計算向量E_1:k-1與向量E_k之間的距離d(E_1:k-1,E_k)為

d(E1:k-1,Ek)=12(E1:k-1-Ek)D=(E1:k-1-Ek)T---(3)]]>

式中E_1:k-1-E_k為兩向量對應元素相減后得到的向量，T表示向量的轉置，為一個(N+2)×(N+2)的矩陣，它的對角線元素取值為1，其第N+2列的第1行至第N+1行的元素取值，以及第N+2行的第1列至第N+1列的元素取值均為1/(N+1)，其他元素取值為0;

同理，由式(4)獲得向量E_1:k-1與向量E_k+1之間的距離d(E_1:k-1,E_k+1)為

d(E1:k-1,Ek+1)=12(E1:k-1-Ek+1)D=(E1:k-1-Ek+1)T---(4)]]>

由式(5)獲得向量E_k與向量E_k+1之間的距離d(E_k,E_k+1)為

d(Ek,Ek+1)=12(Ek-Ek+1)D=(Ek-Ek+1)T---(5)]]>

（b）由上述步驟（a）求得距離d(E_1:k-1,E_k)、d(E_1:k-1,E_k+1)和d(E_k,E_k+1)后，計算k時刻E_1:k-1、E_k和E_k+1兩兩之間的相似度：

利用公式(6)計算向量E_1:k-1與向量E_k之間的相似度c(E_1:k-1,E_k)為

c(E_1:k-1,E_k)＝1-d(E_1:k-1,E_k)????(6)

相似度c(E_1:k-1,E_k)是衡量向量E_1:k-1與向量E_k的相近程度，亦即兩個證據一致的程度，且有c(E_1:k-1,E_k)＝c(E_k,E_1:k-1)，即向量E_1:k-1與向量E_k的相似度等于向量E_k與向量E_1:k-1的相似度；

同理，由式(7)獲得向量E_1:k-1與向量E_k+1之間的相似度c(E_1:k-1,E_k+1)為

c(E_1:k-1,E_k+1)＝1-d(E_1:k-1,E_k+1)????(7)

由式(8)獲得向量E_k與向量E_k+1之間的相似度c(E_k,E_k+1)為

c(E_k,E_k+1)＝1-d(E_k,E_k+1)????(8)

（c）按照上述步驟（b）獲得在k時刻診斷證據向量E_1:k-1、E_k和E_k+1兩兩相似度c(E_1:k-1,E_k)，c(E_1:k-1,E_k+1)及c(E_k,E_k+1)之后，計算每個證據向量被其他兩個證據向量所支持的支持度：

利用式(9)計算證據向量E_1:k-1被證據向量E_k和E_k+1所支持的支持度s(E_1:k-1)為

s(E_1:k-1)＝c(E_1:k-1,E_k)+c(E_1:k-1,E_k+1)????(9)

支持度s是相似性度量的函數，表示該證據被其他證據所支持的程度，s(E_1:k-1)值越高，則說明證據向量E_1:k-1與證據向量E_k和E_k+1之間的相似性越高；

同理，由公式(10)計算證據向量E_k被證據向量E_1:k-1和E_k+1所支持的支持度s(E_k)為

s(E_k)＝c(E_1:k-1,E_k)+c(E_k,E_k+1)????(10)

由公式(11)計算證據向量E_k+1被證據向量E_1:k-1和E_k所支持的支持度s(E_k+1)為

s(E_k+1)＝c(E_1:k-1,E_k+1)+c(E_k,E_k+1)????(11)

（d）基于步驟（c）依次求出診斷證據向量E_1:k-1、E_k和E_k+1在k時刻的可靠度K：利用公式(12)計算證據向量E_1:k-1在k時刻的可靠度K(E_1:k-1)為

K(E1:k-1)=s(E1:k-1)s(E1:k-1)+s(Ek)+s(Ek+1)---(12)]]>

同理，由公式(13)計算證據向量E_k在k時刻的可靠度K(E_k)為

K(Ek)=s(Ek)s(E1:k-1)+s(Ek)+s(Ek+1)---(13)]]>

由公式(14)計算證據向量E_k+1在k時刻的可靠度K(E_k+1)為

K(Ek+1)=s(Ek+1)s(E1:k-1)+s(Ek)+s(Ek+1)---(14)]]>

有K(E_1:k-1)+K(E_k)+K(E_k+1)=1，一個證據向量的可靠度K越高，說明該證據與其他證據的相似性越高，該證據越可靠，反之亦然；

（e）基于上述步驟（b）所求得的E_1:k-1與E_k+1之間的相似度c(E_1:k-1,E_k+1)、E_k與E_k+1之間的相似度c(E_k,E_k+1)，通過判斷二者之間的大小確定α_k，β_k的取值：

若c(E_1:k-1,E_k+1)≥c(E_k,E_k+1)，αk=K(E1:k-1)+K(Ek+1)βk=K(Ek)]]>

若c(E_1:k-1,E_k+1)＜c(E_k,E_k+1)，αk=K(E1:k-1)βk=K(Ek)+K(Ek+1)]]>

求得α_k，β_k的取值后將其代入步驟（3-2）的式(1)中，通過遞歸計算即可獲得各個時刻更新后的診斷證據；

步驟（4）根據上述步驟（3）在k時刻獲得的更新后診斷證據E_1:k＝(m_1:k(F₀),m_1:k(F₁),…,m_1:k(F_j),…,m_1:k(F_N),m_1:k(Θ))，對旋轉機械設備的故障進行診斷：若m_1:k(F_j)的取值大于其他m_1:k(F₀),m_1:k(F₁),…,m_1:k(F_j-1),…,m_1:k(F_j+1),…,m_1:k(F_N)，則判定故障F_j發生。