[发明专利]基于并集置信规则库和蚁群算法的船舶柴油机故障定位方法

权利要求书

1.基于并集置信规则库和蚁群算法的船舶柴油机故障定位方法，包括以下各步骤：

(1)柴油机常见磨损故障主要有主轴承异常磨损B，缸套-活塞环异常磨损C，活塞异常磨损P和润滑油污染L四种磨损故障，正常情况N和这四种磨损故障构成了模型的辨识框架，记为Y，Y＝{N,B,C,P,L}；

(2)从中速柴油机在线油液监测系统中采集油样，共采集110瓶；通过原子发射光谱仪对采集到的油液进行化学元素浓度检测；将油液中的Fe，Al，Pb，Si化学元素的浓度作为输入特征参数变量x₁(t),x₂(t),x₃(t),x₄(t),其单位为mg/L,t为样本编号，且t∈[1,T]，T为样本总数；x₁(t),x₂(t),x₃(t),x₄(t)与其对应的故障类型Y(t)表示成样本集合S＝{[x₁(t),x₂(t),x₃(t),x₄(t),Y(t)]|t＝1,...,T}，[x₁(t),x₂(t),x₃(t),x₄(t),Y(t)]为一个样本向量；x₁(t)∈[a₁,a₂]，其中a₁，a₂分别为样本中x₁(t)的最小值和最大值；x₂(t)∈[b₁,b₂]，其中b₁，b₂分别为样本中x₂(t)的最小值和最大值；x₃(t)∈[c₁,c₂]，其中c₁，c₂分别为样本中x₃(t)的最小值和最大值；x₄(t)∈[d₁,d₂]，其中d₁，d₂分别为样本中x₄(t)的最小值和最大值；

(3)建立置信规则库，用于描述输入特征参数变量x₁(t),x₂(t),x₃(t),x₄(t)与故障类型之间的非线性映射关系，其中第k条规则R_k的表示形式如下：

其中，K为置信规则库的规则总数，第k条规则的初始规则权重为为输入特征参数变量x_i(t)的参考值集合，F_i,1，分别为输入特征参数变量x_i(t)的最小和最大取值；η_M,k为第k条规则中第M个故障类型的置信度，Y_M为第M个故障类型，‘∨’表示并集；

(4)将T个样本向量[x₁(t),x₂(t),x₃(t),x₄(t),Y(t)|t＝1,...,T]中的输入特征参数变量x_i(t)分别用信息等价转换方法转换为置信度分布的形式，如(4-a)所示，其中，输入特征参数变量x_i(t)与参考值F_j的相似度分布为：

S(x_i(t))＝{F_i,j,β_i,j|j＝1,...,J_i,i＝1,...,4} (4-a)

通过式(4-b)-(4-d)计算输入特征参数变量x_i(t)与参考值F_j的相似度；

β_i,j+1＝1-β_i,j (4-c)

β_i,j'＝0 j'≠j,j+1 (4-d)

(5)根据步骤(4)获得输入特征参数变量x_i(t)与参考值的相似度β_i,j，计算置信规则库中每一规则的激活权重g_k计算公式如下：

其中表示第k条初始规则权重，i＝1,...,4，j＝1,...,J_i，k＝1,...,K；

(6)采用解析证据推理规则对规则库中被激活的规则进行融合推理，确定每一样本对应的故障类型Y'，具体步骤如下：

(6-1)设定输出组合O＝{(Y_m,η_m),m＝1,...,M}，其中η_m为第m个故障相对应的置信度，其计算公式如下：

其中K为总的规则条数，M为故障类型数量，此处M＝5，η_m,k为初始给定第k条规则所对应的第m个故障类型的信度；

(6-2)根据步骤(6-1)计算出训练集对应的五种故障类型的信度分布{(N,η₁),(B,η₂),(C,η₃),(P,η₄),(L,η₅)}，根据公式(6-2-a)得到输入特征参数变量(x₁(t),x₂(t),x₃(t),x₄(t))对应的故障类型估计结果为：

Y'(t)＝arg max{η₁,η₂,η₃,η₄,η₅} (6-2-a)

(7)对基于并集置信规则库的故障定位模型进行优化，具体步骤如下：

(7-1)确定优化参数集合

其中F_i,j为第i个输入特征参数变量的参考值，为第k条规则的初始权重，η_m,k为第k条规则中第m个故障类型所对应的信度值；

(7-2)将误分率er作为目标函数，建立优化模型：

F_i,1＝lb_i (7-2-c)

F_i,j＝ub_i (7-2-d)

0≤η_m,k≤1 (7-2-f)

其中，E_t表示分类结果是否正确，若真实的故障Y与模型估计的故障Y'相同时，则E_t为0，反之为1，t＝1,...,T，如(7-2-h)所示；式(7-2-b)-(7-2-g)表示优化参数需要满足的约束条件；

(8)利用蚁群算法对优化模型进行求解,其具体步骤如下：

(8-1)对蚁群算法的参数进行初始化，包括转移概率常数p,初始种群中蚂蚁的个数ant，最大迭代次数times，步长系数全局最优误分率gbv；初始种群中每一蚂蚁为一个置信规则库的参数X_l，由输入特征参数变量的参考值、初始规则权重和输出故障类型对应的置信度组成，l＝1,...,ant；

(8-2)根据置信规则库进行故障分类，并根据(7-2-a)获得种群中每一蚂蚁对应的置信规则库对训练样本的误分率er_l，l＝1,...,ant；

(8-3)如果er_l小于全局最优误分率gbv，则gbv＝er_l，则该蚂蚁对应的置信规则库为最优规则库gbi，该规则库的参数为最优参数X_b，且X_b＝X_l其对应的种群误分率最小，为er_b，重复ant次；

(8-4)计算最小误分率er_b与每一个误分率er_l的差比P_l；

(8-5)若差比P_ip，i∈[1,ant],则对第i组规则库参数X_i进行修改

X_newi＝X_i+(2*rand-1)*lamda,i∈[1,ant] (8-5)

其中rand为[0,1]内的一个随机数；

(8-6)利用新生成的X_newi规则库对训练样本进行故障分类，并根据(7-2-a)获得新的误分率er_newi；

(8-7)将er_newi与er_i进行比较，如果er_newier_i,则X_i＝X_newi，er_i＝er_newi,如果er_newigbv，则最优规则库的参数为X_newi；

(8-8)重复步骤(8-3)至(8-7)，直到达到最大迭代次数times；获得最小误分率gbv和最优规则库gbi，该最优规则库作为最终的船舶柴油机故障定位模型，并根据该模型对测试样本数据，重复步骤(4)至(6)得到更为精确的估计输出故障Y'。