[發明專利]一種基于三維隸屬函數模糊邏輯系統的風機故障診斷方法

有效

• 申請號: 201910085928.7
• 申請日: 2019-01-29
• 公開（公告）號: CN109840563B
• 公開（公告）日: 2022-12-13
• 發明（設計）人: 劉金海;朱宏飛;曲福明
• 申請（專利權）人: 東北大學
• 主分類號: G06K9/62
• 分類號: G06K9/62;G06N7/02;G01M15/00
• 代理公司: 沈陽東大知識產權代理有限公司 21109
• 代理人: 梁焱

1.一種基于三維隸屬函數模糊邏輯系統的風機故障診斷方法，其特征在于，包括下述步驟：

步驟1：確定模糊邏輯系統的輸入數據：

步驟1.1：采集實際風機數據集：每間隔時間T，對風機的SCADA系統中p個輸入變量在間隔時間T內的SCADA數據進行采集，得到n組實際風機數據，每組實際風機數據包括間隔時間T內m個時刻的實際風機數據，得到第i組中第t_i時刻的實際風機數據集為其中，i∈{1,2,...,n}，為第t_i時刻第j個輸入變量x_j的實際值，j∈{1,2,...,p}，t_i＝t_i-1+T，t₀＝0；

步驟1.2：計算預測風機數據集：根據第t_i-1時刻第j個輸入變量的實際值來預測第t_i時刻第j個輸入變量的值，得到第t_i時刻第j個輸入變量的預測值為得到第t_i時刻的預測風機數據集為

步驟1.3：計算差值風機數據集：將第t_i時刻第j個輸入變量x_j的實際值減去第t_i時刻第j個輸入變量的預測值得到第t_i時刻第j個輸入變量的差值從而得到第t_i時刻的差值風機數據集為差值風機數據集X^err(t_i)即為第t_i時刻模糊邏輯系統的輸入數據；

步驟2：建立模糊邏輯系統的三維隸屬函數：

步驟2.1：采集實際風機訓練數據集：每間隔時間T，重新對風機的SCADA系統中p個輸入變量在間隔時間T內的SCADA數據進行采集，得到n組實際風機訓練數據，每組實際風機訓練數據包括間隔時間T內m個時刻的實際風機訓練數據，得到第i組中第t_i時刻的實際風機訓練數據集為

步驟2.2：計算預測風機訓練數據集：計算根據第t_i-1時刻第j個輸入變量的實際訓練值來預測第t_i時刻第j個輸入變量的訓練值，得到第t_i時刻第j個輸入變量的預測訓練值為得到第t_i時刻的預測風機訓練數據集為

步驟2.3：計算差值風機訓練數據集：將第t_i時刻第j個輸入變量的實際訓練值減去第t_i時刻第j個輸入變量的預測訓練值得到第t_i時刻第j個輸入變量的差值訓練值從而得到第t_i時刻的差值風機訓練數據集為

步驟2.4：選擇訓練數據集與基準變量：從n組差值風機訓練數據集中隨機選擇N組作為訓練數據，得到每個輸入變量的N組訓練數據集，其中，第j個輸入變量的第k組訓練數據集為從變量集合{x₁,x₂,...,x_j,...,x_p}中隨機選擇一個變量x_s作為基準變量；其中，k∈{1,2,...,N}，5≤N＜n，中的t_i為第k組訓練數據集的最后一個時刻；

步驟2.5：建立模糊邏輯系統的三維隸屬函數：

步驟2.5.1：計算基準變量x_s的第k組實際訓練值中元素的平均值為將基準變量x_s的N個平均值作為三維隸屬函數的y軸；

步驟2.5.2：統計第j個輸入變量的第k組訓練數據集為X^err',j中每一個差值風機訓練數據的頻數，形成第j個輸入變量的差值的正態分布圖像，橫軸為第j個輸入變量的差值風機訓練數據，縱軸為第j個輸入變量的差值風機訓練數據對應的頻數，作平行于縱軸的兩條直線，該兩條直線與正態分布圖像及橫軸之間所圍圖形的面積為正態分布圖像面積的99％，該兩條直線與正態分布圖像的兩個交點對應的差值風機訓練數據即為第j個輸入變量的第k組訓練數據集的故障上下邊界；

步驟2.5.3：采用專家法將第j個輸入變量用術語集合Q_j修飾并確定第j個輸入變量用第q_j個術語修飾時第j個輸入變量的差值的取值范圍q_j∈Q_j；將作為第j個輸入變量用第q_j個術語修飾時的三維隸屬函數的x軸，將第j個輸入變量的每組訓練數據集對應的基準變量x_s的平均值、每組訓練數據集中在集合中的差值風機訓練數據、每組訓練數據集的故障上下邊界對應到第j個輸入變量用第q_j個術語修飾時的三維隸屬函數的圖像中，再將基準變量x_s的每個平均值所對應的二維隸屬函數的最大隸屬度設為1，以隸屬度為z軸，即得到第j個輸入變量用第q_j個術語修飾時的三維隸屬函數其中，為基準變量x_s在第t_i時刻對應的一組實際值的平均值，為第j個輸入變量在第t_i時刻的差值；

步驟3：建立模糊邏輯系統的規則庫：采用專家法，建立L條規則；其中，第l條規則為：如果則發生第v種風機故障的概率為其中，x_lj∈{x₁,x₂,...,x_j,...,x_p}，lp≤p，為第l條規則中第lj個輸入變量x_lj用第q_lj個術語修飾時第lj個輸入變量x_lj的差值的取值范圍，q_lj∈Q_lj，Q_lj為第l條規則中第lj個輸入變量x_lj的術語集合，v∈H，H為風機故障類型集合；

步驟4：建立模糊邏輯系統的模糊器：將模糊器設置為單值模糊器，將第t_i時刻模糊邏輯系統的輸入數據模糊化為第t_i時刻模糊邏輯系統的輸入集為

其中，為基準變量x_s在第t_i時刻對應的一組實際值的平均值，符號★為命題學中的取最小值；

步驟5：計算模糊邏輯系統的點火等級：利用步驟2中獲得的三維隸屬函數計算第t_i時刻第l條規則的規則前件集為從而得到第t_i時刻第l條規則的點火等級FL^l(t_i)

其中，sup為取最大值的運算；

步驟6：計算模糊邏輯系統的輸出集：計算第t_i時刻第l條規則的輸出集為其中，為第l條規則的規則后件集，也即為第l條規則涉及的第v種風機故障的概率對應的隸屬度，根據專家法得到；進一步得到第t_i時刻所有規則中相同種類風機故障的輸出集，其中，第t_i時刻第v種風機故障的輸出集為其中，為命題學中取最大值的運算，K為涉及第v種風機故障的規則的總數，為涉及第v種風機故障的規則集合中第k條規則的輸出集；

步驟7：計算模糊邏輯系統的清晰輸出，并判斷風機是否存在故障：

步驟7.1：選擇解模糊化方法為取重心法，對第v種風機故障的輸出集進行解模糊化，得到第t_i時刻第v種風機故障的嚴重程度也即清晰輸出為

其中，越大表示第v種風機故障越嚴重；

其中，取重心法的過程為：將第v種風機故障的輸出集的圖像離散化，得到M個點，第i個點對應的橫坐標即為縱坐標即為

步驟7.2：采用專家法，確定第v種風機故障的閾值的上下邊界

步驟7.3：判斷是否超過上下邊界若超過，則診斷出風機存在第v種風機故障；若沒有超過，則診斷出風機不存在第v種風機故障。