[发明专利]一种基于权值训练的多信息融合故障诊断方法

权利要求书

1.一种基于权值训练的多信息融合故障诊断方法，其特征在于：包括权值离线训练和在线监测两部分；所述诊断方法的具体步骤包括：

权值离线训练部分包括：

(1)收集离线传感器信号及对应状态信息；

(2)进行小波包分解处理；

(3)计算各传感器信号故障特征向量；

(4)利用BP神经网络权值训练模块进行权值训练；

(5)得到各传感器权值；

在线监测部分包括：

(6)在被监测设备上安装传感器，测量设备在操作过程中的各类信号；

(7)进行小波包分解处理；利用小波包分解理论分别对各个传感器采集得到的信号进行小波包分解；具体的小波包分解函数由实际使用中传感器采集得到的信号的特征来确定；

(8)计算各传感器信号故障特征向量；计算各个传感器的信号在小波包分解后的各重构序列的能量值，为反应故障信息的数据，对所提取的各重构序列的能量进行归一化处理，得到故障特征向量；

(9)计算各传感器故障隶属度；计算采集到的各个传感器的信号的故障特征向量与故障数据库中对应存在的典型故障状态信号的特征向量的欧氏距离，距离度量越大，表明两者之间的隶属度越弱；计算各个传感器信号的故障特征向量与故障数据库中对应存在的各个典型故障状态信号的特征向量的欧氏距离的倒数的归一化结果，得到各个传感器对应的故障隶属度，即证据；

(10)将各传感器所得故障隶属度乘以权值得到加权证据；

(11)利用D-S证据理论组合规则对加权证据进行数据融合，获得故障诊断结果。

2.根据权利要求1所述的一种基于权值训练的多信息融合故障诊断方法，其特征在于：步骤(2)、步骤(7)所述的小波包分解WPD在全频段都具有较高的时频分辨率，具有更精细的局部化性能。将频带进行多层次的划分，对多分辨率分析没有细分的高频部分进一步分解，并根据被分析信号的特征，自适应的选择相应频带，使之与信号频谱相匹配，从而提高时频分辨率。三层小波包分解分解关系如下式(A表示低频分量，D表示高频分量，末尾序号表示小波包分解的层数)：

S＝AAA₃+DAA₃+ADA₃+DDA₃+AAD₃+DAD₃+ADD₃+DDD₃。

3.根据权利要求1所述的一种基于权值训练的多信息融合故障诊断方法，其特征在于：所述步骤(3)、步骤(8)故障特征向量的具体计算方式为：

设E_j^*为小波重构序列的能量，其表示为

式中：为第j个小波包重构序列的第k个分量；N为序列d_j中分量的个数；n为小波包分解层数。设对采集信号进行n层小波分解的各频段的能量值为

将该向量进行归处一化理即可得到特征向量为

式中：

每个传感器采集得到的信号对应一组故障特征向量。