[發(fā)明專利]一種基于概率包絡的輪對軸承故障診斷方法

在審

• 申請?zhí)枺?/td>: 201810738257.5
• 申請日: 2018-07-02
• 公開（公告）號: CN108896308A
• 公開（公告）日: 2018-11-27
• 發(fā)明（設計）人: 丁家滿;原琦
• 申請（專利權）人: 昆明理工大學
• 主分類號: G01M13/04
• 分類號: G01M13/04
• 代理公司: 暫無信息
• 代理人: 暫無信息

1.一種基于概率包絡的輪對軸承故障檢測方法，其特征在于：包括以下步驟：

步驟1、將采集到的正常軸承數據和故障軸承數據分別進行時頻域概率分布對比，判別其分布類型，使用MATLAB模型對采集到的數據進行數據樣本分布類型檢驗，在該模型中使KS檢驗，*表示分布類型，H為原假設，當H＝0時表示采集到的數據滿足*分布類型，當H≠0時表示采集到的數據不滿足*分布類型，進而將采集到的數據進入下一次的分布測試，直至得到滿足的分布類型，如正態(tài)分布對應的是均值參數μ和方差參數σ，指數分布對應的是指數參數λ；

步驟2、若原始數據滿足某種分布類型則采用基于原始參數概率分布類型的OPPEM建模方法進行建模，即分別獲取這些參數的不確定性區(qū)間，取參數的最大值、最小值并將[min,max]作為參數區(qū)間，按照{([x₁,y₁],m₁),([x₂,y₂],m₂),…,([x_n,y_n],m_n)}結構將獲取參數區(qū)間進行離散化建立DSS結構體，Dempster-Shafer Structure，簡稱DSS，是由有限個焦元組成，每個焦元是由一個區(qū)間和相應區(qū)間對應的信度組成，每個焦元([x_i,y_i],m_i)滿足以下條件x_i≤y_i且∑m_i＝1，其中i＝1,2,…,n，m為信度值，x，y為區(qū)間上下界，將DSS結構體的各焦元區(qū)間的下邊界值按照公式累積疊高可以得到概率包絡下邊界，區(qū)間的上邊界值按照公式累積疊高可以得到概率包絡的上邊界，帶入概率分布函數其中來表示CDF上界，Y(x)來表示CDF下界，從而獲取概率包絡；

步驟3、若原始數據不能確定其分布類型則提取時頻域特征，在特征選擇方面，采用歪度和峭度作為特征向量，其中N為數據量，x_i為測得數據，為均值，X_rms為均方值，即根據采樣頻率將數據分為若干組，獲得每組數據的歪度或峭度，確定歪度或峭度數據的概率分布類型，然后判別所提取特征的分布類型；

步驟4、若提取出的特征滿足某種分布類型則采用基于特征參數概率包絡的CPPEM建模方法進行建模，如提取出的歪度數據滿足正態(tài)分布則確定歪度數據的均值和方差的DSS結構體，并且對DSS進行離散化，然后將離散化的DSS上界和下界分別累和得到概率包絡的上界和下界，過程與步驟2一致；

步驟5、若提取出的特征不滿足則采用基于概率包絡定義的DPEM建模方法進行建模，即將原始數據按采樣頻率轉化為m行n列的數組，其中m為采樣次數，n為采樣頻率，截除多余數據；將每次采樣數據按從小到大的次序排列，得到新的數組；從m次采樣數據中找到每列中的最小值和最大值，分別得到一個最小值和最大值的行向量，分別累加最小值行向量和最大值行向量得到概率包絡的下界和上界；

步驟6、通過累積不確定度測量的方法實現對概率包絡建模后的特征提取，針對概率包絡的幾何形狀，有以下6種特征：

(A)利用對所有焦點元素區(qū)間權重的基本概率分布獲得累積寬度，具體提取過程如下：

(1)將概率包絡離散化(DSS結構體)，假如可以離散n份；

(2)將上界值減去下界值x_i并取絕對值，再乘以其對應的信度值m，可以得到n個值；

(3)將得到的n個值進行累積求和；

即為

(B)利用對所有焦點元素區(qū)間權重的基本概率分布獲取累積對數寬度，其求取過程與(A)類似，只是將第二步改為上界值減去下界值取絕對值后再求對數，然后再乘以其對應的信度值m，即為

(C)利用累積區(qū)間邊界權重值的基本概率分布獲取概率包絡下限和上限，求取過程如下：

(1)將概率包絡離散化成多個DSS結構體；

(2)分別將上界值和下界值乘以其對應的信度值m，可以得到多個組區(qū)間；

(3)將得到的多個組區(qū)間邊界值進行累積求和，即可得到累積區(qū)間；

即為

(D)在累積分布函數的條件值下，獲取概率包絡的上界和下界的累積邊界值，假設構成概率包絡的如果累計分布函數值α表示為則概率包絡下界和上界的累計邊界值為

(E)利用累積區(qū)間邊界權重值的基本概率分布獲得概率包絡的下界和上限，累積的不確定測量結果可以被表達為其中c1＇和c2＇表示DSS的左右邊界的平均概率統(tǒng)計；

(F)獲得1作為基數的累積對數寬度，用基本概率分布計算所有焦點單元的權重區(qū)間，具體過程與(B)類似，只是用1減去上界值減去下界值取絕對值取對數，再乘以相對應的信度值m，即為

步驟7、將提取出來的特征向量作為SVM的輸入，采用支持向量機方法對特征向量進行故障分類，具體過程如下：

(1)將提取出的特征向量建立訓練數據和測試數據；

(2)歸一化訓練數據和測試數據；

(3)交叉驗證選定SVM超參數和核函數；

(4)輸入訓練數據得到訓練模型；

(5)將測試數據送入訓練模型中，得到分類結果。

2.根據權利要求1所述的一種基于概率包絡的輪對軸承故障檢測方法，其特征在于：所述的步驟2中，概率包絡即可表達隨機不確定性也可表達認知不確定性，概率包絡的定義為：當一個隨機變量X，它的估計值不是一個精確的點估計時，其CDF則無法用單一曲線來表達，假設用來表示CDF上界，Y(x)來表示CDF下界，表示隨機變量X的低概率測度，其中Y(x)＝P(X≤x)，因為變量X的每個點計算一次都能得到一個最小和一個最大面積的值，把所有最大和最小面積值按點的方式描繪于坐標圖中，然后將最小值的點連成一條線，得到Y(x)，將最大值的點連成一條線，得到最終得到概率包絡。