[發明專利]一種基于概率盒模型修正的機械故障診斷方法

有效

• 申請號: 201710673714.2
• 申請日: 2017-08-09
• 公開（公告）號: CN107609216B
• 公開（公告）日: 2020-07-31
• 發明（設計）人: 杜奕;蔣慧英;丁家滿;劉力強
• 申請（專利權）人: 昆明理工大學
• 主分類號: G06F30/20
• 分類號: G06F30/20;G01M13/00;G01M13/045
• 代理公司: 暫無信息
• 代理人: 暫無信息

本發明公開了一種基于概率盒模型修正的機械故障診斷方法，即采集工業過程的故障數據，獲取原始概率盒；選擇適合的概率盒模型；獲取原始DSS；定義工業測試數據的綜合附加信息量；提取優化的DSS；獲得新的概率盒。本發明針對如何解決工業機械故障診斷過程中概率盒之間的重疊現象，提高概率盒的緊致性，提出的基于概率盒模型修正的機械故障診斷方法，通過概率盒建模方法獲得工業測試數據的概率盒模型，以焦元區間的均值和相鄰焦元之間數據波動量為附加信息量，利用基于最大熵的貝葉斯方法修正概率盒模型，修正后的模型緊致性得以提高，模型間的重疊現象得以改善，為進一步利用概率盒模型提高機械故障診斷正確識別率提供了更準確的信息。

技術領域

本發明涉及一種基于概率盒模型修正的機械故障診斷方法，屬于工業過程機械故障診斷技術領域。

背景技術

機械故障在實際工業生產中影響尤為突出，在轉動的機械設備中，過半的機械故障都是由于無法準確檢測和識別機械故障而引起的。機械的運行狀態直接影響旋轉機械工作性能和效率，對其故障診斷的研究意義重大。信息融合改變了傳統的故障診斷各研究點之間無交叉的研究模式，成為一個新的研究熱點。利用概率盒建模能將故障診斷中諸多主觀和客觀的不確定因素考慮進去，彌補了傳統特征提取方法丟棄豐富概率統計信息的缺陷。將原始信號先轉化成概率盒，再實現概率盒的信息融合，解決了信息融合時空配準困難的問題，為工業故障診斷提供了更加完善的故障診斷方法。

概率盒建模方法主要有專家估計方法、卷積建模方法、魯棒貝葉斯方法、約束規范方法和實驗測量方法等。利用概率盒與傳統特征提取方法進行模式識別，相比之下概率盒較傳統特征提取方法具有更高的正確識別率。但是概率盒建模還存在以下問題：第一，模型間存在重疊現象，影響模式識別的正確率。第二，原始概率盒模型的緊致性并非最佳。

發明內容

本發明針對如何解決工業機械故障診斷過程中概率盒之間的重疊現象，提高概率盒的緊致性，提供了一種基于概率盒模型修正的機械故障診斷方法，通過概率盒建模方法獲得工業測試數據的概率盒模型，以焦元區間的均值和相鄰焦元之間數據波動量為附加信息量，利用基于最大熵的貝葉斯方法修正概率盒模型，修正后的模型緊致性得以提高，模型間的重疊現象得以改善，為進一步利用概率盒模型提高機械故障診斷正確識別率提供了更準確的信息；最大熵的貝葉斯方法能夠靈活的選擇工業故障特征，且不需要額外的獨立假定或者內在約束，模型應用在不同領域時的可移植性強，同時可結合更豐富的信息等。

一種基于概率盒模型修正的機械故障診斷方法，包括以下步驟：

(1)采集工業過程的故障數據，獲取原始概率盒：定義CDF函數F(x)與包含的范圍為概率盒，表達為

其中F(x)為概率盒的下界，為上界，工業測試數據中不確定性的隨機變量X的CDF函數在CDF范圍內，即

(2)利用工業測試數據的概率統計特性，結合貝葉斯參數估計法來修正概率盒模型，建立基于最大熵原理的貝葉斯模型：貝葉斯公式為

以極大后驗參數估計方法為貝葉斯參數估計，后驗概率密度函數p(x|u)達到極大值作為估計準則，將所對應的參數值作為估計值，記作工業測試數據在數據u的條件下，引入熵的表達式為

先驗概率密度p(x)已知，根據最大熵原理，建立基于最大熵原理的處理工業測試數據的貝葉斯模型

(3)獲取原始DSS

將步驟(2)所得基于最大熵原理的處理工業測試數據的貝葉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，再通過離散化方法得到進行卷積計算的DSS，形式為