[发明专利]一种力磁声三场数据融合工业设备损伤识别方法

说明书

本发明涉及一种力磁声三场数据融合工业设备损伤识别方法，采集工业设备正常工况下的力磁声三场数据，并对采集到的力磁声三场数据进行归一化处理，对处理后的力磁声三场数据进行奇异值分解，计算相应的奇异值矩阵以及负荷向量，并且利用F‑分布计算得到工业设备的统计量阈值；对待检测的力磁声三场样本观测值，根据奇异值矩阵以及负荷向量，分别计算待检测的力磁声三场样本观测值的T²统计量，并转化为损伤存在的条件概率；将损伤存在的条件概率利用贝叶斯推理的方法进行融合，得到工业设备损伤识别结果。本发明能够实现多场数据融合，降低了单场数据对损伤识别的误差，提高了损伤识别的效果。

技术领域

本发明涉及工业设备损伤识别领域，具体地说是一种力磁声三场数据融合工业设备损伤识别方法。

背景技术

工业过程是国家经济发展、科技进步的基础，工业设备的安全可靠运行，能够减少经济损失，保障操作人员安全。因此，工业设备的损伤识别被广泛研究。目前，工业设备损伤识别主要是基于一种类型的数据，例如，起重机的损伤识别主要基于来自力场的数据。但是，根据单一种类的传感器采集的数据进行损伤识别，可能会导致较低的损伤识别率。如果工业设备存在损伤，势必会造成设备的寿命降低，还可能威胁操作人员的安全以及较大的经济损失。因此，考虑利用工业设备采集的力磁声多场数据，进行数据融合，提高损伤识别的检测效果。

传统的基于数据的工业设备损伤识别的方法有很多，如主元分析(PCA)，偏最小二乘(PLS)，隐马尔可夫模型(HMM)，人工神经网络(ANN)等以及相应的改进方法。上述方法均是针对单场数据进行建模损伤识别的，而仅仅利用单场数据，由于数据采集部位的局限性，可能导致较低的损伤识别率。因此需要考虑将多场数据进行融合，利用多场数据的有用信息，提高工业设备损伤识别效果。贝叶斯推理是一种统计融合的方法，是基于贝叶斯法则的。贝叶斯推理需要利用一些先验知识，计算得到条件概率实现数据类别识别。根据工业设备传感器采集到的多场数据，计算贝叶斯推理需要的条件概率，以及设备存在损伤的先验概率，能够实现多场数据融合，降低了单场数据对损伤识别的误差，提高了损伤识别的效果。

发明内容

针对现有技术的不足，本发明提供一种力磁声三场数据融合工业设备损伤识别方法，解决了单场数据损伤识别准确率较低、存在局限性的问题。

本发明为实现上述目的所采用的技术方案是：

一种力磁声三场数据融合工业设备损伤识别方法，包括以下步骤：

步骤1：采集工业设备正常工况下的力磁声三场数据，并对采集到的力磁声三场数据进行归一化处理，对处理后的力磁声三场数据进行奇异值分解，计算相应的奇异值矩阵以及负荷向量，并且利用F-分布计算得到工业设备的统计量阈值；

步骤2：对待检测的力磁声三场样本观测值，根据步骤1得到的奇异值矩阵以及负荷向量，分别计算待检测的力磁声三场样本观测值的T²统计量，并转化为损伤存在的条件概率；

步骤3：将损伤存在的条件概率利用贝叶斯推理的方法进行融合，得到工业设备损伤识别结果。

所述力磁声三场数据分别构成矩阵：

其中，X_l，X_c，X_s分别表示采集的力场、磁场、声场三场数据观察值组成的矩阵，m_l，m_c，m_s分别表示力场、磁场、声场三场数据观测值包含的变量数，n_l，n_c，n_s分别表示力场、磁场、声场三场数据相应的观测值样本数。

所述对处理后的力磁声三场数据进行奇异值分解包括：