[发明专利]一种基于诊断证据平滑更新的旋转机械设备故障诊断方法

摘要

本发明涉及一种基于诊断证据平滑更新的旋转机械设备故障诊断方法，属于旋转机械设备故障监控与诊断技术领域。通过证据获取方法得到设备运行时的诊断证据，递归地使用条件化线性加权证据融合规则，实现当前时刻诊断证据对上一时刻更新后的诊断证据进行更新，从而获得当前时刻更新后的诊断证据。在一定的决策准则下，由更新后的诊断证据进行故障决策。基于当前、历史和未来时刻诊断证据的可靠度，确定了线性融合更新中证据的平滑权重，这使得所获得的当前时刻更新后的诊断证据动态地含有历史和未来时刻的有用诊断信息，从而使得基于更新后诊断证据做出的诊断决策，比基于未做更新的诊断证据做出的决策更为准确与可靠。

主权项

1.一种基于诊断证据平滑更新的旋转机械设备故障诊断方法，其特征在于该方法包括以下各步骤：步骤（1）设定旋转机械设备的故障集合为Θ＝{F₀,_F1,…,F_j,…,F_N}，F_j代表旋转机械设备的第j种故障(j＝0,1,…,N)，则共有N+1种故障；步骤（2）通过诊断证据生成方法，在第k个时刻，获得旋转机械设备的诊断证据为E_k＝(m_k(F₀),m_k(F₁),…,m_k(F_j),…,m_k(F_N),m_k(Θ))，其中，k=1,2,3,…；m_k(F_j)表示在k时刻，对第j种故障发生的信度赋值，m_k(Θ)表示对故障集合的信度赋值，则E_k为这些信度赋值构成的一个信度赋值向量，并有1-(m_k(F₀)+m_k(F₁)+…+m_k(F_j)+…+m_k(F_N))＝m_k(Θ)；步骤（3）基于步骤（2）获得的诊断证据，通过线性加权诊断证据融合规则，用第k个时刻诊断证据对历史诊断证据进行平滑更新，从而获得k时刻更新后的诊断证据E_1:k＝(m_1:k(F₀),m_1:k(F₁),…,m_1:k(F_j),…,m_1:k(F_N),m_1:k(Θ))，其中1:k表示E_1:k是融合从1到k时刻所有的诊断证据得到的，具体步骤如下：（3-1）当k＝1时，更新后的诊断证据为E_1:1＝E₁亦即更新后的诊断证据即为该时刻获得的诊断证据；（3-2）当k≥2时，更新后的诊断证据向量E_1:k，其各元素取值由以下式(1)和(2)给出m_1:k(A)＝α_km_1:k-1(A)+β_km_k(A|B)  A,B∈Θ    (1)m_1:k(Θ)＝1-Σ_A∈Θm_1:k(A)    (2)其中，式(1)中的m_1:k-1(A)表示k-1时刻更新后诊断证据E_1:k-1对故障A的信度赋值；m_k(A|B)表示第k个时刻获得的关于故障A的条件化信度赋值，当A＝F_j时，若k时刻的诊断证据E_k＝(m_k(F₀),m_k(F₁),…,m_k(F_j),…,m_k(F_N),m_k(Θ))中，m_k(F_j)大于其他所有的m_k(F₀),m_k(F₁),…,m_k(F_j-1),…,m_k(F_j+1),…,m_k(F_N)，则B＝F_j，m_k(A|B)＝1；否则，m_k(A|B)＝0；α_k和β_k为线性融合平滑权重，求解步骤如下：（a）在获得k-1时刻更新后诊断证据E_1:k-1、k时刻诊断证据E_k和k+1时刻诊断证据E_k+1之后，利用公式(3)计算向量E_1:k-1与向量E_k之间的距离d(E_1:k-1,E_k)为d(E1:k-1,Ek)=12(E1:k-1-Ek)D=(E1:k-1-Ek)T---(3)]]>式中E_1:k-1-E_k为两向量对应元素相减后得到的向量，T表示向量的转置，为一个(N+2)×(N+2)的矩阵，它的对角线元素取值为1，其第N+2列的第1行至第N+1行的元素取值，以及第N+2行的第1列至第N+1列的元素取值均为1/(N+1)，其他元素取值为0;同理，由式(4)获得向量E_1:k-1与向量E_k+1之间的距离d(E_1:k-1,E_k+1)为d(E1:k-1,Ek+1)=12(E1:k-1-Ek+1)D=(E1:k-1-Ek+1)T---(4)]]>由式(5)获得向量E_k与向量E_k+1之间的距离d(E_k,E_k+1)为d(Ek,Ek+1)=12(Ek-Ek+1)D=(Ek-Ek+1)T---(5)]]>（b）由上述步骤（a）求得距离d(E_1:k-1,E_k)、d(E_1:k-1,E_k+1)和d(E_k,E_k+1)后，计算k时刻E_1:k-1、E_k和E_k+1两两之间的相似度：利用公式(6)计算向量E_1:k-1与向量E_k之间的相似度c(E_1:k-1,E_k)为c(E_1:k-1,E_k)＝1-d(E_1:k-1,E_k)    (6)相似度c(E_1:k-1,E_k)是衡量向量E_1:k-1与向量E_k的相近程度，亦即两个证据一致的程度，且有c(E_1:k-1,E_k)＝c(E_k,E_1:k-1)，即向量E_1:k-1与向量E_k的相似度等于向量E_k与向量E_1:k-1的相似度；同理，由式(7)获得向量E_1:k-1与向量E_k+1之间的相似度c(E_1:k-1,E_k+1)为c(E_1:k-1,E_k+1)＝1-d(E_1:k-1,E_k+1)    (7)由式(8)获得向量E_k与向量E_k+1之间的相似度c(E_k,E_k+1)为c(E_k,E_k+1)＝1-d(E_k,E_k+1)    (8)（c）按照上述步骤（b）获得在k时刻诊断证据向量E_1:k-1、E_k和E_k+1两两相似度c(E_1:k-1,E_k)，c(E_1:k-1,E_k+1)及c(E_k,E_k+1)之后，计算每个证据向量被其他两个证据向量所支持的支持度：利用式(9)计算证据向量E_1:k-1被证据向量E_k和E_k+1所支持的支持度s(E_1:k-1)为s(E_1:k-1)＝c(E_1:k-1,E_k)+c(E_1:k-1,E_k+1)    (9)支持度s是相似性度量的函数，表示该证据被其他证据所支持的程度，s(E_1:k-1)值越高，则说明证据向量E_1:k-1与证据向量E_k和E_k+1之间的相似性越高；同理，由公式(10)计算证据向量E_k被证据向量E_1:k-1和E_k+1所支持的支持度s(E_k)为s(E_k)＝c(E_1:k-1,E_k)+c(E_k,E_k+1)    (10)由公式(11)计算证据向量E_k+1被证据向量E_1:k-1和E_k所支持的支持度s(E_k+1)为s(E_k+1)＝c(E_1:k-1,E_k+1)+c(E_k,E_k+1)    (11)（d）基于步骤（c）依次求出诊断证据向量E_1:k-1、E_k和E_k+1在k时刻的可靠度K：利用公式(12)计算证据向量E_1:k-1在k时刻的可靠度K(E_1:k-1)为K(E1:k-1)=s(E1:k-1)s(E1:k-1)+s(Ek)+s(Ek+1)---(12)]]>同理，由公式(13)计算证据向量E_k在k时刻的可靠度K(E_k)为K(Ek)=s(Ek)s(E1:k-1)+s(Ek)+s(Ek+1)---(13)]]>由公式(14)计算证据向量E_k+1在k时刻的可靠度K(E_k+1)为K(Ek+1)=s(Ek+1)s(E1:k-1)+s(Ek)+s(Ek+1)---(14)]]>有K(E_1:k-1)+K(E_k)+K(E_k+1)=1，一个证据向量的可靠度K越高，说明该证据与其他证据的相似性越高，该证据越可靠，反之亦然；（e）基于上述步骤（b）所求得的E_1:k-1与E_k+1之间的相似度c(E_1:k-1,E_k+1)、E_k与E_k+1之间的相似度c(E_k,E_k+1)，通过判断二者之间的大小确定α_k，β_k的取值：若c(E_1:k-1,E_k+1)≥c(E_k,E_k+1)，αk=K(E1:k-1)+K(Ek+1)βk=K(Ek)]]>若c(E_1:k-1,E_k+1)＜c(E_k,E_k+1)，αk=K(E1:k-1)βk=K(Ek)+K(Ek+1)]]>求得α_k，β_k的取值后将其代入步骤（3-2）的式(1)中，通过递归计算即可获得各个时刻更新后的诊断证据；步骤（4）根据上述步骤（3）在k时刻获得的更新后诊断证据E_1:k＝(m_1:k(F₀),m_1:k(F₁),…,m_1:k(F_j),…,m_1:k(F_N),m_1:k(Θ))，对旋转机械设备的故障进行诊断：若m_1:k(F_j)的取值大于其他m_1:k(F₀),m_1:k(F₁),…,m_1:k(F_j-1),…,m_1:k(F_j+1),…,m_1:k(F_N)，则判定故障F_j发生。