[发明专利]一种基于权值训练的多信息融合故障诊断方法

摘要

本发明公开了一种基于权值训练的多信息融合故障诊断方法，包括步骤收集离线传感器信号及对应状态信息；进行小波包分解处理；计算各传感器信号故障特征向量；利用BP神经网络权值训练模块进行权值训练；得到各传感器权值；测量设备在操作过程中的各类信号；进行小波包分解处理；计算各传感器信号故障特征向量；计算各传感器故障隶属度；将各传感器所得故障隶属度乘以权值得到加权证据；对加权证据进行数据融合，获得故障诊断结果。本发明采用BP神经网络实现多信息融合权值的离线训练和加权证据的获取，提高了传感器信号映射设备状态的精度和有效性，有效提高了系统诊断的准确性。

主权项

1.一种基于权值训练的多信息融合故障诊断方法，其特征在于：包括权值离线训练和在线监测两部分；所述诊断方法的具体步骤包括：权值离线训练部分包括：(1)收集离线传感器信号及对应状态信息；(2)进行小波包分解处理；(3)计算各传感器信号故障特征向量；(4)利用BP神经网络权值训练模块进行权值训练；(5)得到各传感器权值；在线监测部分包括：(6)在被监测设备上安装传感器，测量设备在操作过程中的各类信号；(7)进行小波包分解处理；利用小波包分解理论分别对各个传感器采集得到的信号进行小波包分解；具体的小波包分解函数由实际使用中传感器采集得到的信号的特征来确定；(8)计算各传感器信号故障特征向量；计算各个传感器的信号在小波包分解后的各重构序列的能量值，为反应故障信息的数据，对所提取的各重构序列的能量进行归一化处理，得到故障特征向量；(9)计算各传感器故障隶属度；计算采集到的各个传感器的信号的故障特征向量与故障数据库中对应存在的典型故障状态信号的特征向量的欧氏距离，距离度量越大，表明两者之间的隶属度越弱；计算各个传感器信号的故障特征向量与故障数据库中对应存在的各个典型故障状态信号的特征向量的欧氏距离的倒数的归一化结果，得到各个传感器对应的故障隶属度，即证据；(10)将各传感器所得故障隶属度乘以权值得到加权证据；(11)利用D‑S证据理论组合规则对加权证据进行数据融合，获得故障诊断结果。