CN105452972A - 用于分布式传动系的状况监测的方法 - Google Patents

Abstract

本发明的主题是对测量数据使用贝叶斯数据融合方法来对分布式传动系状况监测的方法。根据本发明的方法包括测量从附连到组件（其从传动系选择）的传感器获得的物理信号（其交付给用于使用来自信息数据库（其包含至少一个信息系统）的数据处理所测量数据并且进行数据融合过程的计算机部件）。该方法的特征在于包括通过使用贝叶斯推理而进行的数据融合过程的两个阶段，第一个针对局部数据融合过程并且第二个针对全局数据融合过程，并且在第二阶段基础上通过选择接收数据的最大值来进行传动系的状况评估过程，该最大值对传动系中存在的最可能的故障起到指示器的作用。

Description

用于分布式传动系的状况监测的方法

技术领域

本发明的主题是对测量数据使用贝叶斯数据融合方法的分布式传动系的状况监测方法。状况监测技术通常聚焦在特定设备件的分析上，从而经常失去系统的全貌。例如，负载轴承中的失准可引起在整个系统中传播的扭矩振荡。因为有故障负载轴承的故障特征可与对不同组件中的不同类型故障所预测的特征一致，这些振荡可导致某些状况监测指示器被错误激活。在没有用于进行“分布式”分析(其考虑系统所有零件)的方法的情况下，假警报极有可能并且维修人员可采取不必要的维护动作。使来自传动系的各种组件的数据融合允许实行这样的分布式分析。数据融合技术已在军事应用中广泛使用，但近来这些方法开始在工业中得到应用，从而除其他外还在如机器人、传感器网络、视频和图像处理这样的应用以及分布式控制系统中找到用武之地。数据融合技术可以用于评估传动系组件(例如马达或齿轮箱)的健康状况。在这些情况下，来自安装到正在分析的设备的不同传感器的指示器被融合来获得更完整的诊断。

背景技术

用于状况监测的数据融合应用已在学术文献中报道，主要是在电动马达诊断[1]和齿轮箱诊断[2]的领域中。在第一种情况下，电动马达的诊断通过使振动和电流信号融合而实行，并且在齿轮箱的情况下，通过使振动信号和碎屑分析结果融合来实施它。在两种情况下都不考虑来自其他组件的信号。

相似地，之前开发基于贝叶斯推理的状况监测技术。在参考文献[3]中示出对于振动故障诊断的专家系统。该系统利用贝叶斯算法来定义决策树中或决策表中所包括的概率，并且然后专家系统在观察基础上生成系统的健康诊断。重要的是注意在决策树或决策表构建中仅使用振动信号并且方法用于仅诊断电动马达而不是整个传动系。

多传感器数据融合典型地在利用神经网络的应用中使用。在该情况下，原始信号被馈送到神经网络来训练它。从专利说明书US7539549获悉存在利用多种信号训练神经网络所采用的系统和方法，并且之后基于模糊逻辑的专家系统用于诊断马达-泵设置。由于这样的系统需要大量数据可用以便最初训练网络这一事实，它们不太理想。此外，尽管神经网络无疑很强大，但它们是其中关于为什么做出特定决策的可能推理难以弄清的黑盒。通过使指示器(其一般基于物理推理，例如使用峰度来识别指示齿轮箱中的局部化轮齿问题的测量信号的脉冲特性)与领域内专家所给出的故障概率组合，在该公开中给出的方法允许对于每一个决策的推理充分合理化。

发明内容

用于分布式传动系的状况监测的方法包括测量从组件(其从传动系选择)的传感器获得的物理信号(其被交付给用于使用来自信息数据库(其包含至少一个信息系统)的数据来处理测量数据并且进行数据融合过程的计算机部件)，特征在于它包括根据贝叶斯规则的数据融合过程的两个阶段并且在第二阶段基础上通过选择接收数据的最大值来进行传动系的状况评价，该最大值对传动系触发警报。

第一阶段由使用根据以下公式的贝叶斯推理来确定传动系的个体组件c的故障的局部后验概率p^c(t_i，s^c(t_i))组成：

$p^c(t_i,s^c(t_i\left)\right)=\frac{1}{A}{L}^c\left(y^c\right(t_i\left)\right|s^c\left(t_i\right))/p^{c-}(t_i,s^c(t_i\left)\right)$

其中：

t_i是时刻，

s^c(t_i)是在时刻t_i的组件状况s，

c：1、2、3…C并且C是组件数量，

p^c-(t_i，s^c(t_i))是对于个体组件c的故障的先验概率，

L^c(y^c(t_i)|s^c(t_i))是用于个体组件c的指示器似然函数ILF，

y^c(t_i)是在时刻t_i的组件c的指示器值的向量，

是归一化常数。

第二阶段由使用根据以下的贝叶斯推理来确定传动系的故障的全局后验概率p(t_i，s(t_i))组成：

$p(t_i,S(t_i\left)\right)=\frac{1}{8}L\left(Y\right(t_i\left)\right|S\left(t_i\right))p^{-}(t_i,S(t_i\left)\right)$

其中：

t_i是时刻，

s(t_i)是在时刻t_i传动系的全局状况S，

p^-(t_i，S(t_i))是传动系的故障的全局先验概率，

Y(t_i)是在时刻t_i对于传动系中的所有组件的故障的局部后验概率的向量，

L(Y(t_i)|S(t_i))是对于传动系的全局似然函数GLF，该GLF通过使不同组件的不同总似然函数OLF相乘而获得，其中Y^c(t_i)等于对于组件c的故障的局部后验概率(其定义为p^c(t_i，s^c(t_i)))，

B是归一化常数。

对于个体组件c的故障的先验概率p^c-(t_i，s^c(t_i))使用组件最后已知状况和组件故障开发模型来计算。

传动系的故障的全局先验概率p^-(t_i，S(t_i))使用全局最后已知状况和全局开发模型来计算。

与传动系的操作状况、组件退化模型、专家知识规则等有关的所有信息存储在信息数据库的不同信息系统中。这样的信息系统可以是专家知识系统EKS、组件寿命估计系统CLTES和/或设备操作状况信息系统EOCIS。

全局似然函数GLF使用来自传动系的至少两个组件计算。

用于计算全局似然函数GLF的数据从对马达和齿轮箱或负载或它们的组合所测量和处理的信号获得。

用于分布式传动系的状况监测的计算机程序能加载到计算机处理设备(4)并且在计算机处理设备(4)中可执行，其特征在于在程序运行期间它执行根据权利要求1至6的方法。

对于系统的局部和全局范围的贝叶斯推理规则的整合允许检测不同组件之间的可能交互，如果使用典型局部(面向单组件方法)则该可能交互可能看不到。

附图说明

在本发明的描述实施例中的方法在图中呈现，其中：

图1示出用于实现方法的传动系和部件的示意图，

图2示出被实行来评价传动系状况的不同步骤的流程图，

图3示出用于实现数据融合过程的部件，

图4示出用于对在图1中给出的电动马达1实现局部数据融合过程的部件，

图5示出用于对在图1中给出的电动马达1实行全局数据融合的部件，

图6示出用于对在图1中给出的传动系实现全局数据融合过程的部件，

图7示出用于对在图1中给出的传动系实行全局数据融合的部件。

具体实施方式

根据本发明的方法在图1中呈现的示例传动系系统上实现。该系统对三个电流相位(相位1、相位2、相位3)示出并且包括电动马达1和采用齿轮箱2形式的驱动设备以及负载3。负载3可以是压缩机或泵或风扇。传动系系统的所有组件具有它们自身的测量信息的部件-传感器，其未在图中呈现。在计算机设备4中收集来自所有组件的不同传感器的不同信号并且处理它们，该计算机设备4具有存储器模块5、数据采集模块6、信号处理模块7、数据特征提取模块8、处理器11中包含的局部数据融合模块9和全局数据融合模块10，信息数据库12的输入连接到该处理器11。信号处理模块7具有若干功能模块7.1、7.2…7.m(其中m是自然数)，其适于根据不同方法和规则处理不同信号。独立模块中所附的不同处理技术可以用于不同类型的信号。例如它可包括用于时域度量的模块、用于光谱分析的模块、用于包络分析(希尔伯特变换)的模块、用于倒频谱计算和分析的模块、用于同步信号平均计算的模块、用于时间-频率分析的模块等。在信号处理模块7中获得的处理信号被发送到特征提取模块8，所述模块计算故障指示器，其有助于评价传动系组件的健康，所述状况指示器之后被发送到数据融合模块9。所述数据融合模块将传动系的每个组件视为子系统，因此局部数据融合模块包含多个模块9.1、9.2…9.m(其中m是自然数)，传动系的每个组件的一个模块。信息数据库12包含至少一个信息系统，例如专家知识系统EKS、组件寿命估计系统CLTES、设备操作状况系统EOCS。来自局部数据融合模块9和来自信息数据库12的输出与全局数据融合模块12连接，该全局数据融合模块12的输出与评价模块13连接。

根据本发明的方法通过应用在图2中指示的步骤S1-S6而在传动系的示范性实施例中实现。

S1.数据采集

从在图1中图示的传动系采集的信号是以下：

-来自电动马达1的信号：电流I_ph1、I_ph2、I_ph3和电压U_ph1、U_ph2、U_ph3、电动马达绕组和轴承温度T_ph1、T_ph2、T_ph3、电动马达轴承振动其中ph1、ph2、ph3-指示电动马达相位和它的相应绕组，DB-意指电动马达驱动侧轴承，NDB-意指电动马达非驱动侧轴承，DV-意指驱动侧垂直方向，DA-意指驱动侧轴向方向，DH-意指驱动侧水平方向，NV-意指非驱动侧垂直方向，NA-意指非驱动侧轴向方向并且NH-意指非驱动侧水平方向。

-来自齿轮箱2的信号：齿轮箱轴承温度和齿轮箱轴承振动其中DB-意指齿轮箱驱动侧轴承，NDB-意指齿轮箱非驱动侧轴承，DV-意指驱动侧垂直方向，DA-意指驱动侧轴向方向，DH-意指驱动侧水平方向，NV-意指非驱动侧垂直方向，NA-意指非驱动侧轴向方向并且NH-意指非驱动侧水平方向。

-来自负载3的信号：负载轴承温度(来自驱动侧和非驱动侧) 和负载轴承振动其中DB-意指负载驱动侧轴承，NDB-意指负载非驱动侧轴承，DV-意指驱动侧垂直方向，DA-意指驱动侧轴向方向，DH-意指驱动侧水平方向，NV-意指非驱动侧垂直方向，NA-意指非驱动侧轴向方向并且NH-意指非驱动侧水平方向。

在计算机设备4的存储器模块5中收集所有信号。

S2.信号处理

在数据采集后，根据信号类型和它的源在信号处理模块7(1…m)中应用特定处理技术。除其他外，傅里叶变换7.1、希尔伯特变换7.2、谱峰度7.3、时间同步平均7.4、倒频谱7.5是可应用的m个类型的技术的示例。显然，根据信号类型，所有技术或仅仅技术的选择可用于分析所述信号。一些技术应用于分析来自电动马达1的信号，一些其他技术应用于分析来自齿轮箱2、负载3等的信号。在处理信号时，所得的信号被发送给特征提取模块8。

S3.特征提取

在特征提取过程中，在特征提取器模块8中计算并且收集不同传动系个体组件的故障指示器y₁、y₂…y_K(其中K是自然数)。所述指示器代表可能在所述传动系组件中存在的不同类型的故障(z₁、z₂…z_N)-(其中N是自然数)。故障指示器列表y₁、y₂…y_K以及对于传动系的每个元件的关联故障情景的示例在表1中给出。在表1中示出的对于指示器名称(y¹，y²，y³)的上标指示关联的传动系组件，1：电动马达，2：齿轮箱和3：负载。

表1

如何计算每个y₁、y₂…y_k指示器值的详细描述在该公开的范围外，因此将未提供关于这些规程的详细解释。当前技术领域内的技术人员将认识到存在许多这样的指示器，其中的全部可在本发明的实现中使用。

与每个传动系组件“c”关联的故障指示器值集(其中K是自然数)形成所述传动系组件的指示器向量y^c(其中c：1、2、3…C，并且C是分析的传动系中的组件的总数量)。对于在图1中图示的传动系，三个指示器向量在特征提取后将可用：

$\begin{array}{c}{y}^1=\[\begin{array}{cccc}{y}_1^1& y_2^1& ...& y_{14}^1\end{array}\]\\ y^2=\[\begin{array}{cccc}{y}_1^2& y_2^2& ...& y_{15}^2\end{array}\]\\ y^3=\[\begin{array}{cccc}{y}_1^3& y_2^3& ...& y_{14}^3\end{array}\]\end{array}---\left(1\right)$

其中向量y¹与电动马达1关联，向量y²与齿轮箱2关联并且向量y³与负载3关联。

一旦计算每个y^c向量的K个故障指示器值中的全部，它们的值被发送到局部数据融合模块9。将存在等于传动系中的c组件数量的一定数量的局部数据融合模块。对于描述的实施例存在3个组件。电动马达1、齿轮箱2和负载3，从而相应地存在3个局部数据融合模块9.1、9.2和9.3，这在图3中呈现。

S4.局部数据融合过程

该步骤在处理器11中实现，其中定位不同的数据融合模块。对于传动系组件中的每个存在局部融合模块(图3)。

在局部数据融合模块中的每个内部实施的过程是相同的，唯一差异是给予模块中的每个的输入。局部数据融合过程对于电动马达1的示例情况在图4中呈现并且包括下列六个阶段S4(1)-S4(6)：

S4(1)-故障存在的概率的确定(给出计算的指示器值)，或者换句话说，指示器似然函数的确定。

指示器似然函数ILF的值的确定从下列公式计算：

$L_k^c\left(y_k^c\right(t_i\left)\right|s^c\left(t_i\right))---\left(2\right)$

其中：

c：1、2、3…C，并且C是分析的传动系中组件的总数量，

s^c代表组件c的状况s，其中s^c可以采取离散状态，即其对应于组件c的不同类型的故障，代表在时刻t_i组件c的指示器k的值。

每个故障指示器具有关联的似然函数，因此对于传动系中的每个c组件将存在K个指示器似然函数(ILF)的集。

考虑到在特征提取过程后，当前评估的指示器的值等于与指示器关联的指示器似然函数(ILF)将接收值α_k并且将产生对应于与所述指示器值关联的不同类型的潜在故障的概率集(在图5中对马达1呈现)。来自方程(2)的ILF的输出可给出为：

其中每个值代表在时刻t_i在组件c中存在故障z_n时指示器将具有值α_k的概率。最后概率值代表在组件健康时指示器将具有值α_k的概率。

不同的概率值取决于指示器的计算值α：

$p\left(y_k^c\right(t_i\left)\right|z_n^c\left(t_i\right))=f_k\left(y_k^c\right)---\left(4\right)$

因此，对于每个指示器似然函数ILF，将存在“K”个函数f_K的集，其取决于y₁、y₂…y_K故障指示器中的每个。所述函数通过使用信息数据库12中存在的信息系统来定义。所述信息数据库12包含与之前的关于机器操作状况、机器定位环境状况、机器服务因素、机器维护操作和机器健康退化模型的认识关联(但不限于这一认识)的逻辑规则集。

作为示例，考虑到在特征提取过程S3后，电动马达1的故障指示器具有下列值： $\begin{array}{cccc}{y}_1^1={\mathrm{\α}}_1,& y_2^1={\mathrm{\α}}_2,& ...,& y_{14}^1={\mathrm{\α}}_{14}\end{array}.$

然后，从电动马达的每个ILF获得的概率值可以是(为了描述目的而任意选择这些概率值)：

$\begin{array}{c}{L}_1^1\left(y_1^1\right(t_i\left)\right|s^1\left(t_i\right))=\[\begin{array}{ccccccccccc}0.47& 0.18& 0.09& 0.07& 0.06& 0.06& 0.03& 0.03& 0.005& 0.004& 0.001\end{array}\]\\ L_2^1\left(y_2^1\right(t_i\left)\right|s^1\left(t_i\right))=\[\begin{array}{ccccccccccc}0.08& 0.13& 0.06& 0.07& 0.07& 0.09& 0.04& 0.16& 0.17& 0.044& 0.07\end{array}\]\\ .\\ .\\ .\\ L_{14}^1\left(y_{14}^1\right(t_i\left)\right|s^1\left(t_i\right))=\[\begin{array}{ccccccccccc}0.02& 0.02& 0.02& 0.02& 0.02& 0.02& 0.02& 0.02& 0.02& 0.02& 0.8\end{array}\]\end{array}---\left(5\right)$

考虑到在方程(5)中给出的第一ILF当存在故障(转子断条)时的概率有47％，当存在故障(转子偏心)时的概率有18％，当存在故障(电动马达轴失准)时的概率有9％，当存在故障(电动马达轴失衡)时的概率有7％，当存在故障(松动)时的概率有6％，当存在故障(电动马达轴承故障)时的概率有6％，当存在故障(绕组问题)时的概率有3％，当存在故障(齿轮箱轴相关问题)时的故障有3％，当存在故障(齿轮箱齿轮相关问题)时的概率有0.5％，当存在故障(轮齿问题)时的概率有0.4％，并且当系统健康时的概率有0.1％。

对于齿轮箱2，给出故障指示器值 $\begin{array}{cccc}{y}_1^2={\mathrm{\β}}_1,& y_2^2={\mathrm{\β}}_2,& ...,& y_{14}^2={\mathrm{\β}}_{14},\end{array}$ 从每个齿轮箱ILF获得的概率值可以是：

$\begin{array}{c}{L}_1^2\left(y_1^2\right(t_i\left)\right|s^2\left(t_i\right))=\[\begin{array}{cccccccccccc}0.018& 0.11& 012& 0.02& 0.12& 0.04& 0.07& 0.16& 0.1& 0.1& 0.02& 0.08\end{array}\]\\ L_2^2\left(y_2^2\right(t_i\left)\right|s^2\left(t_i\right))=\[\begin{array}{cccccccccccc}0.11& 0.009& 0.05& 0.09& 0.06& 0.11& 0.11& 0.03& 0.1& 0.1& 0.14& 0.08\end{array}\]\\ .\\ .\\ .\\ L_{15}^2\left(y_{15}^2\right(t_i\left)\right|s^2\left(t_i\right))=\[\begin{array}{cccccccccccc}0.1& 0.09& 0.04& 0.1& 0.04& 0.12& 0.09& 0.15& 0.13& 0.02& 0.08& 0.04\end{array}\]\end{array}---\left(6\right)$

对于负载3，给出故障指示器值 $\begin{array}{cccc}{y}_1^3={\mathrm{\θ}}_1,& y_2^3={\mathrm{\θ}}_2,& ...& ,y_{14}^3-{\mathrm{\θ}}_{14},\end{array}$ 从每个负载ILF获得的概率值可以是：

$\begin{array}{c}{L}_1^3\left(y_1^3\right(t_i\left)\right|s^3\left(t_i\right))=\[\begin{array}{ccccccccccc}0.4& 0.18& 0.09& 0.07& 0.06& 0.06& 0.03& 0.03& 0.006& 0.004& 0.07\end{array}\]\\ L_2^3\left(y_2^3\right(t_i\left)\right|s^3\left(t_i\right))=\[\begin{array}{ccccccccccc}0.1& 0.5& 0.12& 0.07& 0.06& 0.06& 0.03& 0.03& 0.006& 0.004& 0.08\end{array}\]\\ .\\ .\\ .\\ L_{14}^3\left(y_{14}^3\right(t_i\left)\right|s^3\left(t_i\right))=\[\begin{array}{ccccccccccc}0.004& 0.006& 0.03& 0.03& 0.06& 0.03& 0.03& 0.08& 0.1& 0.4& 0.07\end{array}\]\end{array}---\left(7\right)$

S4(2)-组件c中存在故障的概率的确定(给出与所述组件关联的ILF的整个集)，指示为组件似然函数CLF。

组件似然函数CLF的确定通过使用指示器似然函数ILF和下列公式而实行：

$L^c\left(y^c\right(t_i\left)\right|s^c\left(t_i\right))=\underset{k=1}{\overset{K}{\mathrm{\Π}}}{L}_k^c\left(y_k^c\right(t_i\left)\right|s^c\left(t_i\right))---\left(8\right)$

其中：

c：1、2、3…C，并且C是分析的传动系中组件的总数量，

s^c代表组件c的状况s，其中s^c可以采取离散状态，即其对应于组件c的不同类型的故障，k：1、2、3…K，并且K是对每个个体组件考虑的指示器的总数量，t_i是时刻i。

因此，对于图1中的传动系，将获得三个不同CLF，每个对应于不同组件。

$L^1\left(y^1\right(t_i\left)\right|s^1\left(t_i\right))=\underset{k=1}{\overset{14}{\mathrm{\Π}}}{L}_k^1\left(y_k^1\right(t_i\left)\right|s^1\left(t_i\right))$

$L^2\left(y^2\right(t_i\left)\right|s^2\left(t_i\right))=\underset{k=1}{\overset{15}{\mathrm{\Π}}}{L}_k^2\left(y_k^2\right(t_i\left)\right|s^2\left(t_i\right))---\left(9\right)$

$L^3\left(y^3\right(t_i\left)\right|s^3\left(t_i\right))=\underset{k=1}{\overset{14}{\mathrm{\Π}}}{L}_k^3\left(y_k^3\right(t_i\left)\right|s^3\left(t_i\right))$

S4(3)-获得分析中的个体组件的最后已知状况p^c(t_i-1，s^c(t_i-1))。

最后已知状况p^c(t_i-1，s^c(t_i-1))由下列公式表达：

$p^c(t_{i-1},s^c(t_{i-1}\left)\right)=\[\begin{array}{cccc}p\left(z_1^c\right(t_{i-1}\left)\right),& p\left(z_2^c\right(t_{i-1}\left)\right)& ...& p\left(z_{N+1}^c\right(t_{i-1}\left)\right)\end{array}\]---\left(10\right)$ 并且它代表对紧靠的之前时刻t_i-1计算的对于组件c的故障的后验概率。

对于当前时刻是t₀＝0(对于i＝1)时的情况，最后已知状况视为对于组件C的故障的初始概率。故障的所述初始概率可以通过使用信息数据库12和它的信息系统来定义。

S4(4)-组件故障开发模型q^c(s^c(t_i)|s^c(t_i-1))的确定。

组件故障开发模型q^c(s^c(t_i)|s^c(t_i-1))根据之前评价的状况定义故障的概率如何随时间改变。所述模型通过使用组件的最后已知状况和在信息数据库12内包含的各种信息系统来确定。对于组件c的该组件故障开发模型在下列公式中表达：

$\begin{array}{c}{p}^c\left(s^c\right(t_i\left)\right|s^c\left(t_{i-1}\right))\\ =\[\begin{array}{cccc}p\left(z_1^c\right(t_i\left)\right|s^c\left(t_{i-1}\right)),& p\left(z_2^c\right(t_i\left)\right|s^c\left(t_{i-1}\right))& ...& p\left(z_{N+1}^c\right(t_i\left)\right|s^c\left(t_{i-1}\right))\end{array}\]\end{array}---\left(11\right)$

其中

c：1、2、3…C，并且C是分析的传动系中组件的总数量，

是s^c采取的离散状态，并且代表组件c的可能不同故障，并且是s^c可以采取的额外状态并且代表组件c的健康状况。

组件故障开发模型可以代表基于在时刻t_i-1对于组件c的故障的概率而在时刻t_i对于组件c的故障的预期概率。

所述组件故障开发模型通过使用组件的最后状况和信息数据库12中存在的信息系统来定义。

S4(5)-对于组件c的故障的先验概率p^c-(t_i，s^c(t_i))的计算。

对于组件c的故障的先验概率的计算根据以下公式通过使用组件最后已知状况p^c(t_i-1，s^c(t_i-1))和组件故障开发模型q^c(s^c(t_i)|s^c(t_i-1))来进行：

p^c-(t_i，s^c(t_i))＝∫q^c(s^c(t_i)|s^c(t_i-1))p^c(t_i-1，s^c(t_i-1))ds_i-1(12)

其中：

c：1、2、3…C，并且C是分析的传动系中组件的总数量，

ds_i-1用于指示关于状况状态的整合。

状况状态是离散的，因此方程(12)也可以表达为：

$p^{c-}(t_i,s^c(t_i\left)\right)=q^c\left(s^c\right(t_i\left)\right|s^c\left(t_{i-1}\right))\⊕p^c(t_{i-1},s^c(t_{i-1}\left)\right)---\left(13\right)$

其中代表逐元素乘积，

$q^c\left(s^c\right(t_i\left)\right|s^c\left(t_{i-1}\right))=\[\begin{array}{cccc}p\left(z_1^c\right(t_i\left)\right|s^c\left(t_{i-1}\right)),& p\left(z_2^c\right(t_i\left)\right|s^c\left(t_{i-1}\right))& ...& p\left(z_{K+1}^c\right(t_i\left)\right|s^c\left(t_{i-1}\right))\end{array}\]$ 并且 $p^c(t_{i-1},s^c(t_{i-1}\left)\right)=\[\begin{array}{cccc}p\left(z_1^c\right(t_{i-1}\left)\right),& p\left(z_2^c\right(t_{i-1}\left)\right)& ...& p\left(z_{K+1}^c\right(t_{i-1}\left)\right)\end{array}\].$

S4(6)-获得对于组件c的故障的后验概率p^c(t_i，s^c(t_i))

获得对于组件c的故障的后验概率pc(t_i，s^c(t_i))通过使对于组件c的故障的先验概率p^c-(t_i，s^c(t_i))的数据与组件似然函数CLFL^c(y^c(t_i)|S^c(t_i))融合来进行。这样的数据融合过程通过应用贝叶斯推理规则通过使用以下来实行：

$p^c(t_i,s^c(t_i\left)\right)=\frac{1}{A}{L}^c\left(y^c\right(t_i\left)\right|s^c\left(t_i\right))/p^{c-}(t_i,s^c(t_i\left)\right)---\left(14\right)$ 其中p^c(t_i，s^c(t_i))的结果是非归一化概率的分布：

$\[\begin{array}{cccc}p\left(z_1^c\right(t_i\left)\right),& p\left(z_2^c\right(t_i\left)\right)& ...& p\left(z_{K+1}^c\right(t_i\left)\right)\end{array}\]---\left(15\right)$

并且方程(14)中的A是归一化常数，其通常计算为：

$A=\underset{k=1}{\overset{K+1}{\mathrm{\Σ}}}p\left(z_k^c\right(t_i\left)\right)---\left(16\right)$

对于组件c的故障的该后验概率在未来时刻t_i+1实行数据融合的情况下将视为最后已知组件状况。

S5.全局数据融合过程

对于局部数据融合，每个传动系组件c具有它自己的可能故障列表(按照示例表1)。对于全局数据融合过程，同时考虑所有可能故障。表2列出对于全局数据融合过程所考虑的故障的整个集。

表2

全局数据融合过程在全局数据融合模块12中发生，这在图6中呈现。为了实施全局数据融合过程，需要获得对于所有组件的故障的概率并且将它们发送给全局数据融合模块(10)

过程由下列六个阶段S5(1)-S5(6)组成：

S5(1)-在传动系中存在故障的概率的确定(给出对于组件的故障的后验概率)，或者换句话说，总似然函数的确定。

总似然函数OLF由下列公式表达：

L^c(Y^c(t_i)|S(t_i))＝[P(Y^c(t_i)|Z₁(t_i))P(Y^c(t_i)|z₂(t_i))...P(Y^c(t_i)|Z_R(t_i))](17)

其中：

c：1、2、3…C，并且C是分析的传动系中组件的总数量，

Y^c(t_i)代表在时刻t_i对于组件c的故障的后验概率。

R代表传动系中可能故障的总数量，

S代表全局传动系状况，其中S可以采取离散状态，即S∈{Z₁Z₂…Z_R}，其对应于在表2中列出的传动系的不同类型故障，

t_i代表时刻i。

为了在图1上呈现的示例，R＝21，如可以在表2中看到的。

如在方程(17)中示出的，总似然函数OLF将组件后验概率p^c(t_i，s^c(t_i))作为输入并且返回概率分布[P(Y^c(t_i)|Z₁(t_i))P(Y^c(t_i)|Z₂(t_i))...P(Y^c(t_i)|Z_R+1(t_i))]。

所得的概率分布[P(Y^c(t_i)|Z₁(t_i))P(Y^c(t_i)|Z₂(t_i))…P(Y^c(t_i)|Z_R+1(t_i))]代表在存在故障Z_r(t_i)时组件c将具有故障的后验概率p^c(t_i，s^c(t_i))的概率，r是来自对全局数据融合所考虑的列表的故障的数量，如可以在表2中看到的(其中r：1、2、3…R)。概率分布P(Y^c(t_i)|Z_R+1(t_i))的最后元素代表在系统健康时组件c将具有故障的后验概率p^c(t_i，s^c(t_i))的概率。

对于在图1上呈现的示例传动系，将存在三个OLF，一个与电动马达1关联，一个与齿轮箱2关联并且一个与负载3关联，这在图7中呈现。通过使用信息数据库12中存在的信息系统，可以定义不同的OLF。

S5(2)-在传动系中存在故障的概率的确定(给出不同的总似然函数)，或者换句话说，全局似然函数的确定。

下列方程用于计算全局似然函数GLF：

$L\left(Y\right(t_i\left)\right|S\left(t_i\right))=\underset{c=1}{\overset{C}{\mathrm{\Π}}}{L}^c\left(Y^c\right(t_i\left)\right|S\left(t_i\right))---\left(18\right)$

其中：

L^c(Y^c(t_i)|S(t_i))代表传动系的组件c的OLF，

c：1、2、3…C，并且C是分析的传动系中组件的总数量。

S5(3)-获得分析中的传动系的最后已知全局状况p(t_i-1，S(t_i-1))。

最后已知全局状况p(t_i-1，S(t_i-1))代表在紧靠的之前时刻t_i-1计算的传动系的故障的后验概率。这些后验概率表达为：

p(t_i-1，S(t_i-1))＝[p(Z₁(t_i-1))p(Z₂(t_i-1))...p(Z_R+1(t_i-1))](19)

对于在当前时刻是t＝0(i＝1)时的情况，最后已知状况视为对于传动系的故障的初始概率。所述初始概率可以通过使用信息数据库12和它的信息系统来定义。

S5(4)-通过使用最后已知全局状况p(t_i-1，S(t_i-1))和信息数据库12与它的不同信息系统确定全局故障开发模型。该模型表达为

Q(S(t_i)|S(t_i-1))(20)

＝[p(Z₁(t_i)|S(t_i-1))p(Z₂(t_i)|S(t_i-1))...p(Z_R+1(t_i)|S(t_i-1))]

并且代表基于在时刻t_i-1传动系的故障的之前概率而在时刻t_i对于传动系的故障的预期概率。该模型根据之前评价的状况定义故障的概率如何随时间改变。

S5(5)-通过使用最后已知全局状况p(t_i-1，S(t_i-1))和全局故障开发模型Q(S(t_i)|S(t_i-1)计算对于传动系的故障的先验概率。

对于传动系的故障的先验概率(表达为p^-(t_i，S(t_i)))使用全局故障开发模型和最后已知全局状况通过使用下列公式来计算：

p^-(t_i，S(t_i))＝∫Q(S(t_i)|S(t_i-1))p(t_i-1，S(t_i-1))dS_i-1(21)

其中：

dS_i-1用于指示关于全局状况状态的整合，

Q(S(t_i)|S(t_i-1))是在时刻t_i对传动系的全局状况S评价的全局故障开发模型Q(给出在时刻t_i-1传动系的全局状况)。

全局状况状态是离散的，因此方程(21)也可以表达为：

$p^{-}(t_i,S(t_i\left)\right)=Q\left(S\right(t_i\left)\right|S\left(t_{i-1}\right))\⊕p(t_{i-1},S(t_{i-1}\left)\right)---\left(22\right)$

其中代表逐元素乘积，

Q(S(t_i)|S(t_i-1))＝[p(Z₁(t_i)S(t_i-1))p(Z₂(t_i)|S(t_i-1))…p(Z_R+1(t_i)|s(t_i-1))]并且p(t_i-1，S(t_i-1))＝[p(Z₁(t_i-1))p(Z₂(t_i-1))...p(Z_R+1(t_i-1))]。

S5(6)-获得对于传动系的故障的后验概率p^c(t_i，s^c(t_i))。

获得对于传动系的故障的后验概率通过使来自传动系的故障的先验概率p^-(t_i，S(t_i))的数据与全局似然函数L(Y(t_i)S(t_i))融合而进行。这样的数据融合过程通过应用贝叶斯推理通过使用下列公式来实行：

$p(t_i,S(t_i\left)\right)=\frac{1}{B}L\left(Y\right(t_i\left)\right|S\left(t_i\right))p^{-}(t_i,S(t_i\left)\right)---\left(23\right)$

其中p(t_i，S(t_i))的值是非归一化概率的分布：

[p(z₁(t_i))，p(Z₂(t_i))…p(Z_R+1(t_i))](24)

并且方程(22)中的B是归一化常数，通常计算为：

对于传动系的故障的该后验概率在未来时刻t_i+1实行数据融合的情况下将视为最后已知全局状况。

S6.状况评价

传动系的健康状况的评价通过检索对于在全局数据融合模块中计算的传动系的故障的后验概率并且确定哪个故障与来自下列表达式的最大后验概率值关联而进行：

$\arg \underset{Z}{max}\[\begin{array}{cccc}p\left(Z_1\right(t_i\left)\right),& p\left(Z_2\right(t_i\left)\right)& ...& p\left(Z_{R+1}\right(t_i\left)\right)\end{array}\]---\left(26\right)$

在最大概率值对应于p(Z_R+1(t_i))的情况下，这意指系统视为健康(Z_R+1与健康状况关联)。在任何其他情况下，概率值将直接与故障Z_r联系起来，这将是在传动系中最可能存在的故障。

参考书目：

[1]Y.Bo-SukandJ.Kwang,"ApplicationofDempster-ShaferTheoryinFaultDiagnosisofInductionMotorsUsingVibrationandCurrentSignals，"MechanicalSystemsandSignalprocessing，vol.20，pp.403-420，2006

[2]C.Byingtonande.al.，"FusionTechniquesforVibrationandOii/DebrisqualityinGearboxFailureTesting，"inInternationalConferenceonConditionMonitoring，Swansea，1999

[3]B.-S.Yang,D.-S.LimandA.C.C.Tan，"VIBEX:Anexpertsystemforvibrationfaultdiagnosisofrotatingmachineryusingdecisiontreeanddecisiontable，"ExpertSystemswithApplications，vol.28，pp.735-742，2005.

Claims (7)

1.一种用于分布式传动系的状况监测的方法，其包括测量从附连到组件的传感器获得的物理信号，所述信号交付给用于使用来自信息数据库的数据来处理所测量数据并且进行数据融合过程的计算机部件，所述组件从所述传动系选择，所述信息数据库包含至少一个信息系统，其特征在于它包括数据融合过程的两个阶段，所述第一阶段由使用根据贝叶斯推理根据以下公式确定所述传动系的个体组件的故障的局部后验概率p^c(t_i，s^c(t_i))组成：

$p^c(t_i,s^c(t_i\left)\right)=\frac{1}{A}{L}^c\left(y^c\right(t_i\left)\right|s^c\left(t_i\right))/p^c-(t_i,s^c(t_i\left)\right)$

其中：

t_i是时刻，

s^c(t_i)是在时刻t_i的组件状况s，

c：1、2、3...C并且C是组件数量

p^c-(t_i，s^c(t_i))是对于所述个体组件c的故障的先验概率，

L^c(y^c(t_i)|s^c(t_i))是用于个体组件c的指示器似然函数ILF，

y^c(t_i)是在时刻t_i所述组件c的指示器值的向量，

A是归一化常数，

并且所述第二阶段由使用贝叶斯推理根据以下公式确定所述传动系的故障的全局后验概率p(t_i，S(t_i))组成：

$p(t_i,S(t_i\left)\right)=\frac{1}{B}L\left(Y\right(t_i\left)\right|S\left(t_i\right))p^{-}(t_i,S(t_i\left)\right)$

其中：

t_i是时刻，

S(t_i)是在所述时刻t_i所述传动系的全局状况S，

p^-(t_i，S(t_i))是所述传动系的故障的先验概率，

Y(t_i)是在所述时刻t_i对于所述传动系中的所有组件的故障的局部后验概率的向量，

L(Y(t_i)|S(t_i))是用于所述传动系的全局似然函数GLF，该GLF通过使不同组件的不同的总似然函数OLF集相乘而获得，其中Y^c(t_i)等于对于所述组件c的故障的局部后验概率，其定义为p^c(t_i，s^c(t_i))，

B是归一化常数，

并且接着在故障的全局后验概率p(t_i,S(t_i))的接收值基础上通过从故障的全局后验概率p(t_i，S(t_i))选择最大值来评价所述传动系的状况，该最大值对在所述传动系中存在的最可能的故障起到指示器的作用并且对传动系触发警报。

2.如权利要求1所述的方法，其特征在于对于所述个体组件(c)的故障的先验概率p^c-(t_i，s^c(t_i))使用所述组件最后已知状况和组件开发模型来计算。

3.如权利要求1所述的方法，其特征在于对于所述传动系的故障的先验概率p^-(t_i，S(t_i))使用所述全局最后已知状况和所述全局故障开发模型来计算。

4.如权利要求1-3中任一项所述的方法，其特征在于从所述信息数据库(12)选择的信息系统是专家知识系统EKS、组件寿命估计系统CLTES、设备操作状况信息系统EOCS或它们之间的组合。

5.如权利要求1所述的方法，其特征在于所述全局似然函数GLF在全局数据融合模块(10)中对于来自所述传动系的至少两个组件计算。

6.如权利要求5所述的方法，其特征在于用于全局似然函数GLF的数据从对马达(1)和齿轮箱(2)或负载(3)或它们的组合测量和处理的信号计算。

7.一种用于分布式传动系的状况监测的计算机程序，其能加载到计算机处理设备(4)并且在所述计算机处理设备(4)中可执行，其特征在于在程序运行期间它执行根据权利要求1至6中任一项所述的方法。