[发明专利]一种基于信息融合的离心式空气压缩机故障诊断方法

摘要

一种基于信息融合的离心式空气压缩机故障诊断方法涉及故障诊断领域，其以D-S证据理论信息融合为框架，以PCA分析技术作为故障信息提取的方法，通过建立每种运行状态的PCA模型为D-S证据理论提供不同的证据类型，最后以D-S组合规则将各证据下的分析结果融合处理，得到最后的判决结果。本发明综合所有故障具有的故障表现形式的信息同时处理，通过建立主元模型提取针对于每种故障发生时空气压缩机所表现出来的主要故障信息，避免在确定故障表现形式上存在主观片面性，通过PCA分析提取主元信息达到对检测数据降维的作用，简化数据计算，提高诊断效率；通过D-S组合规则的信息融合能综合全面的信息，实现高精确度的故障分离和判别。

主权项

一种基于信息融合的离心式空气压缩机故障诊断方法，其特征在于，其具体步骤如下：1)对离心式空气压缩机进行故障分析，归纳出离心式空气压缩机故障类型及其故障表现形式，采集空气压缩机故障状态下和正常工作状态下的样本数据，并通过采集的样本数据建立空气压缩机故障状态下和正常工作状态下的主元模型；2)步骤1)建立的主元模型对采集的空气压缩机的样本数据分别进行处理并得到样本数据的主成份值；3)对步骤2)得出的空气压缩机的一个状态下的主成份值进行主元贡献率分析，当前K个主成份的主元累积贡献率大于或等于85％时，该状态下的主元模型的主元数目是K；4)对步骤2)得出的空气压缩机剩余的每个状态下的主成份值均进行步骤3)的分析，得出每个状态下的主元模型的主元数目，并选取最大的主元数目作为所有模型的共同主元数目m；5)采集空气压缩机故障状态下和正常工作状态下的样本数据并对样本数据进行归一化处理，通过步骤1)建立的所有主元模型对归一化处理后的每个状态下的样本数据进行分析，最后求出每个样本相对于每一个主元模型的主成份向量，截取主成份向量中的与步骤4)得出的共同主元数目m相同的前m个元素构造样本的降维特征向量，得出每个状态下样本相对于每一种主元模型的特征向量；6)采用径向基函数神经网络为D‑S证据理论的判别来构造基本概率分配函数，并用步骤5)得出的每个状态下样本的特征向量作为神经网络的输入，以输入样本特征向量所对应各运行状态的逻辑值为网络输出向量来训练径向基函数神经网络；7)对空气压缩机进行故障检测，采集空气压缩机的状态数据，并用步骤1)构建的主元模型对空气压缩机的状态数据进行分析，得到各个主元模型对应的特征向量，并作为步骤6)训练好的神经网络的输入量输入，得到神经网络的输出向量；8)将步骤7)得出的输出向量进行归一化处理，得到每个主元模型下的检测数据对应的各种空气压缩机状态的信任度，并通过D‑S组合规则的融合处理将各主元模型下的状态信任度向量融合为一个总体状态信任度集合{m(k0)，m(k1)，L，m(kP)}，其中m(ki)为输入数据表现为空气压缩机第i种运行状态的信任度；9)根据步骤8)得出的总体状态信任度集合中找出如下关系的状态信任度， m ( k t ) = max { m ( k i ) , k i ⋐ Θ } m(ks)＝max{m(ki)，且ks≠kt}      (1)如果： m ( k t ) - m ( k s ) > ξ 1 m ( Θ ) < ξ 2 m ( k t ) > m ( Θ ) - - - ( 2 ) 则kt所对应的状态即为空气压缩机故障状态的判决结果，其中ξ1，ξ2为预先设定的门限，Θ＝{k0，k1，L，kP}为D‑S证据理论的识别框架，，ki表示空气压缩机的第i种运行状态。