[發明專利]一種基于證據神經網絡模型的機械產品故障模式識別方法

有效

• 申請號: 201711248449.X
• 申請日: 2017-11-30
• 公開（公告）號: CN108362510B
• 公開（公告）日: 2020-12-29
• 發明（設計）人: 彭文勝;徐明;曾晨暉;常志剛
• 申請（專利權）人: 中國航空綜合技術研究所
• 主分類號: G01M99/00
• 分類號: G01M99/00;G01N29/14;G01N29/44;G06K9/62;G06N3/08
• 代理公司: 中國航空專利中心 11008
• 代理人: 陳宏林

本發明是一種基于證據神經網絡模型的機械產品故障模式識別方法，該方法定義了一種新型的基于證據理論和徑向基神經網絡模型的證據神經網絡模型，并且基于該證據神經網絡模型對機械產品的信號特征進行模式判定，進行故障模式的識別，兼顧樣本量有限以及精度要求高的特點，基于證據理論和神經網絡模型，證據理論的基本信任分配函數用來度量神經網絡訓練過程中的不確定性，并且利用證據融合法則進行信息的融合，證據神經網絡能夠有效地提高故障模式識別的精度。

技術領域

本發明是一種基于證據神經網絡模型的機械產品故障模式識別方法，它是利用證據理論中證據信息融合來對神經網絡訓練過程中參數進行量化和優化，對機械產品中故障狀態信息進行判定和識別，屬于可靠性技術領域。

背景技術

隨著科學技術快速發展，現代機械設備的功能需求也越來越復雜，工作效率要求越來越高。并且由于機械設備的結構和功能復雜性，工作環境嚴酷，維修費用增加等因素，對機械設備各方面的性能指標要求越來越高。機械設備一旦發生故障會造成巨大的經濟損失，因此提高機械設備的可靠性，防止故障發生，減少維修支出在機械設備的設計和運營時是非常關鍵的問題和工作。

機械零部件作為機械設備的重要組成部分，在工作過程中是典型的多失效機理耦合、并且嚴重受環境因素影響。機械產品常見的故障模式如磨損、疲勞、蠕變等耗損型故障機理耦合在一起，對機械產品的可靠性設計分析和使用維護造成了一定的困難。如何發展機械產品的故障模式識別的理論和技術方法，并且不斷提高故障模式識別精度，是機械可靠性研究的重要內容之一。現有的故障模式識別的方法如統計模式識別法、模糊模式識別法、神經網絡法模式識別法、專家系統法等，都有自己的優缺點和適應范圍。尤其是神經網絡模型，由于具有自學習、自組織和自處理的特點，在故障模式識別和分類方面得到了極大的研究和應用。但是神經網絡模型基于大量樣本以及精度的局限性，在一定程度上影響了在機械產品的故障識別上的應用。證據理論作為認知不確定信息的重要量化工具，能夠量化樣本量不足的信息，并且能有效融合各類證據信息，在可靠性領域得到了廣泛的研究和應用。

1證據理論(Evidence Theory)

證據理論(也叫作Dempster-Shafer證據理論，或者是信任函數(Belieffunction)理論)，是Dempster于1967年開始提出，在Shafer的進一步完善下，形成的一種不完備不確定信息表征和量化的理論。證據理論提出的最初目的是用來處理比區間不確定信息完備，而又沒有達到概率信息完備程度的一類不確定信息。現在證據理論成為一種重要的表征和量化認知不確定信息的數學理論。

證據空間的定義

證據理論框架由表征不確定性的三個部分組成，分別是：

——表示所有可能發生的事件的離散集合，該離散集合也稱為證據識別框架，一般可以記作Θ。識別框架由一系列相互獨立并且相互排斥的有限個判別假設組成。

Θ＝{q₁,q₂,…,q_n} (1)

如上式中，q_i(i＝1,2,…,n)是識別框架中的第i個基本假設。

——基元S，因為證據理論是在識別框架Θ的冪集上進行運算，其冪集形式為：

也可以表示成

其中H_i也就是基元。

——基本信任分配函數(Basic Belief assignment,BBA)m(X)，表示的識別框架冪集的每一個基元到區間[0,1]的一個映射關系。基本信任函數m表示的是對基元S的精確的信任程度。一般有如下準則：