[發(fā)明專利]基于復雜網(wǎng)絡的電梯曳引機轉子故障診斷信息融合方法

有效

• 申請?zhí)枺?/td>: 202010320015.1
• 申請日: 2020-04-22
• 公開（公告）號: CN111428386B
• 公開（公告）日: 2023-04-18
• 發(fā)明（設計）人: 徐曉濱;胡家豪;章振杰;王琪冰;茹曉英;侯平智
• 申請（專利權）人: 杭州電子科技大學
• 主分類號: G06F30/20
• 分類號: G06F30/20;G06F18/25
• 代理公司: 浙江千克知識產權代理有限公司 33246
• 代理人: 周希良

1.基于復雜網(wǎng)絡的電梯曳引機轉子故障診斷信息融合方法，其特征在于該方法包括以下步驟：

(1)設定電梯曳引機轉子的故障集合Θ＝{F₁,…,F_i,…,F_N|i＝1,2,…,N}，F(xiàn)_i表示故障集合Θ中的第i個故障，N為電梯曳引機轉子所含故障模式的個數(shù)；

(2)設f_1,i，f_2,i和f_3,i為能夠反映故障集合Θ中每個故障F_i的故障特征參數(shù)，該特征參數(shù)為加速度信號，分別由風扇端、電機基座和電機殼體驅動端的加速度傳感器提供；

將f_1,i，f_2,i，f_3,i和F_i表示成樣本集合M_i＝{[f_1,i,f_2,i,f_3,i?F_i]|t＝1,2,3,…,S_i}，其中[f_1,i(t),f_2,i(t),f_3,i(t),F_i]為一個樣本向量，S_i表示故障為F_i狀態(tài)下的樣本數(shù)據(jù)，并將其表示為F_i狀態(tài)下的采樣個數(shù)，取S_i≥100；分別采樣各個故障狀態(tài)下的樣本數(shù)據(jù)，并將其表示為集合形式共計可獲得δ個樣本，|M|表示集合M中的個數(shù)；

(3)將故障F_i狀態(tài)下獲取的f_1,i(t)、f_2,i(t)和f_3,i(t)表示成樣本集合M_i′＝{[f_1,i(t),f_2,i(t),f_3,i(t)]|t＝1,2,…,S_i}，分別采樣各個故障狀態(tài)下的樣本數(shù)據(jù)，并將其表示為集合形式滿足δ＝|M|＝|M_i′|，|M_i′|表示集合M_i′中元素的個數(shù)；

(4)對樣本故障特征參數(shù)進行相關性分析，得到Pearson系數(shù)；將Pearson系數(shù)較大的兩個特征參數(shù)歸為同一組，記為G_A，與其相關性較小特征參數(shù)歸為另一組，記為G_B；

(5)對步驟(4)得到的兩組特征數(shù)據(jù)G_A和G_B分別構建數(shù)據(jù)復雜網(wǎng)絡Net^A和Net^B，以相似度矩陣A和B描述，a_i,j，b_i,j分別是矩陣A和B中的元素，表示各組特征數(shù)據(jù)中樣本x_i和x_j間距離d_i,j的函數(shù)；

(6)利用復雜網(wǎng)絡社團劃分原理，將數(shù)據(jù)復雜網(wǎng)絡Net^A和Net^B劃分成K₁和K₂類，記為將M個樣本向量歸入得到K₁類對應的樣本Q_k1＝{[f_1,k1(u_k1),f_2,k1(u_k1),f_3,k1(u_k1),F_k1(u_k1)]|u_k1＝1,2,…,U_k1}，U_k1表示T_k1類中歸入的樣本向量個數(shù)，并有Q_k1∈M，F(xiàn)_k1(u_k1)∈Θ，同時可由K₁類樣本向量各取均值得到樣本集M所對應的K₁個參考中心向量，可表示為C_k1＝[c_k1,1,c_k1,2,c_k1,3]，其中k1＝1,2,…,K₁；

同理可將M中的樣本向量歸入中，得到K₂類對應的樣本Q_k2＝{[f_2,k2(u_k2),f_2,k2(u_k2),f_3,k2(u_k2),F_k2(u_k2)]|u_k2＝1,2,…,U_k2}，U_k2表示T_k2類中歸入的樣本向量個數(shù)，并有Q_k2∈M，F(xiàn)_k2(u_k2)∈Θ，同時可由K₂類樣本向量各取均值得到樣本集M所對應的K₂個參考中心向量，可表示為C_k2＝[c_k2,1,c_k2,2,c_k2,3]，其中k2＝1,2,…,K₂；

(7)根據(jù)步驟(2)、步驟(3)、步驟(5)和步驟(6)獲取的F_i和T_k1、T_k2，構造如表1與表2的關系表來表示F_i和T_k1、F_i和T_k2之間的對應關系；N_k1,i、N_k2,i分別表示T_k1、T_k2類所對應的樣本集中故障為F_i的個數(shù)，并有和和其中0≤N_k1,i、N_k2,i≤S_i；

表1?F_i和T_k1之間的對應關系表

表2?F_i和T_k2之間的對應關系表

(8)根據(jù)步驟(7)中獲取的對應關系表，當故障為F_i時，相應的樣本數(shù)據(jù)歸入第k1、k2類的似然函數(shù)為：

并有則定義第k1、k2類對應的第i類故障的參考證據(jù)為：

得到兩部分的故障診斷參考證據(jù)為

e_p1＝[e_p1,1,e_p1,2,…,e_p1,N]，e_p2＝[e_p2,1,e_p2,2,…,e_p2,N]

構造如表3、表4所示的似然信度表來描述T_k1、T_k2和F_i之間的關系；

表3?T_k1類似然信度表

表4?T_k2類似然信度表

(9)當在線監(jiān)測獲取t時刻的故障特征參數(shù)向量X(t)＝[f_1,i(t),f_2,i(t),f_3,i(t)]之后，定義證據(jù)的重要性權重w_k描述證據(jù)e_k相較與其他證據(jù)的相對重要性，分別求取故障特征參數(shù)向量與K₁、K₂個參考中心向量之間的歐式距離并將其歸一化得到Dis_k1與Dis_k2，定義w_k1＝Dis_k1，w_k2＝Dis_k2；

(10)利用證據(jù)的重要性權重w_k來激活參考證據(jù)e_p，得到e_{p_1}、e_{p_2}，將e_{p_1}、e_{p_2}分別進行歸一化得到診斷證據(jù)e_p1′、e_p2′；

(11)利用Dempster組合規(guī)則對e_p1′、e_p2′進行融合，得到融合后的診斷結果為：

式中m₁、m₂為兩個定義在Θ上的質量函數(shù)，令參考證據(jù)m₁＝e_p1′，m₂＝e_p2′定義m＝m₁⊕m₂為組合后的質量函數(shù)，⊕表示Dempster組合規(guī)則可作用于兩個或多個質量函數(shù)上，A、B、C均為故障類型模式；

融合后的診斷證據(jù)為：

e_p＝[m(1),m(2),…,m(N)]?(9)

式中m(1)，m(2)，m(N)分別代表融合后進行歸一化的故障類型為F₁、F₂、F_N信度；

(12)利用步驟(11)得到的診斷證據(jù)e_p，對電梯曳引機轉子的故障進行診斷：e_p中信度取值最大的所對應的F_i即為故障特征參數(shù)向量X(t)真實發(fā)生的故障模式。