[发明专利]一种基于DS证据理论的加权融合电机转子故障诊断方法

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，对待测数据建立三角模糊模型，根据待测模型与故障模型间交叠程度生成基本概率分配函数，根据故障模型间相似性生成特征权重，用证据理论组合规则和特征权重将各特征下生成的基本概率分配函数加权融合实现故障诊断。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；本发明提出的特征权重加权融合方法，取得了较好的融合效果；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证据理论的加权融合电机转子故障诊断方法，其特征在于首先根据输入故障样本数据建立故障三角模糊数模型，之后根据输入待测样本数据建立待测三角模糊数模型，然后将待测样本三角模糊数模型与故障三角模糊数模型进行模型匹配并生成BPA，根据故障模型间相似性生成特征权重，最后用特征权重加权融合各特征下生成的BPA，并根据融合结果诊断故障类型； 其中，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，所述故障特征是可以用来做故障分类的特征，所述故障样本数据是故障特征的测量值，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}，所述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的三角模糊数模型为步骤二：输入待测电机转子k种特征待测样本数据T_j，生成三角模糊数模型，所述三角模糊数模型建立的方法为：将特征j待测样本数据T_j的最小值minT_j、均值aveT_j及最大值maxT_j分别作为待测特征j三角模糊数模型的最小值，均值，最大值，则待测特征j的三角模糊数模型为步骤三：将特征j下的待测三角模糊数模型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：将与的相交面积与曲线下面积的比值作为对应单子集元素{F_i}的信度，将与特征j多个故障对应模糊数的相交面积与曲线下面积的比值作为对应多子集元素的信度，所述的单子集元素{F_i}指的是步骤一中当且仅当子集A包含辨识框架Θ中的第i(i∈[1,N])个元素，所述多子集元素指的是步骤一中子集A包含辨识框架Θ中两个以上元素，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：生成特征权重W₁,W₂,…W_j，权重生成方法为：(1)求出特征j下各故障三角模糊数两两之间重叠区间长度，将它们的和记为CoverLength_j，所述重叠区间长度计算方法为：对于两个三角模糊数对minA，minB，maxA，maxB从大到小排序，排序结果中第二大和第三大的差即为模糊数重叠区间长度；(2)求出特征j下各故障三角模糊数区间长度之和，记为LengthSum_j；(3)记φ_j＝CoverLength_j/LengthSum_j，将1‑φ₁,1‑φ₂,…,1‑φ_k归一化即得到特征权重，所述归一化方法为：步骤五：将生成的k条BPA用特征权重W₁,W₂,…W_j加权平均得到m_A，即其中然后用证据理论组合规则将m_A与自身融合k‑1次得到m_F，所述的证据理论的组合规则为其中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，步骤六：使用Pignistic probability transformation方法将步骤五融合得到的m_F转换为概率分布P，所述转换方法为：其中步骤七：依据得到的概率分布P对电机转子故障做出诊断，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电机转子故障诊断结果，否则认为无法做出诊断。