[发明专利]基于粗糙集和人工碳氢网络的轮毂电机机械故障诊断方法

权利要求书

1.一种基于粗糙集和人工碳氢网络的轮毂电机机械故障诊断方法，其特征是包括以下步骤：

步骤(1)：采集不同负载和转速下的轮毂电机的正常状态和故障状态振动信息，提炼出振动信号的3个高敏感特征参数，对3个高敏感特征参数离散化得到离散化后的特征参数f(x)；

步骤(2)：将离散化后的特征参数f(x)输入到人工碳氢网络模型中构建AHNs模型为输出状态类型y；L是碳原子数，ω_i是第i个碳原子值，h_ij是与第i个碳原子相连的第j个氢原子值，k是在第i个与碳原子连接的氢原子的数目；

步骤(3)：对AHNs模型进行训练学习，得到训练后的AHNs模型为并计算出其概率密度函数和隶属度函数p(y')，y'是由f(x)激发的学习后的AHNs模型输出的状态类型，ω_i^*、h_ij^*分别是ω_i、h_ij的最优值，μ和σ分别为数学期望值标准差；

步骤(4)：基于状态类型y'及其隶属度函数p(y')构建模糊诊断模型为p(y')＝max{p₁(y'),p₂(y'),…,p_V(y'),p_un(y')}，p₁(y'),p₂(y'),…,p_V(y')是状态类型y'标示为1,2,…,V对应的隶属度函数，p_un(y')是非标示的状态类型y'对应的隶属度函数；

步骤(5)：将所述的训练后的AHNs模型和所述的模糊诊断模型相串联构成AHNs模糊诊断模型用于在线诊断，所述的训练后的AHNs模糊诊断模型内置在集成诊断算法ECU中，采集到的实际振动信号经数据处理模块处理后输出的离散化的实际特征参数输入到集成诊断算法ECU3中，集成诊断算法ECU3先经所述的训练后的AHNs模型得到实际状态类型y”，再经所述的模糊诊断模型得到实际状态类型y”对应的隶属度函数p₁(y),p₂(y),…,p_V(y),p_un(y)，这V+1个隶属度函数中最大值对应的状态标示类型即为诊断结果，p₁(y),p₂(y),…,p_V(y)是实际状态类型y”标示为1,2,…,V对应的隶属度函数，p_un(y)是非标示的实际状态类型y”对应的隶属度函数。

2.根据权利要求1所述的基于粗糙集和人工碳氢网络的轮毂电机机械故障诊断方法，其特征是：步骤(1)中，所述的离散化后的特征参数x是3个高敏感特征参数，a是参数空间内特征参数的最小值，b是参数空间内特征参数的最大值，R是特征参数x的极差，K是特征参数域[a,b]的划分数，z是远大于K的数，n是[1,K]之间的正整数。

3.根据权利要求2所述的基于粗糙集和人工碳氢网络的轮毂电机机械故障诊断方法，其特征是：步骤(3)中，所述的概率密度函数μ和σ分别为数学期望值和标准差。

4.根据权利要求3所述的基于粗糙集和人工碳氢网络的轮毂电机机械故障诊断方法，其特征是：步骤(3)中，所述的隶属度函数

e,t＝1,2,…,M，M是y'域的划分数，μ和σ分别为数学期望值和标准差。

5.根据权利要求4所述的基于粗糙集和人工碳氢网络的轮毂电机机械故障诊断方法，其特征是：步骤(4)中，非标示的实际状态类型y”对应的隶属度函数

6.根据权利要求1所述的基于粗糙集和人工碳氢网络的轮毂电机机械故障诊断方法，其特征是：步骤(1)中，不同负载为0N·m、10N·m、20N·m、30N·m，，不同转速为100-700rpm，振动信号的采样频率为12.8kHz，采样时间为60s。