[发明专利]一种基于DS证据理论的时域融合故障诊断方法

摘要

本发明基于证据理论，提供一种故障诊断的方法，涉及故障诊断领域。本发明对各故障建立三角模糊模型，根据待测样本与故障模型间交点生成基本概率分配函数，用证据理论组合规则将各特征下生成的基本概率分配函数融合，最后将多个时刻的融合结果进行再融合实现故障诊断。本发明采用证据理论与三角模糊数相结合实现故障诊断，具有计算简单的优点；本发明提出的基本概率分配函数生成方法，很好的实现了对模糊信息的处理；本发明提出的多时刻融合故障诊断提升了故障诊断的鲁棒性；本发明提出的故障诊断方法，可以实现电机转子的故障诊断。

主权项

1.一种基于DS证据理论的时域融合故障诊断方法，其特征在于包括下述步骤：步骤一：输入n种故障、k种特征的故障样本数据D_ij，i＝1,2,…,n,j＝1,2,…,k，n种故障记为F₁,F₂,...,F_n，故障样本数据D_ij是k种特征的测量值，对每种故障每种特征建立三角模糊数模型，辨识框架为Θ＝{F₁,F₂,...,F_n}，三角模糊数是给定论域U上的一个模糊集，是指对任何x∈U，都有一个数μ(x)∈[0,1]与之对应，μ(x)称为x对U的隶属度函数，所述三角模糊数模型建立的方法为：将故障F_i特征j样本数据D_ij的最小值minD_ij、均值aveD_ij及最大值maxD_ij分别作为故障F_i特征j三角模糊数模型的最小值，均值，最大值，则故障F_i特征j的三角模糊数为步骤二：输入待测设备t₁时刻的待测样本数据，用步骤三在k种特征下生成基本概率分配函数m₁～m_k，然后用步骤四融合m₁～m_k得到步骤三：将t₁时刻特征j下的待测样本数据T_j与故障三角模糊数模型匹配生成基本概率分配函数m_j，所述基本概率分配函数在证据理论中被定义为对任意一个属于Θ的子集A，m(A)∈[0,1]，且满足则m为2^Θ上的基本概率分配函数，其中2^Θ为辨识框架的幂集，所述基本概率分配函数m_j生成方法为：将T_j与三角模糊数交点的纵坐标按降序排序，排序结果记为Inter₁,Inter₂,…,Inter_s,…,Inter_n，将Inter₁赋给相应单子集元素的信度，将Inter₂赋给相应双子集元素的信度，将Inter_s赋给相应s子集元素的信度,其中所述的单子集元素指的是步骤一中辨识框架Θ的包含1个元素的子集{F₁},{F₂},…,{F_n}，所述的双子集元素指的是步骤一中辨识框架Θ的包含2个元素的子集{F₁,F₂},{F₁,F₃},…,{F_n‑1,F_n}，所述s子集元素指的是步骤一中辨识框架Θ的包含s个元素的子集{F₁,F₂,...,F_s},...,{F₂,F₃,...,F_s+1},...,{F_n‑s+1,F_n‑s+2,...,F_n}；记上述生成的信度之和为Sum，若Sum≥1，则将上述生成的信度归一化，所述归一化方法为：若Sum<1，则将m_j({F₁,F₂,…,F_n})更新为m_j({F₁,F₂,…,F_n})+1‑Sum；步骤四：将步骤三生成的q条BPA用证据理论组合规则融合得到所述的证据理论的组合规则为其中A,B,C∈2^Θ，m₁,m₂为两组待融合BPA，m为m₁与m₂融合后的BPA，K为m₁,m₂的冲突因子，步骤五：输入待测设备t₂～t₅时刻的待测样本数据，用步骤三和步骤四所述的方法得到步骤六：将步骤四～步骤五得到的用证据理论组合规则融合得到m_F；步骤七：使用Pignistic probability transformation方法将步骤四融合得到的m_F转换为概率分布P，所述转换方法为：其中A∈2^Θ；步骤八：依据得到的概率分布P对设备故障做出诊断，若P({F_i})中最大概率大于0.5，则取P({F_i})中最大的概率对应的类别作为设备故障诊断结果。