[发明专利]基于复杂网络的电梯曳引机转子故障诊断信息融合方法

权利要求书

1.基于复杂网络的电梯曳引机转子故障诊断信息融合方法，其特征在于该方法包括以下步骤：

(1)设定电梯曳引机转子的故障集合Θ＝{F₁,…,F_i,…,F_N|i＝1,2,…,N}，F_i表示故障集合Θ中的第i个故障，N为电梯曳引机转子所含故障模式的个数；

(2)设f_1,i，f_2,i和f_3,i为能够反映故障集合Θ中每个故障F_i的故障特征参数，该特征参数为加速度信号，分别由风扇端、电机基座和电机壳体驱动端的加速度传感器提供；

将f_1,i，f_2,i，f_3,i和F_i表示成样本集合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]为一个样本向量，S_i表示故障为F_i状态下的样本数据，并将其表示为F_i状态下的采样个数，取S_i≥100；分别采样各个故障状态下的样本数据，并将其表示为集合形式共计可获得δ个样本，|M|表示集合M中的个数；

(3)将故障F_i状态下获取的f_1,i(t)、f_2,i(t)和f_3,i(t)表示成样本集合M_i′＝{[f_1,i(t),f_2,i(t),f_3,i(t)]|t＝1,2,…,S_i}，分别采样各个故障状态下的样本数据，并将其表示为集合形式满足δ＝|M|＝|M_i′|，|M_i′|表示集合M_i′中元素的个数；

(4)对样本故障特征参数进行相关性分析，得到Pearson系数；将Pearson系数较大的两个特征参数归为同一组，记为G_A，与其相关性较小特征参数归为另一组，记为G_B；

(5)对步骤(4)得到的两组特征数据G_A和G_B分别构建数据复杂网络Net^A和Net^B，以相似度矩阵A和B描述，a_i,j，b_i,j分别是矩阵A和B中的元素，表示各组特征数据中样本x_i和x_j间距离d_i,j的函数；

(6)利用复杂网络社团划分原理，将数据复杂网络Net^A和Net^B划分成K₁和K₂类，记为将M个样本向量归入得到K₁类对应的样本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类中归入的样本向量个数，并有Q_k1∈M，F_k1(u_k1)∈Θ，同时可由K₁类样本向量各取均值得到样本集M所对应的K₁个参考中心向量，可表示为C_k1＝[c_k1,1,c_k1,2,c_k1,3]，其中k1＝1,2,…,K₁；

同理可将M中的样本向量归入中，得到K₂类对应的样本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类中归入的样本向量个数，并有Q_k2∈M，F_k2(u_k2)∈Θ，同时可由K₂类样本向量各取均值得到样本集M所对应的K₂个参考中心向量，可表示为C_k2＝[c_k2,1,c_k2,2,c_k2,3]，其中k2＝1,2,…,K₂；

(7)根据步骤(2)、步骤(3)、步骤(5)和步骤(6)获取的F_i和T_k1、T_k2，构造如表1与表2的关系表来表示F_i和T_k1、F_i和T_k2之间的对应关系；N_k1,i、N_k2,i分别表示T_k1、T_k2类所对应的样本集中故障为F_i的个数，并有和和其中0≤N_k1,i、N_k2,i≤S_i；

表1 F_i和T_k1之间的对应关系表

表2 F_i和T_k2之间的对应关系表

(8)根据步骤(7)中获取的对应关系表，当故障为F_i时，相应的样本数据归入第k1、k2类的似然函数为：

并有则定义第k1、k2类对应的第i类故障的参考证据为：

得到两部分的故障诊断参考证据为

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

构造如表3、表4所示的似然信度表来描述T_k1、T_k2和F_i之间的关系；

表3 T_k1类似然信度表

表4 T_k2类似然信度表

(9)当在线监测获取t时刻的故障特征参数向量X(t)＝[f_1,i(t),f_2,i(t),f_3,i(t)]之后，定义证据的重要性权重w_k描述证据e_k相较与其他证据的相对重要性，分别求取故障特征参数向量与K₁、K₂个参考中心向量之间的欧式距离并将其归一化得到Dis_k1与Dis_k2，定义w_k1＝Dis_k1，w_k2＝Dis_k2；

(10)利用证据的重要性权重w_k来激活参考证据e_p，得到e_{p_1}、e_{p_2}，将e_{p_1}、e_{p_2}分别进行归一化得到诊断证据e_p1′、e_p2′；

(11)利用Dempster组合规则对e_p1′、e_p2′进行融合，得到融合后的诊断结果为：

式中m₁、m₂为两个定义在Θ上的质量函数，令参考证据m₁＝e_p1′，m₂＝e_p2′定义m＝m₁⊕m₂为组合后的质量函数，⊕表示Dempster组合规则可作用于两个或多个质量函数上，A、B、C均为故障类型模式；

融合后的诊断证据为：

e_p＝[m(1),m(2),…,m(N)] (9)

式中m(1)，m(2)，m(N)分别代表融合后进行归一化的故障类型为F₁、F₂、F_N信度；

(12)利用步骤(11)得到的诊断证据e_p，对电梯曳引机转子的故障进行诊断：e_p中信度取值最大的所对应的F_i即为故障特征参数向量X(t)真实发生的故障模式。