[发明专利]基于异类多传感器数据融合的机械设备健康状态评估方法

摘要

本发明公开了一种基于异类多传感器数据融合的机械设备健康状态评估方法，包括如下步骤：首先对异类多传感器的信号分别去噪，然后提取出各种信号的敏感特征量，构造敏感特征量集，再将敏感特征量集作为BP神经网络的训练样本，建立基于BP神经网络故障诊断模型实现故障分离和诊断，并得出每个传感器对每一种的故障的识别率，构造成D‑S证据框架，最后利用D‑S证据理论的Dempster合成公式，求解得出了最大的可能性故障类型。本发明基于D‑S决策层的融合，使得分类诊断精度高、效率高，有效的提升了裂纹的诊断效果，便于工程实践中使用。

主权项

1.一种基于异类多传感器数据融合的机械设备健康状态评估方法，包括如下步骤：1)采用不同类型的传感器对机械故障进行测量，获得振动加速信号和应力应变信号，对信号xi进行去噪处理，得到各类传感器信号xi'，其中i表示信号来自第几个传感器；2)针对不同类型的传感器的测量属性，分别提取时域或/和频域的敏感特征向量，构成敏感特征向量集；3)将各类传感器测量的信号敏感特征量作为BP神经网络的输入，构造BP神经网络，采用已知的样本对BP神经网络进行训练以建立故障诊断模型；再利用不同故障的多组实验数据进行测试，得出每个传感器对每一类型故障的诊断率；4)根据每一类传感器的神经网络得出的属性值构造D‑S证据框架，再采用Dempster合成公式，求解得出最大的可能性故障类型；其中，步骤2)中采用时域的敏感特征向量构成敏感特征向量集，加速度信号采用p₁，p₂，p₃作为敏感特征向量；应力信号采用p₁，p₂，p₃，p₄，p₅，p₆作为敏感特征向量，应变信号采用p₁，p₂，p₃作为敏感特征向量；其中：p₁＝max(|x_i|)，式中：为x_i的平均值，x_std为x_i的方差。