AT525922A2

AT525922A2 - Identifizierungsverfahren für Fehlerrisikomodus der Motorwelle basierend auf der Fusion des Intervallnachweises des normalen Cloud-Modells

Info

Publication number: AT525922A2
Application number: ATA8013/2022A
Authority: AT
Original assignee: Univ Hangzhou Dianzi; M U T Maschinen Umwelttechnik Transp Gmbh; Inner Monglia Vocational and Technical School; Technische Univ Wien E302
Priority date: 2022-02-22
Filing date: 2022-07-20
Publication date: 2023-09-15
Also published as: AT525922A3

Abstract

Die Erfindung betrifft ein Identifizierungsverfahren für den Fehlerrisikomodus der Motorwelle basierend auf der Fusion des Intervallnachweises des normalen Cloud-Modells. Basierend auf der Analyse typischer Fehlerdaten werden Cloud-Modelle verschiedener Fehlerschablonenmodi unter verschiedenen Fehlermerkmalen konstruiert. Gemäß den Daten der Online-Überwachung verschiedener Fehlermerkmale der Motorwelle wird das Testmodus-Cloud-Modell konstruiert. Das Testmodus-Cloud-Modell wird mit verschiedenen Fehlerschablonenmodus-Cloud-Modellen verglichen, wodurch die Übereinstimmungsgradintervalle des Testmodus mit verschiedenen Fehlerschablonenmodi erhalten werden. Der erhaltene Übereinstimmungsgradintervall wird normalisiert, um einen Intervallnachweis für die Fusion zu erhalten. Der Intervallnachweis wird nach den Nachweisschlussfolgerungsregeln fusioniert und der Fehlerrisikomodus wird gemäß bestimmten Identifizierungskriterien beurteilt. Die vorliegende Erfindung nutzt die Vorteile des normalen Cloud-Modells zum Beschreiben der Unschärfe und Zufälligkeit objektiver Objekte und erhält genauere Intervallnachweise durch Konstruieren des Testmodus-Cloud-Modells und des Fehlerschablonenmodus-Cloud-Modells, so dass das Ergebnis der Fehlerrisikoidentifikation basierend auf der Fusion des Intervallnachweises mehr der tatsächlichen Situation entspricht.

Description

Gebiet der Erfindung

Die Erfindung betrifft ein —Identifizierungsverfahren für Fehlerrisikomodus der Motorwelle basierend auf der Fusion des Intervallnachweises des normalen Cloud-Modells, das zum Gebiet von

Fehlerdiagnose und Wartungstechnik für mechanische Geräte gehört.

Stand der Technik

Mit der Entwicklung von Wissenschaft und Technologie findet die Motorwellenanlage allmählich eine Anwendung für einige komplexe, schnelle und präzise mechanische Bewegungszwecke. Aufgrund der immer engeren Verbindung zwischen mechanischen Komponenten sind Fehler der Motorwellenanlage unvermeidlich. Sobald ein Fehler auftritt, kann er direkt dazu führen, dass das gesamte mechanische System nicht mehr normal funktioniert, wodurch die Arbeitseffizienz beeinträchtigt wird, so dass wirtschaftliche Verluste verursacht werden. Es führt sogar zu damit verbundenen Sicherheitsproblemen. Daher ist die Verwendung der Fehlerrisikomodus-Identifikationstechnologie zur rechtzeitigen und genauen Bestimmung des Auftretens von Fehlerrisiken von großer

praktischer Bedeutung für die Erhöhung der Sicherheit der Anlage.

Bei der Identifizierung des Fehlerrisiıkomodus des Motorwellensystems gibt es häufig aufgrund des Einflusses der Messumgebung und der Echtzeitänderung des Betriebszustands der Anlage selbst selten eine

signifikante Eins-zu-eins-Korrelation zwischen dem Fehlerrisikomodus 1

erhalten, damit die Zuverlässigkeit der Identifizierung erhöht wird.

Aufgabe der Erfindung

Die Aufgabe der Erfindung besteht darin, ein Identifizierungsverfahren für Fehlerrisiıkomodus der Motorwelle basierend auf der Fusion des Intervallnachweises des normalen Cloud-Modells bereitzustellen, das durch die Beschreibung verschiedener Fehlerrisıkomodi unter verschiedenen Fehlermerkmalen den Intervallnachweis gemäß dem normalen Cloud-Modell erhält. Der erhaltene Intervallnachweis wird unter verschiedenen Fehlermerkmalen durch die Nachweisschlussfolgerungsregeln fusioniert. Basierend auf dem Intervallzuverlässigkeit nach der Fusion wird die Beurteilung des Fehlerrisiıkomodus der Motorwelle gemäß den Identifikationskriterien

erhalten. Das Identifizierungsverfahren für Fehlerrisikomodus des

Motorwellensystems basierend auf der Fusion des Intervallnachweises

des normalen Cloud-Modells der Erfindung enthält folgende Schritte:

Motorwelle und Y für Fehlausrichtungsfehler ın der Motorwelle und Z für

losen Basisfehler in der Motorwelle steht;

(2) durch den —Vibrationsbeschleunigungssensor und den Vibrationsverschiebungssensor, die ın horizontaler und vertikaler Richtung der Wellenhalterung installiert sind, wird gemäß dem eingestellten Zeitintervall die Zeitbereichsvibrationssequenz kontinuierlich erfasst; durch Fourier-Transformation werden die Amplituden bei 1- bis 3 Oktavband der Vibrationsbeschleunigung und die durchschnittliche Amplitude der Zeıitbereichsvibrationsverschiebung

erhalten. Sie werden als Fehlermerkmale verwendet;

in dem Fehlerrisikomodus U,U «€ {X,Y,Z}des Wellensystems werden die

Daten von vier Fehlermerkmalen, nämlich die Amplitude bei 1

Oktavband, 2 Oktavband und 3 Oktavband der Vibrationsbeschleunigung

55 Sina

erfasst und als 7, ={fi fiv} bezeichnet, wobei 7=1,2,3,4

für die obigen vier Fehlermerkmale und N für die Anzahl der erfassten Probendaten steht, 50 < N < 500;

(3) das Schablonenmodus-Cloud-Modell des Fehlerrisıkomodus U unter

der Fehlermerkmal i wird als C” eingestellt; das Wolkentröpfchen des Schablonenmodus-Cloud-Modells wird als c% bezeichnet, wobei

2=1,.2,...G, G für die Gesamtzahl der Wolkentröpfchen steht, 1000Fehlerrisikomodi unter vier Fehlermerkmalen werden konstruiert; 4 / 45

4 / 45

7

als FF, ={fpeofw fm} bezeichnet, wobei N,Gesamtzahl der Online-Probendaten steht; (5) die Daten des Fehlerrisiıkomodus U unter dem Fehlermerkmal ı in Schritt (3) wird durch F7 ersetzt und der gesamte Berechnungsprozess von Schritt (3) wird wiederholt, um das Testmodus-Cloud-Modell unter 4 Fehlermerkmalen zu erhalten: {C, ‚C, ‚C, ‚Cr CC, — {dv u dies u die d; — {Cry > CE (6) unter dem Fehlermerkmal i wird der Übereinstimmungsgrad des Schablonenmodus-Cloud-Modell C” und des Testmodus-Cloud-Modells C, berechnet, wodurch der Intervallnachweis, dass das 1 Testmodus-Cloud-Modell C, das Auftreten von drei Fehlerrisikomodi unterstützt, erhalten wird; (7) der in Schritt (6) erhaltene Intervallnachweis M, (0) [a 05010 {X,Y,Z,9} wird unter Verwendung von Nachweisschlussfolgerungsregeln fusioniert. (8) gemäß Schritt (7) wird das Ergebnis von H* Fusion erhalten und der nach der Fusion erhaltene Intervallnachweis @ wird wie folgt berechnet M(0)=[a,, 55] (1) Ag = min[ pa] (2) b;, = max[P/ u] GB ) 4

(5) die Daten des Fehlerrisiıkomodus U unter dem Fehlermerkmal ı in Schritt (3) wird durch F7 ersetzt und der gesamte Berechnungsprozess von Schritt (3) wird wiederholt, um das Testmodus-Cloud-Modell unter 4 Fehlermerkmalen zu

erhalten: {C, ‚C, ‚C, ‚Cr CC, — {dv u dies u die d; — {Cry > CE

(6) unter dem Fehlermerkmal i wird der Übereinstimmungsgrad des

Schablonenmodus-Cloud-Modell C” und des Testmodus-Cloud-Modells

C, berechnet, wodurch der Intervallnachweis, dass das

1

Testmodus-Cloud-Modell C, das Auftreten von drei Fehlerrisikomodi

unterstützt, erhalten wird;

(7) der in Schritt (6) erhaltene Intervallnachweis

M, (0) [a 05010 {X,Y,Z,9} wird unter Verwendung von

Nachweisschlussfolgerungsregeln fusioniert.

(8) gemäß Schritt (7) wird das Ergebnis von H* Fusion erhalten und der

nach der Fusion erhaltene Intervallnachweis @ wird wie folgt berechnet

M(0)=[a,, 55] (1)

Ag = min[ pa] (2)

b;, = max[P/ u] GB ) 4

Cloud-Modells nach der Fusion erhalten werden, wie in Tabelle 1 gezeigt:

Tabelle 1 Tabelle des Fusionsergebnisses

Intervallnachweis M(X) M(Y) M(Z) M(®)

Fusionsergebnis [ax ‚b7] la, ‚6, ] [9 ‚6,] [A ‚6,1

(9) Gemäß dem ın Tabelle 1 gezeigten Intervallnachweis ist das Fehlerrisikomodus-Identifikationskriteruum gegeben, d. h., wenn die folgenden zwei Bedingungen erfüllt sind, kann es festgestellt werden, dass der Fehlerrisikomodus, auf den die Prüfprobe Fi zeigt,

0,0o,lder linke und rechte Endpunkt des Intervallnachweises M(0), (9 = ©) sind größer als die linken und rechten Endpunkte der entsprechenden Intervallnachweise der anderen Fehlerrisikomodi, die dem

Intervallnachweis;

o,2der rechte Endpunkt von M(®) Ist kleiner als 0,3.

Die Vorteile der Erfindung sind:

1. Die vorliegende Erfindung nutzt die Vorteile des normalen Cloud-Modells zum Beschreiben der Unschärfe und Zufälligkeit objektiver Objekte und erhält genauere Intervallnachweise durch Konstruieren des Testmodus-Cloud-Modells und des Fehlerschablonen-Cloud-Modells, so dass das Ergebnis der Fehlerrisikoidentifikation basierend auf ‚der Fusion des

Intervallnachweises mehr der tatsächlichen Situation spricht.

5

Genauigkeit der Identifizierung von Fehlerrisikomodi erhöht wird.

3. Da die Messung von Ungewissheitsinformationen oder Fuzzy-Informationen durch Einzelnachweis unvollständig und grob ist und der Messprozesses viele nützliche Informationen verlieren kann, nimmt die vorliegende Erfindung einen Intervallnachweis an, wodurch die Integrität der Messung von Ungewissheitsinformationen sichergestellt wird, so dass die Ergebnisse der Fusionsidentifikation umfassender und

zuverlässiger werden.

Kurzbeschreibung der Zeichnungen

Fig. 1 eın Ablaufdiagramm der Erfindung,

Fig.2 eine Darstellung des Übereinstimmens des Testmodus-Cloud-Modells und drei Fehlerschablonenmodus-Cloud-Modelle der

Ausführungsform der Erfindung, Fig. 3 eine Darstellung des Aufbaus des Identifizierungsverfahrens

für Fehlerrisikomodus der Motorwelle der Ausführungsform

der Erfindung,

Fig.4 eine Darstellung des Übereinstimmens des Testmodus-Cloud-Modells und drei Fehlerschablonenmodus-Cloud-Modelle unter dem

Fehlermerkmal der „Amplitude bei 1 Oktavband der 6

7745

Erfindung,

Fig. 5 eine Darstellung des Übereinstimmens des Testmodus-Cloud-Modells und drei Fehlerschablonenmodus-Cloud-Modelle unter dem

Fehlermerkmal der „Amplitude bei 2 Oktavband der

Vibrationsbeschleunigung‘“ der Ausführungsform der Erfindung,

Fig.6 eine Darstellung des Übereinstimmens des Testmodus-Cloud-Modells und drei Fehlerschablonenmodus-Cloud-Modelle unter dem

Fehlermerkmal der „Amplitude bei 3 Oktavband der

Vibrationsbeschleunigung‘“ der Ausführungsform der Erfindung,

Fig. 7 eine Darstellung des Übereinstimmens des Testmodus-Cloud-Modells und drei Fehlerschablonenmodus-Cloud-Modelle unter dem

Fehlermerkmal der „durchschnittlichen Amplitude der Zeitbereichsvibrationsverschiebung“ der Ausführungsform

der Erfindung.

Beschreibung der bevorzugten Ausführungsbeispiele

Die Erfindung betrifft ein Identifizierungsverfahren für Fehlerrisıkomodus der Motorwelle basierend auf der Fusion des Intervallnachweises des normalen Cloud-Modells. Basierend auf der Analyse typischer Fehlerdaten werden Cloud-Modelle verschiedener Fehlerschablonenmodi unter verschiedenen Fehlermerkmalen konstruiert. Gemäß den Daten der Online-Überwachung verschiedener

Fehlermerkmale der Motorwelle wird das Testmodus-Cloud-Modell 7

Schritte:

(1) Die Drehzahl der Welle wird auf oU/min eingestellt, 1000 < p< 2500, und die Fehlermenge aus dem _Fehlerrisiıkomodus des Wellensystems ist O-{X,Y,Z}, wobei X für Unwuchtfehler in der

Motorwelle und Y für Fehlausrichtungsfehler in der Motorwelle und Z für

losen Basisfehler in der Motorwelle steht.

(2) Durch den —Vibrationsbeschleunigungssensor und den Vibrationsverschiebungssensor, die ın horizontaler und vertikaler Richtung der Wellenhalterung installiert sind, wird gemäß dem eingestellten Zeitintervall die Zeitbereichsvibrationssequenz kontinuierlich erfasst. Durch Fourier-Transformation werden die Amplituden bei 1- bis 3 Oktavband der Vibrationsbeschleunigung und die durchschnittliche Amplitude der Zeıitbereichsvibrationsverschiebung

erhalten. Sie werden als Fehlermerkmale verwendet.

In dem Fehlerrisiıkomodus U,U « {X,Y,Z}des Wellensystems werden die

Daten von vier Fehlermerkmalen, nämlich die Amplitude bei 1 Oktavband, 2 Oktavband und 3 Oktavband der Vibrationsbeschleunigung

50005

für die obigen vier Fehlermerkmale und N für die Anzahl der erfassten Probendaten steht, 50 < N < 500.

(3) Das Schablonenmodus-Cloud-Modell des Fehlerrisiıkomodus U unter dem Fehlermerkmal i wird als C” eingestellt. Das Wolkentröpfchen des

Schablonenmodus-Cloud-Modells wird als c% bezeichnet, wobei

2=1,.2,...G, G für die Gesamtzahl der Wolkentröpfchen steht, 1000Fehlerrisikomodi unter vier Fehlermerkmalen werden konstruiert. (4) Ein Satz von Testprobedaten werden online erhalten und 565 Sins: als F,F ={f. 7 fx} bezeichnet, wobei N,Gesamtzahl der Online-Probendaten steht. (5) Die Daten des Fehlerrisikomodus U unter dem Fehlermerkmal ı ın Schritt (3) wird durch F7 ersetzt und der gesamte Berechnungsprozess von Schritt (3) wird wiederholt, um das Testmodus-Cloud-Modell unter 4 Fehlermerkmalen zu erhalten: {CC CC, HC, = {dj}... dj 540 d,c | dj = {Ci MC, 2 )}} ° (6) Unter dem Fehlermerkmal i wird der Übereinstimmungsgrad des Schablonenmodus-Cloud-Modells CY und des Testmodus-Cloud-Modells C, berechnet, wodurch der Intervallnachweis, dass das Testmodus-Cloud-Modell €, das Auftreten von drei Fehlerrisikomodi unterstützt, erhalten wird.

(4) Ein Satz von Testprobedaten werden online erhalten und

565 Sins:

als F,F ={f.

7

fx} bezeichnet, wobei N,Gesamtzahl der Online-Probendaten steht. (5) Die Daten des Fehlerrisikomodus U unter dem Fehlermerkmal ı ın Schritt (3) wird durch F7 ersetzt und der gesamte Berechnungsprozess von Schritt (3) wird wiederholt, um das Testmodus-Cloud-Modell unter 4 Fehlermerkmalen zu erhalten: {CC CC, HC, = {dj}... dj 540 d,c | dj = {Ci MC, 2 )}} ° (6) Unter dem Fehlermerkmal i wird der Übereinstimmungsgrad des Schablonenmodus-Cloud-Modells CY und des Testmodus-Cloud-Modells C, berechnet, wodurch der Intervallnachweis, dass das Testmodus-Cloud-Modell €, das Auftreten von drei Fehlerrisikomodi unterstützt, erhalten wird.

(5) Die Daten des Fehlerrisikomodus U unter dem Fehlermerkmal ı ın Schritt (3) wird durch F7 ersetzt und der gesamte Berechnungsprozess von Schritt (3) wird wiederholt, um das Testmodus-Cloud-Modell unter 4

Fehlermerkmalen zu erhalten:

{CC CC, HC, = {dj}... dj 540 d,c | dj = {Ci MC, 2 )}} °

(6) Unter dem Fehlermerkmal i wird der Übereinstimmungsgrad des

Schablonenmodus-Cloud-Modells CY und des Testmodus-Cloud-Modells C, berechnet, wodurch der Intervallnachweis,

dass das Testmodus-Cloud-Modell €, das Auftreten von drei

Fehlerrisikomodi unterstützt, erhalten wird.

M, (0) [a 05010 {X,Y,Z,9} wird unter Verwendung von

Nachweisschlussfolgerungsregeln fusioniert.

(8) Gemäß Schritt (7) wird das Ergebnis von H* Fusion erhalten und der

nach der Fusion erhaltene Intervallnachweis @ wird wie folgt berechnet

M(6) — [a;,6,] (4) Ag = min[ pa] (5) b;, = max[P/ u] (6)

Gemäß den Formeln (1)-(3) kann der Intervallnachweis des normalen Cloud-Modells nach der Fusion erhalten werden, wie in Tabelle 2 gezeigt:

Tabelle 2 Tabelle des Fusionsergebnisses

Intervallnachweis M(X) M(Y) M(Z) M(®)

Fusionsergebnis [ax ‚6,1 la, ‚6, ] [9 ‚6, ] [A ‚6,1

(9) Gemäß dem ın Tabelle 2 gezeigten Intervallnachweis ist das Fehlerrisikomodus-Identifikationskriteruum gegeben, d. h., wenn die folgenden zwei Bedingungen erfüllt sind, kann es festgestellt werden, dass der Fehlerrisikomodus, auf den die Prüfprobe Fi zeigt,

0,0 €e{X,Y,Z,®} ist:

o,1Der linke und rechte Endpunkt des Intervallnachweises M(0), (9 = ©)

sind größer als die linken und rechten Endpunkte der entsprechenden

Intervallnachweise der anderen Fehlerrisikomodi.

o,2Der rechte Endpunkt von M(®) ist kleiner als 0,3.

Insbesondere ist 1 Oktavband (p/60) Hz, 2 Oktavband (p/30) Hz und 3

10

Insbesondere verwenden der Vibrationsbeschleunigungssensor und der Vibrationsverschiebungssensor At=16s als Zeitintervall, um

kontinuierlich Zeitbereichsvibrationssequenz zu erfassen.

Insbesondere ist Schritt (3) wie folgt:

(3.1) Aus Schritt (2) können die Daten "fu =Yiases Sinus Sin} ges

Fehlerrisikomodus U unter Fehlermerkmal ı erhalten werden, wobei der

arıthmetische Mittelwert als Erwartungswert EXıy des Cloud-Modells

genommen wird.

1 N EX u > Z (7) U (3.2) Die Entropie von Ci ist En, 0,05Standardabweichung genommen, um eine normale Zufallszahl ” zu U |» erzeugen. Dann wird EXiy als Erwartung und als Standardabweichung genommen, um eine normale Zufallszahl zu U erzeugen, die als Wolkentröpfchen “1 genommen wird. (3.4) Der Gewissheitsgrad“ CO U) der dem Wolkentröpfchen U U “ix entspricht, wird berechnet. Der Gewissheitsgrad “ (CC) hat die 11

U |»

erzeugen. Dann wird EXiy als Erwartung und als

Standardabweichung genommen, um eine normale Zufallszahl zu

U erzeugen, die als Wolkentröpfchen “1 genommen wird.

(3.4) Der Gewissheitsgrad“ CO U) der dem Wolkentröpfchen

U U “ix entspricht, wird berechnet. Der Gewissheitsgrad “ (CC) hat die 11

Berechnungsmethode ist wie folgt:

UN (- EX, u) 8 meh) = en [A ® (3. 5) 4 {CC} wird verwendet, um die Posıitionsinformationen

U von Wolkentröpfchen “im zweidimensionalen Raum widerzuspiegeln. Der Berechnungsprozess der Schritte (3.3)-(3.4) wird G-mal wiederholt, bis G Wolkentröpfchen und ihre jeweiligen Gewissheitsgrade erzeugt

werden, wodurch das Schablonenmodus-Cloud-Modell

G =d

AD de 7 die} des Fehlerrisıkomodus U unter dem Fehlermerkmal 1 erhalten werden kann. Dann können für drei Fehlerrisikomodi unter vier Fehlermerkmalen insgesamt 4 X 3 = 12

Schablonenmodus-Cloud-Modelle erzeugt werden.

Das Schablonenmodus-Cloud-Modell der drei Fehlerrisikomodi unter dem Merkmal der Amplitude bei 1 Oktavband ist EEG Cr ={di 1122 dr die 1U (X, Y,Z)}.

Das Schablonenmodus-Cloud-Modell der drei Fehlerrisikomodi unter dem Merkmal der Amplitude bei 2 Oktavband ist {CC CC, = {dx 2,1? > dy gs ‘> dr |VE(X, Y,Z)}.

Das Schablonenmodus-Cloud-Modell der drei Fehlerrisikomodi unter dem Merkmal der Amplitude bei 3 Oktavband ist

{C3,C3,C5},C5 ={d5 A U E(X,Y,Z)},

3,12% „d Yes 5

12

Zeitbereichsvibrationsverschiebung ist

(CC, Cry Cr =Adyp dB

4.150 Ag gar

dye IV e(X,Y,Z)}

Insbesondere ist Schritt (6) wie folgt:

(6.1) Die Erwartungskurve mit Entropie des Schablonenmodus-Cloud-Modells wird als

(x) Sn EX u)

VvY x =€X ———— ‚@&) ol 2(En’ + He’)

) konstruiert. Die Erwartungskurve mit

2 Entropie des Testmodus-Cloud-Modells ist X =en[-ALEL )

2(En’ + He’)

wobei x” und x, Zufallsvariablen sind und der Gaußschen Verteilung

x N(EX, En’), x, — N(EX, „En ), En = N(En, He’) entspricht.

(6.2) Unter dem Fehlermerkmal i wird der Schnittpunkt /” des Schablonenmodus-Cloud-Modells der drei Fehlerrisikomodi "(x )und des Testmodus-Cloud-Modells 7 (x,)erhalten, wobei seine Koordinaten

im zweidimensionalen Raum (@«”,ß”) sind. Das spezifische

Berechnungsverfahren ist wie folgt:

EX „+EX. al = ©) 2 (EX, y -EX,Y U LA 10 A | HE (10)

13

14 / 45

Schablonenmodus-Cloud-Modelle im —zweidimensionalen Raum dig eg MC) sp Calk=12,.K} wird als die K Wolkentröpfchen eingestellt, die dem Schnittpunkt JE am nächsten sind, und 100dem Schablonenmodus-Cloud-Modell Cr und bildet einen . . | U _ U U U Übereinstimmungsgradsatz Di AUG HE) HRG} . Der Aus Au =min(g/) U Minimalwert von % ist und der Maximalwert ist bu =max(g) :: es . . nn i ‚ wodurch das Übereinstimmungsgradintervall gebildet ist: 1) =[ay, bu) (11) (6.4) TU) wird normalisiert, um das —normalisierte Übereinstimmungsgradintervall zu erhalten: M, (U) = [a,b u] U e{X,Y,Z} (12) * q, X b X * ds — LM (X) a = — MD Ha (14) Aiy + Deyauo by A yaU=O * q, Z b Z * a = — At M(Z)(6.5) Das —Übereinstimmungsgradintervall der Fehlermenge © = {X,Y,Z} wird wie folgt berechnet: 14

. . | U _ U U U Übereinstimmungsgradsatz Di AUG HE) HRG} . Der

Aus Au =min(g/)

U Minimalwert von % ist und der Maximalwert ist

bu =max(g) :: es . . nn i ‚ wodurch das Übereinstimmungsgradintervall gebildet

ist: 1) =[ay, bu) (11) (6.4) TU) wird normalisiert, um das —normalisierte

Übereinstimmungsgradintervall zu erhalten:

M, (U) = [a,b u] U e{X,Y,Z} (12) * q, X b X *

ds — LM (X) a = — MD Ha (14)

Aiy + Deyauo by A yaU=O

* q, Z b Z *

a = — At M(Z)(6.5) Das —Übereinstimmungsgradintervall der Fehlermenge

14

a

97) 0 ,0-Vb)<0

bo =1- > div (18) M (©) misst die Gesamtunsicherheit der Übereinstimmung in Schritt (6.4)

(6.6) Die Formeln (9) und (13) bilden den Intervallnachweis des

normalen Cloud-Modells, wie in Tabelle 3 gezeigt.

Tabelle 3 Tabelle des durch das Cloud-Modell erhaltenen

Intervallnachweises Intervallnachweis M,(X) M,Y) M,(Z) M, (©) Amplitude bei ln en a a [dx x] [A671] [az 6,71 [A050] Oktavband Amplitude bei Zn a a a [A x by] [Az yb27] Id, zb,71 [405,01 Oktavband Amplitude bei 3 Sn a a [Az xsbz x] [Az by] Id; 7,6371 Id 05,01 Oktavband durchschnittliche Amplitude der [dx ‚bix] [aix ‚biy ] [ai 7 ‚biz ] [dio ‚b;0]

Vibrations-verschiebung

Um das Verständnis über das Übereinstimmen des Testmodus-Cloud-Modells und des Schablonenmodus-Cloud-Modells der drei Fehlrisikomodi zur Konstruktion der Intervallnachweise zu vertiefen, wird hier ein Beispiel beschrieben. Da die Erwartungskurve mit der Entropie die Konturmerkmale des Cloud-Modells widerspiegelt, stellt sie das Skelett der Wolkentröpfchenansammlung dar. Alle Wolkentröpfchen

15

CY,Ue{X,Y,Z} und des —Testmodus-Cloud-Modells CC, der

Motorwellenanlage wie in Tabelle 4 gezeigt:

Tabelle 4 Parametertabelle der Konstruktion des Cloud-Modells unter dem Merkmal bei 1 Oktavband

Cloud-Modell Erwartung (EX) Entropie (En) Superentropie(He)

0.1620 0.08 0.01 | 0.1817 0.08 0.01 Cr 0.3294 0.08 0.01 C, 0.1427 0.08 0.01

Durch das in Schritt (3) beschriebene Verfahren können das Testmodus-Cloud-Modell und das Schablonenmodus-Cloud-Modell der drei Fehlrisikomodi in Fig. 2 erhalten werden. Durch die Formeln (6) bis (7) können die Koordinaten des Schnittpunkts der Erwartungskurve mit

der Entropie des Testmodus-Cloud-Modells und des Schablonenmodus-Cloud-Modells erhalten werden J;* =(0.1523,0.9929) ,

JT =(0.1622,0.9710) , J£ =(0.2360,0.5114) , d.h. die durch "+" in Fig. 2

angezeigte Position. Dann werden die 200 Wolkentröpfchen ım Schablonenmodus-Cloud-Modell jedes Fehlerrisikomodus, die dem entsprechenden Schnittpunkt am nächsten liegen, ausgewählt. Der

Gewissheitsgrad dieser 200 Wolkentröpfchen ist der

16

folgenden Tabelle gezeigt:

Tabelle 5 Tabelle des Übereinstimmungsintervalls unter dem Merkmal der 1 Oktavband

X Y Z . nn . [0.9899, [0.9649, [0.4847, Übereinstimmungsintervall

0.9958] 0.9771] 0.5379]

Nach den Formeln (10)-(12) wird das Normalisieren durchgeführt. Aus den Formeln (14)-(15) kann das Zuverlässigkeitsintervall der Fehlermenge © erhalten werden. Der Intervallnachweis unter dem Merkmal der Amplitude bei 1 Oktavband ist wie in der folgenden Tabelle gezeigt:

Tabelle 6 Tabelle des Nachweisintervalls unter dem Merkmal der Amplitude bei 1 Oktavband

X Y Z © . [0.3952, [0.3862, [0.1972, [0.0000, Intervallnachweis 0.4072] 0.3985] 0.2158] 0.0214]

Gemäß den gleichen Schritten wie oben kann der Intervallnachweis unter dem Merkmal der Amplitude bei 2 Oktavband, der Amplitude bei 3 Oktavband und der durchschnittlichen Amplitude der Vibrations-verschiebung erhalten werden. Der Intervallnachweis unter

den vier Fehlermerkmalen ist in Tabelle 7 gezeigt: 17

Intervallnachweis M;(X) M,(Y) M,(Z) M;, ©) Amplitude bei 1 [0.3952, [0.3862, [0.1972, [0.0000, Oktavband 0.4072] 0.3985] 0.2158] 0.0214] Amplitude bei 2 [0.5401, [0.2110, [0.1819, [0.0000, Oktavband 0.5900] 0.2526] 0.2265] 0.0669] Amplitude bei 3 [0.3526, [0.2817, [0.3557, [0.0000, Oktavband 0.3585] 0.2905] 0.3610] 0.0099] durchschnittliche

. [0.9997, [0.0000, [0.0000, [0.0000, Amplitude der . 1.0000] 0.0000] 0.0000] 0.0003] Vibrations-verschiebung

Insbesondere ist Schritt (7) wie folgt:

M, (6) = [db l9(7.1) Im Intervall wird H (H>2)-mal Punkt

genommen. Der genommene Punktwert wird als

O) —_ . . . my ,h=1,2,..H + ezeichnet und erfüllt die folgenden Bedingungen: Oo 1 m} Ss [Ab] ;

X; Yı Zi 9; — o DM N I =L1, >

(7.2) gemäß dem in Schritt (7.1) beschriebenen Verfahren können H

punktbewertete Nachweise unter Fehlermerkmal 1 erhalten werden,

5:5

bezeichnet als EU MD , wobei

e„ ={(0,m)| X m =1h=1,2,.,H}

18

Os =L4=12,3,4 Wichtigkeitsgewicht *% 7%:

" eingestellt, wobei (7.4) durch Schritt (7.2) können 4H punktbewertete Nachweise unter 4 Fehlermerkmalen erhalten werden. Ein beliebiger punktbewerteter Nachweis unter jedem Fehlermerkmal wird ausgewählt, um eine Kombination durchzuführen. Jede Kombination enthält punktbewertete Nachweise der vier Fehlermerkmale. Es gibt insgesamt H4-Kombinationen. Die 4 punktbewerteten Nachweise ın Jeder Kombination werden unter Verwendung von Nachweisschlussfolgerungsregeln fusioniert, um 1 Fusionsergebnisse (1=1,2,...,H4) wie folgt zu erhalten: 0 90=O

9 N = m 9. ,e(4 Pie6 7) __ Le 0c9,0O

Deo Mp,e(4) Mg AM Mao lt cu Miete VICO;A=1,2,3,4

Mp(0),e(2) A-7, pen

(19) Ole) =(0,prw)11=12,..H'} (20)

wobei P(®) die Potenzmenge von © ist.

Um das Verständnis der Fusion von Intervallnachweisen durch die Nachweisschlussfolgerungsregeln zu vertiefen, wird hier ein Beispiel beschreiben. Der Intervallnachweis kann aus den Schritten (1) bis (6) erhalten werden. Unter der Annahme, dass der Intervallnachweis ın Tabelle 7 gezeigt ist, werden 2 Punkte willkürlich aus dem erzeugten Intervallnachweis als der punktbewertete Nachweis für die Fusion durch die Nachweisschlussfolgerungsregeln ausgewählt. Es gibt 8 punktbewertete Nachweise unter vier Fehlermerkmalen wie folgt:

19

e ={(X,0.3959); (0.3872); (Z, 0.1986); (©, 0.0183)}

Nachweis unter dem Merkmal der Amplitude bei 2 Oktavband: e,, ={(X,0.5446); (Y 0.2147); (Z, 0.1859); (©, 0.0549)}

e,, ={(X,0.5445); (Y,0.2127); (Z, 0.1828); (@, 0.0601)}

Nachweis unter dem Merkmal der Amplitude bei 3 Oktavband: e,, ={(X,0.3526); (7, 0.2825); (Z, 0.3560); (©, 0.0089) }

e,, ={(X,0.3529); (7, 0.2821); (Z, 0.3559); (©, 0.0092)}

Nachweis unter dem Merkmal der durchschnittlichen Amplitude der Zeitbereichsvibrationsverschiebung:

e,, ={(X,1.0000); (Y, 0.0000); (Z, 0.0000); (@, 0.0000)}

e,, ={(X,1.0000); (0.0000); (Z, 0.0000); (©, 0.0000) }

Der Zuverlässigkeitsfaktor “und das Wichtigkeitsgewicht "+ werden beide auf 0,9 gesetzt. Die Nachweise unter verschiedenen Merkmalen werden gemäß den Formeln (16) bis (17) fusioniert, d.h. es gibt jedes Mal 4 Nachweise, die an der Fusion teilnehmen. Es gibt insgesamt 2*=16

Fusionsergebnisse. Die spezifischen Ergebnisse sind ın Tabelle 8 gezeigt:

Tabelle 8 Tabelle des Fusionsergebnisses nach den

Nachweisschlussfolgerungsregeln

X Y Z © Diei4) Diei4) Diei4) Drei4)

e, 0.9360 0.0380 0.0253 0.0007

20

e, 0.9360 0.0380 0.0253 0.0007

e, 0.9361 0.0379 0.0253 0.0007 e, 0.9361 0.0379 0.0253 0.0007 e; 0.9364 0.0378 0.0250 0.0008 e, 0.9364 0.0378 0.0250 0.0008 e, 0.9365 0.0377 0.0250 0.0008 e 0.9365 0.0377 0.0250 0.0008 e, 0.9361 0.0380 0.0252 0.0008 en 0.9361 0.0380 0.0252 0.0008 ey, 0.9361 0.0379 0.0252 0.0008 e„ 0.9361 0.0379 0.0252 0.0008 e; 0.9365 0.0378 0.0249 0.0008 en 0.9365 0.0378 0.0249 0.0008 es 0.9366 0.0377 0.0249 0.0008 ee; 0.9366 0.0377 0.0249 0.0008

Gemäß dem Fusionsergebnis nach den Nachweisschlussfolgerungsregeln werden der Moaximalwert und der Minimalwert der Fusionszuverlässigkeit jedes Fehlerrisiıkomodus ausgewählt, um einen Intervallnachweis zu bilden. Die Fusionsergebnisse sind in Tabelle 9

gezeigt:

Tabelle 9 Tabelle des Intervallnachweisergebnisses

Intervallnachweis MCO MM) M(Z) M(©) [0.9360 , [0.0377 , [0.0249 , [0.0007 ,

us ni

SIONSCTSCIMTS 9 9366] 0.0380] 0.0253] 0.0008]

21

Motorwelle) ist.

Im Folgenden wird die Ausführungsform der Erfindung anhand der

beigefügten Zeichnungen detailliert beschrieben.

Fig. 1 zeigt ein Ablaufdiagramm des Verfahrens der vorliegenden Erfindung. Der Kernteil ist: Konstruieren eines Schablonenmodus-Cloud-Modells und eines Testmodul-Cloud-Modells des Fehlerrisikomodus; Übereinstimmen des Schablonenmodus-Cloud-Modells und des Testmodus-Cloud-Modells, um ein Übereinstimmungsgradintervall zu erhalten; Verarbeiten des Übereinstimmungsgradintervalls durch Normalisieren, um einen Intervallnachweis zu erhalten; Fusionieren des Intervallnachweises gemäß den Nachweisschlussfolgerungsregeln; Identifizieren des Fehlerrisiıkomodus durch den fusionierten Intervallnachweis nach den

Identifikationskriterien.

Die Schritte des Verfahrens der vorliegenden Erfindung wird unten im Detail unter Bezugnahme auf die Ausführungsform des Identifizierungsverfahrens für Fehlerrisıkomodus der Motorwelle der

Erfindung in Fig. 3 beschrieben.

1. Beispiel für das Identifizierungsverfahren für Fehlerrisiıkomodus der

Motorwelle

Die Versuchsausrüstung ist wie das ın Fig. 3 gezeigte ZHS-2 22

verwendet werden.

2. Auswählen des Fehlerrisiıkomodus der Motorwelle und seiner

Merkmalparameter

Auf dem Prüfstand wird eingestellt, dass der Fehlerrisikomodus "X die Unwucht ım Motorwellensystem", "Y die Fehlausrichtung im Motorwellensystem" und "Z die lose Basis im Motorwellensystem" ist.

Die Fehlermenge ist ©{X,Y,Z}. Die Wellendrehzahl wird auf 1500

U/min eingestellt, 1 Oktavband ıst 25 Hz, n Oktavband ist (nx25) Hz. Wenn die Welle normal läuft, übersteigt die Amplitude jeder Vibrationsbeschleunigungsfrequenz 0,1 mm/ s? nicht. Gemäß der Analyse konzentriert sich die Vibrationsenergie der drei Fehlerrisikomodi hauptsächlich auf das 1- bis 3-Oktavband. Es ist schwierig zu bestimmen, welche Art von Fehlerrisiko auftritt, wenn nur eine einzelne Frequenzamplitude analysiert wird. Das Auftreten eines Fehlers ist eın allmählicher Prozess. Außerdem wird der Sensor leicht durch die Arbeitsumgebung beeinflusst. Fehlerrisikoergebnisse können nicht anhand individueller Fehlermerkmale identifiziert werden. Daher werden die Amplituden bei 1-3-Oktavband der Vibrationsbeschleunigung und die durchschnittliche Amplitude der Zeıitbereichsvibrationsverschiebung

23

24 / 45

3. Konstruieren des Schablonenmodus-Cloud-Modells für drei

Fehlerrisikomodi unter vier Fehlermerkmalen

Unter Verwendung des ın Schritt (2) beschriebenen Verfahrens der vorliegenden Erfindung mit den drei Fehlerrisikomodi "X", "Y" und "Z" wird die Zeitbereichsvibrationssequenz durch den Vibrationsbeschleunigungssensor und den Vibrationsverschiebungssensor, die ın horizontaler und vertikaler Richtung der Wellenhalterung installiert sind, mit dem Zeitintervall At =16s kontinutlerlich erfasst. Durch Fourier-Transformation werden die Amplitude bei 1- bis 3 Oktavband der Vibrationsbeschleunigung und die durchschnittliche Amplitude der Zeıitbereichsvibrationsverschiebung erhalten. Sie bilden die Probedaten der vier Fehlermerkmale. Unter jedem Fehlermerkmal werden 200 Probedaten gesammelt. Gemäß dem ın Schritt (3) beschriebenen Verfahren werden Schablonenmodus-Cloud-Modelle für drei Fehlerrisikomodi unter vier Fehlermerkmalen konstruiert. Die Anzahl der Wolkentröpfchen jedes Cloud-Modells beträgt 5000. Insgesamt müssen 12 Cloud-Modelle erstellt werden, wıe in Fig. 4 bis Fig. 7 gezeigt, wobei "X-Cloud-Modell", "Y-Cloud-Modell "..und "Z-Cloud-Modell ". stellt die Schablonenmodus-Cloud-Modell für drei Fehlerrisikomodi dar. Die dazu verwendeten Parameter zum Konstruieren des

Fehlerschablonenmodus-Cloud-Modells sind in Tabelle 10 gezeigt.

Tabelle 10 Tabelle der Parameter zum Konstruieren des Fehlerschablonenmodus-Cloud-Modells

Cloud-Modell X-Cloud-Modellc* Y-Cloud-Modellce” Z-Cloud-Modell ©“

24

EXix En He EXır En He EXiz En He Amplitude bei 1 Oktavband Amplitude bei 2 Oktavband Amplitude bei 3 Oktavband durchschnittliche Amplitude der 4.3455 0.08 0.01 406953 0.08 0.01 9.8098 0.08 0.01

Vibrations-verschiebung

0.1620 0.08 0.01 0.1817 0.08 0.01 0.3294 0.08 0.01

0.1487 0.08 0.01 0.3293 0.08 0.01 0.3438 0.08 0.01

0.1124 0.08 0.01 0.2420 0.08 0.01 0.1362 0.08 0.01

4. Konstruieren des Testmodus-Cloud-Modells

Wenn der Fehlerrisikomodus X als Beispiel genommen wird, wird gemäß dem ın Schritt (2) beschriebenen Fehlermerkmalerfassungsverfahren die Amplituden bei 1-3 Oktaven der Vibrationsbeschleunigung und die durchschnittliche Amplitude der Zeıitbereichsvibrationsverschiebung Jeweils 40 Mal beobachtet. 40 zu testende Probedaten werden online erhalten. Gemäß dem in Schritt (3) beschriebenen Verfahren wird die Anzahl der Wolkentröpfchen jedes Cloud-Modells auf 5000 eingestellt. Vier Testmodus-Cloud-Modelle für vier Fehlermerkmale werden konstruiert, wie ın Fig. 4 bis Fig. 7 gezeigt. Ihre Parameter sind in Tabelle

11 gezeigt:

Tabelle 11 Tabelle der Parameter zum Konstruieren des Testmodus-Cloud-Modells

EX; En He

Amplitude bei 1 Oktavband

0.1427 0.08 0.01

25

Amplitude bei

0.1109 0.08 0.01 2 Oktavband Amplitude bei 0.1337 0.08 0.01 3 Oktavband durchschnittlic he Amplitude der 3.9938 0.08 0.01 Vibrations-vers chiebung 5. Ermitteln des Intervallnachweises entsprechend dem Testmodus-Cloud-Modell und dem

Fehlerschablonenmodus-Cloud-Modell

Gemäß dem ın Schritt (6.1) beschriebenen Verfahren werden die Erwartungskurven mit der Entropie des Fehlerschablonenmodus-Cloud-Modells und des Testmodus-Cloud-Modells erhalten. Durch die Formel (6) und Formel (7) werden die Koordinaten des Schnittpunkts der Erwartungskurven mit der Entropie des Fehlerschablonenmodus-Cloud-Modells und des Testmodus-Cloud-Modells unter verschiedenen Merkmalen erhalten, wie

in Tabelle 12 gezeigt:

Tabelle 12 Tabelle der Koordinaten des Schnittpunkts der Erwartungskurven mit der Entropie des Testmodus-Cloud-Modells und des Fehlerschablonenmodus-Cloud-Modells

J* J} J* Amplitude bei 1 [0.1523, [0.1622, [0.2360, Oktavband 0.9929] 0.9710] 0.5114]

26

Amplitude bei 2 [0.1298, [0.2201, [0.2274,

Oktavband 0.9729] 0.3996] 0.3522] Amplitude bei 3 [0.1230, [0.1878, [0.1349, Oktavband 0.9913] 0.7979] 0.9999] durchschnittliche . [4.1697, [4.3445, [6.9018, Amplitude r 0.0927] 0.0000] 0.0000]

Vibrations-verschiebung

200 Wolkentröpfchen, die dem entsprechenden Schnittpunkt am nächsten liegen, werden ausgewählt. Der KGewissheitsgrad dieser 200

Wolkentröpfchen ist der Übereinstimmungsgrad zwischen dem Testmodus-Cloud-Modell C und dem

U Fehlerschablonenmodus-Cloud-Modell “© . Der Maximalwert und der Minimalwert werden ausgewählt, um das Übereinstimmungsgradintervall

zu bilden, wie in Tabelle 13 gezeigt:

Tabelle 13 Tabelle des Übereinstimmungsgradintervalls

Übereinstimmungsgradintervall 7X) 1.) 1.Z)

[0.9903, [0.9650, [0.4865, 0.9953] 0.9769] 0.5360] [0.9670, [0.3676, [0.3151, 0.9788] 0.4325] 0.3902] [0.9880, [0.7801, [0.9988, 0.9946] 0.8157] 1.0000] durchschnittliche Amplitude [0.0418, [0.0000, [0.0000, der Vibrations-verschiebung 0.1433] 0.0000] 0.0000]

Amplitude bei 1 Oktavband

Amplitude bei 2 Oktavband

Amplitude bei 3 Oktavband

Das erhaltene Übereinstimmungsgradintervall wird gemäß den Formeln (10)-(15) umfassend normiert. Der Intervallnachweis wird erhalten, wie in Fig. 14 gezeigt.

27

Intervallnachw MO MO MG M.©©)

eis

Amplitude bei [0.3956, [0.3866, [0.1978, [0.0000, 1 Oktavband 0.4068] 0.3981] 0.2151] 0.0020] Amplitude bei [0.5403, [0.2117, [0.1825, [0.0000, 2 Oktavband 0.5891] 0.2523] 0.2263] 0.0655] Amplitude bei [0.3524, [0.2812, [0.3556, [0.0000, 3 Oktavband 0.3586] 0.2911] 0.3613] 0.0109] durchschnittlic [1.0000, [0.0000, [0.0000, [0.0000, he Amplitude 1.0000] 0.0000] 0.0000] 0.0000] der

Vibrations-ver

schiebung

6. Erhalten des fusionierten Intervallnachweises nach der Fusion des

Intervallnachweises gemäß der Nachweisschlussfolgerungsregeln

Gemäß den Schritten (7) bis (8) des Verfahrens der vorliegenden Erfindung werden 2 Punkte willkürlich aus dem erzeugten Intervallnachweis als der punktbewertete Nachweis für die Fusion durch die Nachweisschlussfolgerungsregeln ausgewählt. Es gibt 8

punktbewertete Nachweise unter vier Fehlermerkmalen wie folgt:

Nachweis unter dem Merkmal bei 1 Oktavband: ee. ={(X,0.3957);(Y 0.3867); (Z, 0.1978); (©, 0.0198)}

e,, ={(X,0.4065); (Y, 0.3872); (Z, 0.2001); (@, 0.0062)}

28

Der Zuverlässigkeitsfaktor “und das Wichtigkeitsgewicht "+ werden beide auf 0,9 gesetzt. Die Nachweise unter verschiedenen Merkmalen werden gemäß den Formeln (16) bis (17) fusioniert, d.h. es gibt jedes Mal 4 Nachweise, die an der Fusion teilnehmen. Es gibt insgesamt 2*=16 Fusionsergebnisse. Gemäß dem —Fusionsergebnis durch die Nachweisschlussfolgerungsregeln werden der Maximalwert und Minimalwert der Fusionszuverlässigkeit nach der Fusion jedes Fehlerrisikomodus ausgewählt, um den Intervallnachweis zu bilden, wodurch die endgültigen Fusionsergebnisse erhalten werden, wie in Fig.

15 gezeigt.

Tabelle 15 Tabelle des Intervallnachweises nach der Fusion

Fusionsergebnis [0.9350, 1[0.0373, 1[0.0240, [0.0001, X

29

0.9377] 0.0401] 0.0252] 0.0008]

7. Identifizieren des Fehlerrisikomodus gemäß dem Fusionsergebnis

Gemäß den Identifizierungskriterien ın Schritt (9) des Verfahrens der vorliegenden Erfindung kann es bestimmt werden, dass das Fehlerrisiko gemäß dem Fusionsergebnis "X (Unwucht der Motorwelle)" ist, was mit

der tatsächlichen Situation übereinstimmt.

30

Claims

1. Identifizierungsverfahren für Fehlerrisıkomodus der Motorwelle basierend auf der Fusion des Intervallnachweises des normalen

Cloud-Modells, das folgende Schritte enthält:

(1) Die Drehzahl der Welle wird auf pU/min eingestellt, 1000 < p < 2500, und die Fehlermenge aus dem Fehlerrisiıkomodus des Wellensystems ist @-{X,Y,Z}, wobei X für Unwuchtfehler in der Motorwelle und Y für Fehlausrichtungsfehler in der Motorwelle und Z

für losen Basisfehler in der Motorwelle steht;

(2) durch den —Vibrationsbeschleunigungssensor und den Vibrationsverschiebungssensor, die ın horizontaler und vertikaler Richtung der Wellenhalterung installiert sind, wird gemäß dem eingestellten Zeitintervall die Zeıtbereichsvibrationssequenz kontinuierlich erfasst; durch Fourier-Transformation werden die Amplituden bei 1- bis 3 Oktavband der Vibrationsbeschleunigung und die durchschnittliche Amplitude der Zeıitbereichsvibrationsverschiebung erhalten. Sie werden als

Fehlermerkmale verwendet;

in dem Fehlerrisıkomodus U,U e«{X,Y,Z}des Wellensystems werden

die Daten von vier Fehlermerkmalen, nämlich die Amplitude bei 1 Oktavband, der 2 Oktavband und der 3 Oktavband der Vibrationsbeschleunigung erfasst und als FF = {fe fans fin)

bezeichnet, wobei /=12,3,4 für die obigen vier Fehlermerkmale und

N für die Anzahl der erfassten Probendaten steht, 50 < N < 500;

31

unter der Fehlermerkmal i wird als C” eingestellt; das

Wolkentröpfchen des Schablonenmodus-Cloud-Modells wird als c?,

bezeichnet, wobei g=1,2,...G, G für die Gesamtzahl der Wolkentröpfchen steht, 1000Schablonenmodus-Cloud-Modelle für drei Fehlerrisikomodi unter vier Fehlermerkmalen werden konstruiert; (4) ein Satz von Testprobedaten werden online erhalten und als FF fps fans Gesamtzahl der Online-Probendaten steht; fx} bezeichnet, wobei N,(5) die Daten des Fehlerrisikomodus U unter dem Fehlermerkmal ı in Schritt (3) wird durch 7 ersetzt und der gesamte Berechnungsprozess von Schritt (3) wird wiederholt, um das Testmodus-Cloud-Modell unter 4 Fehlermerkmalen zu WC CC, C1 Ci = {App digen die Id; CA erhalten: ; 48 (6) unter dem Fehlermerkmal i wird der Übereinstimmungsgrad des Schablonenmodus-Cloud-Modell CY und des Testmodus-Cloud-Modells C, berechnet, wodurch der Intervallnachweis, dass das _Testmodus-Cloud-Modell € das Auftreten von drei Fehlerrisikomodi unterstützt, erhalten wird; (7) der ın Schritt (6) erhaltene Intervallnachweis M (0) = [a0 50L9Nachweisschlussfolgerungsregeln fusioniert; 32

Fehlermerkmalen werden konstruiert;

(4) ein Satz von Testprobedaten werden online erhalten und als FF fps fans

Gesamtzahl der Online-Probendaten steht;

fx} bezeichnet, wobei N,(5) die Daten des Fehlerrisikomodus U unter dem Fehlermerkmal ı in Schritt (3) wird durch 7 ersetzt und der gesamte Berechnungsprozess von Schritt (3) wird wiederholt, um das Testmodus-Cloud-Modell unter 4 Fehlermerkmalen zu WC CC, C1 Ci = {App digen die Id; CA erhalten: ; 48 (6) unter dem Fehlermerkmal i wird der Übereinstimmungsgrad des Schablonenmodus-Cloud-Modell CY und des Testmodus-Cloud-Modells C, berechnet, wodurch der Intervallnachweis, dass das _Testmodus-Cloud-Modell € das Auftreten von drei Fehlerrisikomodi unterstützt, erhalten wird; (7) der ın Schritt (6) erhaltene Intervallnachweis M (0) = [a0 50L9Nachweisschlussfolgerungsregeln fusioniert; 32

WC CC, C1 Ci = {App digen die Id; CA

erhalten: ; 48

(6) unter dem Fehlermerkmal i wird der Übereinstimmungsgrad des

Schablonenmodus-Cloud-Modell CY und des Testmodus-Cloud-Modells C, berechnet, wodurch der

Intervallnachweis, dass das _Testmodus-Cloud-Modell € das

Auftreten von drei Fehlerrisikomodi unterstützt, erhalten wird;

(7) der ın Schritt (6) erhaltene Intervallnachweis

M (0) = [a0 50L9Nachweisschlussfolgerungsregeln fusioniert;

32

der nach der Fusion erhaltene Intervallnachweis 9 wird wie folgt

berechnet M(6) = [dp,55] (21) a; =min[ pr] (22) b, =max[ pr] (23)

Gemäß den Formeln (1)-(3) kann der Intervallnachweis des normalen

Cloud-Modells nach der Fusion erhalten werden, wie in Tabelle 1

gezeigt: Tabelle 1 Tabelle des Fusionsergebnisses Intervallnachweis M(X) M(7) M(Z) M(©) Fusionsergebnis [ax 6x] [a6] [a,,b7] [ap 531

(9) Gemäß dem in Tabelle 1 gezeigten Intervallnachweis ist das Fehlerrisikomodus-Identifikationskriteriuum gegeben, d. h., wenn die folgenden zwei Bedingungen erfüllt sind, kann es festgestellt werden, dass der Fehlerrisikomodus, auf den die Prüfprobe Fi zeigt,

0,0o,1lder linke und rechte Endpunkt des Intervallnachweises M(6), (0 = ®)

sind größer als die linken und rechten Endpunkte der entsprechenden Intervallnachweise der anderen Fehlerrisikomodi, die dem

Intervallnachweis;

o,2der rechte Endpunkt von M(®) Ist kleiner als 0,3.

33

34 / 45

3. Identifizierungsverfahren für Fehlerrisıkomodus der Motorwelle basierend auf der Fusion des Intervallnachweises des normalen Cloud-Modells nach Anspruch 1, dadurch gekennzeichnet, dass der Vibrationsbeschleunigungssensor und der Vibrationsverschiebungssensor Ar=16s als Zeitintervall verwenden,

um kontinuierlich Zeitbereichsvibrationssequenz zu erfassen.

4. Identifizierungsverfahren für Fehlerrisıkomodus der Motorwelle basierend auf der Fusion des Intervallnachweises des normalen Cloud-Modells nach Anspruch 1, dadurch gekennzeichnet, dass Schritt

(3) insbesondere wıe folgt 1st:

(3.1) Aus Schritt (2) können die Daten /4>fu = Yires Sins Sn) des

Fehlerrisikomodus U unter Fehlermerkmal ı erhalten werden, wobei

der arıthmetische Mittelwert als Erwartungswert EX des

Cloud-Modells genommen wird;

N EX pl (24) ; N n=1 ) U

(3.2) die Entropie von Cr ist En, 0,0534

U Standardabweichung genommen, um eine normale Zufallszahl "4 zu

U erzeugen und dann wird EAıy als Erwartung und b 4 als

Standardabweichung genommen, um eine normale Zufallszahl zu

U . Mi C. . erzeugen, die als Wolkentröpfchen “+ genommen wird;

(3.4) der Gewissheitsgrad“ (ei) AG) [0,1] ‚ der dem Wolkentröpfchen

#4 entspricht, wird berechnet; der Gewissheitsgrad #/ hat die Eigenschaft der Wahrscheinlichkeit; die spezifische Berechnungsmethode ist wie folgt:

(ce — EX, u) U = ex — 4.1 U 25

(3.5) diy = {ep HC} wird verwendet, um die Positionsinformationen

U von Wolkentröpfchen “1 im _zweidimensionalen Raum widerzuspiegeln; der Berechnungsprozess der Schritte (3.3)-(3.4) wird G-mal wiederholt, bis G Wolkentröpfchen und ihre jeweiligen

Gewissheitsgrade erzeugt werden, wodurch das

= dep. > den. „diG}

Schablonenmodus-Cloud-Modell des Fehlerrisiıkomodus U unter dem Fehlermerkmal ı erhalten werden kann; dann können für drei Fehlerrisikomodi unter vier Fehlermerkmalen insgesamt 4 X 3 = 12

Schablonenmodus-Cloud-Modelle erzeugt werden;

das Schablonenmodus-Cloud-Modell der drei Fehlerrisikomodi unter dem Merkmal der Amplitude bei 1 Oktavband ist ECG Cr = {dB 1.152 dr die |VE(X, Y,Z)}.

35

das Schablonenmodus-Cloud-Modell der drei Fehlerrisikomodi unter dem Merkmal der Amplitude bei 3 Oktavband ist {67 ,C3,C5}Cy = fdydy a dye [U E(X,Y,Z)}

das Schablonenmodus-Cloud-Modell der drei Fehlerrisikomodi unter dem Merkmal der durchschnittlichen Amplitude der Zoiberoichsvibrationsverschrebung ist

{C7,C1,C1 3 Cy Adypedygs dia [U (X, Y,Z)}

. Identifizierungsverfahren für Fehlerrisikomodus der Motorwelle basierend auf der Fusion des Intervallnachweises des normalen Cloud-Modells nach Anspruch 4, dadurch gekennzeichnet, dass Schritt

(6) insbesondere wie folgt ıst:

(x - EX, u)

vY x =€X ——z—— ———— i ( i ) pl 2(En* + He‘)

) konstruiert; die Erwartungskurve mit

Entropie des Testmodus-Cloud-Modells ist 2 V (= ‚ wobei x” und x, Zufallsvariablen sind 2(En‘ + He“)

und der Gaußschen Verteilung

x = N(EX, En’), x, — N(EX, En‘), En = N(En, He’) entspricht;

6.2) unter dem Fehlermerkmal i wird der Schnittpunkt /” des ( pP ;

36

spezifische Berechnungsverfahren ist wie folgt:

a Fu EX (26) 2 (EX, - EX) U — U i 27 A | Tr 27)

(6.3) aus Schritt (3.5) wurde erhalten, dass unter dem Fehlermerkmal ı die Koordinaten der Wolkentröpfchen der drei

Schablonenmodus-Cloud-Modelle im xzweidimensionalen Raum

U AU U U —_ di AG HCC) ist; A122... K} wird als die X Wolkentröpfchen

U eingestellt, die dem Schnittpunkt Jr am nächsten sind, und

100Wolkentröpfchen ist der Übereinstimmungsgrad zwischen dem Testmodus-Cloud-Modell C und dem Schablonenmodus-Cloud-Modell en und bildet einen N . . U _ U U U Übereinstimmungsgradsatz © (CC Dorn CC oe KO} ; der Aus Au =min(g/) U Minimalwert von % ist und der Maximalwert ist bu > by — max(@) ‚ wodurch das Übereinstimmungsgradintervall gebildet ist: 7! (U) = [A ‚b.] (28) (6.4) ZU) wird normalisiert, um das normalisierte 37

Schablonenmodus-Cloud-Modell en und bildet einen

Aus Au =min(g/)

U Minimalwert von % ist und der Maximalwert ist

bu > by — max(@)

‚ wodurch das Übereinstimmungsgradintervall gebildet ist: 7! (U) = [A ‚b.] (28)

(6.4) ZU) wird normalisiert, um das normalisierte

37

M, (U) = [dj 64] U e{X,Y,Z} (29) ; AL MX) Sr b‘x (30) Ad; z—zzz7z—S 1 Su mm = 7, m A, x + Deus bx + ass *

* Aiy by * a = — MMS — np BD 7 A, y + Deayauso by + Ayo 7

* A; Z b Z * a = —— at M(Z)(6.5) das _Übereinstimmungsgradintervall der Fehlermenge

M,(®) = [A601] (33)

„1-25 AZ 6u)z0 (34) 69 0 ‚(0-Db u) <0

bio =1- div (35)

a

(6.4);

(6.6) die Formeln (9) und (13) bilden den Intervallnachweis des

normalen Cloud-Modells, wie in Tabelle 2 gezeigt.

Tabelle 2 Tabelle des durch das Cloud-Modell erhaltenen

Intervallnachweises Intervallnachweis M,(X) MY) M,(Z) M, (©) Amplitude bei 1 a nn en en [ax b x] [Ay 6,7] [a 7,6,7] [x 05,01 Oktavband Amplitude bei 2 a a a. Sn [A x b, x] [a 7b, 7] [a 7,b6,71 [A 05,01 Oktavband 38

39 / 45

Amplitude bei 3

[ax bi x] [a5 bi] [a5 2,bi2] [eb e] Oktavband durchschnittliche Amplitude der [Ai x ‚bix] [ai ‚bi ] [iz ‚biz ] [4 ‚b10]

Vibrations-verschiebung

6. Identifizierungsverfahren für Fehlerrisıkomodus der Motorwelle basierend auf der Fusion des Intervallnachweises des normalen Cloud-Modells nach Anspruch 5, dadurch gekennzeichnet, dass Schritt (7) insbesondere wıe folgt 1st:

(7.1) Im Intervall M, (0) = [a 5419 wird H (H>2)-mal Punkt genommen; der genommene Punktwert wird als

Gh my, A=1,2,..,H pezeichnet und erfüllt die folgenden Bedingungen:

8 * * m; e[a,„,b. o,1 h [ 1,9? 1],

X; Yı Zi 9; — o2 My A A =L1, >

(7.2) gemäß dem in Schritt (7.1) beschriebenen Verfahren können H

punktbewertete Nachweise unter Fehlermerkmal i erhalten werden,

. Ele Deep; . bezeichnet als 1 AO Ci Si} wobei

e, ={(0,m))| > m =1Lh=1,2,..,H}

sr

(7.3) der Zuverlässigkeitsfaktor des Nachweises “ wird als ”

0eingestellt, wobei ,2,3,4 ‚ Wichtigkeitsgewicht "7% und (7.4) durch Schritt (7.2) können 4H punktbewertete Nachweise unter 4 Fehlermerkmalen erhalten werden; ein beliebiger punktbewerteter 39 40 / 45

und

(7.4) durch Schritt (7.2) können 4H punktbewertete Nachweise unter 4

Fehlermerkmalen erhalten werden; ein beliebiger punktbewerteter 39

40 / 45

9 = m 8 Pie6) 7) __ Be 0c9,0O

Deo pe) Mo 2) = [A-7, Mo + Mpcoyeia-y Ma. ] + X n6c.=0 Mg ei-yMc VOCO;i=1,2,3,4

Mpo)ei) dl -n Mp@ei-n

(36) Ole) =(0,prw)11=12,..H'} (37)

40