CN106022366A

CN106022366A - 一种基于近邻证据融合的旋转机械设备故障诊断方法

Info

Publication number: CN106022366A
Application number: CN201610321847.9A
Authority: CN
Inventors: 徐晓滨; 张明; 李正辉
Original assignee: Hangzhou Dianzi University
Current assignee: Hangzhou Dianzi University
Priority date: 2016-07-04
Filing date: 2016-07-04
Publication date: 2016-10-12
Anticipated expiration: 2036-07-04
Also published as: CN106022366B

Abstract

本发明涉及一种基于近邻证据融合的旋转机械设备故障诊断方法。本发明基于对故障典型数据的统计分析，构造模糊隶属度函数集合，用该函数集建模档案库中的每个特征参数在每个故障下的样板模式；待分类样本中的每个特征参数在相应的训练特征样本库中找到k个近邻特征值，并把这k个近邻特征值在对应特征下的各个故障样板模式中进行单值匹配，求得每个近邻特征属于各个故障的信度，进行归一化处理，得到k条证据，融合这k条证据即为该特征参数的证据，m个特征参数最后有m条证据,再次融合，得到最终的诊断证据，利用决策准则，根据融合结果进行故障决策，基于近邻证据融合结果做出的决策比只凭借单一诊断证据做出的决策更加准确。

Description

一种基于近邻证据融合的旋转机械设备故障诊断方法

技术领域

本发明涉及一种基于近邻证据融合的旋转机械设备故障诊断方法，属于旋转机械设备故障监控与诊断技术领域。

背景技术

在线故障诊断技术是旋转机械设备安全生产和高效运行的有力保障，但该类技术的实施还面临诸多挑战：由于故障的发生具有不确定性，所以通常较难得到取值为“0”或“1”的故障发生概率，亦即故障常具有随机性或模糊性的特点；故障发生的成因较为复杂，通常同一故障可以表现出多种特征，同一故障特征可能是由不同故障引起；此外，由于传感器本身的测量误差或有限的监测数据不能全面反映故障，使得从其中提取的故障特征也会具有模糊性。所以故障诊断就可归结为基于多源故障特征信息的分类决策问题，而决策的水平则往往取决于诊断系统所能获得的信息量和对信息的利用程度。因此，可靠的故障诊断技术就与传感器的类型、品质及其信号采集、故障信号特征提取和故障决策过程中，模糊性信息的处理有密切关系。

面对故障模式及其特征之间复杂的对应关系，以及诊断过程中的各种不确定因素，基于传统的单传感器、单因素监测与诊断方法的能力已显不足。为了进一步提高诊断的精度和可靠性，代之而起的多源信息融合技术，可以将空间或时间上的冗余信息和互补信息依据某种准则进行融合，以获得被测对象的一致性解释和描述。韩静在文献《基于D_S证据理论和模糊数学的多传感器的数据融合算法》中，提出对求得每种特征的证据，再进行融合，但当特征很少时，其证据量也少，不能提供充足的信息来进行融合，影响到最终的诊断结果。

发明内容

本发明的目的是提出一种基于近邻证据融合的旋转机械设备故障诊断方法，克服单源故障特征信息诊断技术的缺点，并且引入k近邻算法，通过取得单个故障特征参数的k个近邻特征，再求取每个近邻特征的证据进行融合得到该特征参数的证据，这克服了单一特征参数证据提供信息量少的缺点，最后将每种特征参数的证据再进行融合，基于融合结果做出比任意单一诊断证据更加精准的故障决策。

本发明提出的基于近邻证据融合的旋转机械设备故障诊断方法，包括以下各步骤：

(1)设定旋转机械设备的故障集合为Θ＝{F₁,…,F_i,…,F_N}，F_i代表故障集合Θ中的第i个故障，i＝1,2,…,N，N为故障个数。

(2)设x＝{x₁,…,x_j,…,x_m}为测得的特征向量，x_j代表第j个特征参数，j＝1,2,...,m，建立故障特征参数x_j的故障样板模式为的x_j一个隶属度函数集，获取隶属度函数集中的每个隶属度函数的步骤如下：

(2－1)观测故障集合Θ中的每个故障F_i的故障特征参数x_j，连续记录30至50次，将观测结果记为一组，共进行l组观测，5≤l≤10，将记录的这些数据作为特征参数x_j在故障F_i下的的训练特征样本库

(2－2)计算第r组观测结果的算术平均值和标准差

M_{j}^{r} = (x_{j}^{r, 1} + x_{j}^{r, 2} + ... + x_{j}^{r, n}) / n, 30 \leq n \leq 50

σ_{j}^{r} = \sqrt{({(x_{j}^{r, 1} - M_{j}^{r})}^{2} + {(x_{j}^{r, 2} - M_{j}^{r})}^{2} + ... + {(x_{j}^{r, n} - M_{j}^{r})}^{2}) / n}

其中r＝,1,2,…,l，分别为对特征参数x_j的第r组观测值，每组采集n个观测，30≤n≤50。

(2－3)根据上述和建立故障F_i关于故障特征参数x_j的隶属度函数：

u_{i, j} (x_{j}) = \{\begin{matrix} \exp (- \frac{(x_{j} - M_{a})}{2 σ_{a}^{2}}), & x_{j} < M_{a} \\ 1, & M_{a} \leq x_{j} \leq M_{b} \\ \exp (- \frac{(x_{j} - M_{b})}{2 σ_{b}^{2}}), & x_{j} > M_{b} \end{matrix}

其中，σ_a，σ_b分别是均值为M_a，M_b的两次测量的标准差。

(3)当旋转机械设备在线运行时，测得一个特征向量作为待分类样本，在x_j所有故障模式下的训练特征样本库中找到与最接近的k个近邻特征值，通过计算训练特征样本库中每个特征与的距离，将距离最小的k个特征参数放入集合Φ^s中,Φ^s＝{x_1,j,x_2,j,…x_k,j}，将x_λ,j(λ＝1,2,…k)代入到隶属度函数集中进行单值匹配得到x_λ,j属于各种故障的信度m(F₁),…,m(F_i),…,m(F_N)，其中m(F_i)＝u_i,j(x_λ,j)，并进行归一化处理：

m(Θ)＝1-max(m(F₁),m(F₂),...,m(F_N))

m(Θ)表示对假设“不确定是哪种模式”的支持程度；

m (F_{i}) = \frac{m (F_{i})}{Σ_{i = 1}^{N} m (F_{i}) + m (Θ)}

m (Θ) = \frac{m (Θ)}{Σ_{i = 1}^{N} m (F_{i}) + m (Θ)}

得到基本概率赋值函数，组成一条证据，并由以下形式表示：

P_{x_{λ, j}} = {m (F_{1}), m (F_{2}), ..., m (F_{N}), m (Θ)}

(4)将k个近邻特征的证据使用Dempster组合规则进行融合得到的证据：

E_{x_{j}^{s}} = P_{x_{1, j}} &CirclePlus; P_{x_{2, j}} &CirclePlus; ... &CirclePlus; P_{x_{λ, j}} = {m^{'} (F_{1}), m^{'} (F_{2}), ..., m^{'} (F_{N}), m^{'} (Θ)}

其中⊕代表Dempster组合规则：

(5)最后，把待分类样本x^s的m个特征参数的证据再融合，即得到x^s的诊断证据：

E_{x^{s}} = E_{x_{1}^{s}} &CirclePlus; E_{x_{2}^{s}} &CirclePlus; ... &CirclePlus; E_{x_{m}^{s}} = {m^{''} (F_{1}), m^{''} (F_{2}), ..., m^{''} (F_{N}), m^{''} (Θ)}

(6)根据上述步骤(5)的融合诊断证据，并利用以下决策准则对旋转机械设备的故障进行诊断：

m”(F_i)＝max{m”(F₁),m”(F₂),...,m”(F_N),m”(Θ)}

将待分类样本x^s分配到故障模式F_i中。

本发明提出的基于近邻证据融合的旋转机械设备故障诊断方法，能处理具有模糊性的故障特征参数，基于对故障典型数据的统计分析，构造模糊隶属度函数集合，用该函数集建模档案库中的每个特征参数在每个故障下的样板模式；待分类样本中的每个特征参数在训练特征样本库中找到k个近邻特征值，并把这k个近邻特征值在各个故障样板模式中进行单值匹配，求得每个近邻特征属于各个故障的信度，进行归一化处理，得到k条证据，融合这k条证据即为该特征参数的证据，得到该特征参数的证据，m个特征参数最后有m条证据,再次融合，得到最终的诊断证据，利用决策准则，根据融合结果进行故障决策，基于近邻证据融合结果做出的决策比只凭借单一诊断证据做出的决策更加准确。根据本发明编制的程序(编译环境LabVIEW，C++等)可以在监控计算机上运行，并联合传感器、数据采集器等硬件组成在线监测系统，进行实时的旋转机械设备故障的检测与诊断。

附图说明

图1是本发明方法的流程框图。

图2是使用本发明方法的实施例中电机转子故障诊断系统结构图。

图3是本发明实施例中故障特征“振动加速度1倍频(1X)幅值”的隶属度图像。

图4是本发明实施例中故障特征“振动加速度2倍频(2X)幅值”的隶属度图像。

图5是本发明实施例中故障特征“振动加速度3倍频(3X)幅值”的隶属度图像。

具体实施方式

本发明提出的基于近邻证据融合的旋转机械设备故障诊断方法，其流程框图如图1所示，包括以下各步骤：

(2－2)计算第r组观测结果的算术平均值和标准差

M_{j}^{r} = (x_{j}^{r, 1} + x_{j}^{r, 2} + ... + x_{j}^{r, n}) / n, 30 \leq n \leq 50

σ_{j}^{r} = \sqrt{({(x_{j}^{r, 1} - M_{j}^{r})}^{2} + {(x_{j}^{r, 2} - M_{j}^{r})}^{2} + ... + {(x_{j}^{r, n} - M_{j}^{r})}^{2}) / n}

u_{i, j} (x_{j}) = \{\begin{matrix} \exp (- \frac{(x_{j} - M_{a})}{2 σ_{a}^{2}}), & x_{j} < M_{a} \\ 1, & M_{a} \leq x_{j} \leq M_{b} \\ \exp (- \frac{(x_{j} - M_{b})}{2 σ_{b}^{2}}), & x_{j} > M_{b} \end{matrix}

其中，σ_a，σ_b分别是均值为M_a，M_b的两次测量的标准差。

(3)当旋转机械设备在线运行时，测得一个特征向量作为待分类样本，在x_j的所有故障模式下的训练特征样本库中找到与最接近的k个近邻特征值，通过计算训练特征样本库中每个特征与的距离，将距离最小的k个特征参数放入集合Φ^s中,Φ^s＝{x_1,j,x_2,j,…x_k,j}，将代入到隶属度函数集中进行单值匹配得到x_λ,j属于各种故障的信度m(F₁),…,m(F_i),…,m(F_N)，其中m(F_i)＝u_i,j(x_λ,j)，由于这些数值具有概率似然特性，且反映了对某一模式的支持程度。但是得到的这组匹配度一般不满足加权和为1，所以还要对它们进行归一化处理：

m(Θ)＝1-max(m(F₁),m(F₂),...,m(F_N))

m(Θ)表示对假设“不确定是哪种模式”的支持程度；

m (F_{i}) = \frac{m (F_{i})}{Σ_{i = 1}^{N} m (F_{i}) + m (Θ)}

m (Θ) = \frac{m (Θ)}{Σ_{i = 1}^{N} m (F_{i}) + m (Θ)}

P_{x_{λ, j}} = {m (F_{1}), m (F_{2}), ..., m (F_{N}), m (Θ)}

E_{x_{j}^{s}} = P_{x_{1, j}} &CirclePlus; P_{x_{2, j}} &CirclePlus; ... &CirclePlus; P_{x_{λ, j}} = {m^{'} (F_{1}), m^{'} (F_{2}), ..., m^{'} (F_{N}), m^{'} (Θ)}

其中⊕代表Dempster组合规则：

E_{x^{s}} = E_{x_{1}^{s}} &CirclePlus; E_{x_{2}^{s}} &CirclePlus; ... &CirclePlus; E_{x_{m}^{s}} = {m^{''} (F_{1}), m^{''} (F_{2}), ..., m^{''} (F_{N}), m^{''} (Θ)}

m”(F_i)＝max{m”(F₁),m”(F₂),...,m”(F_N),m”(Θ)}

将待分类样本x^s分配到故障模式F_i中。

以下结合附图，详细介绍本发明方法的实施例：

本发明方法的流程框图如图1所示，核心部分是：构造特征参数的故障样板模式的隶属度函数，在特征训练样本库中找到待分类样本中各特征的近邻特征，并通过单值匹配得到近邻特征属于各故障的信度，归一化处理得到近邻特征的证据，融合这些证据可得待分类样本各特征的证据，再次融合各特征的证据，在决策准则下，由融合结果进行故障决策。

以下结合图2中电机转子故障诊断系统的最佳实施例，详细介绍本发明方法的各个步骤，并通过实际结果验证融合诊断结果优于单个故障特征参数所提供的诊断结果。

1、电机转子故障诊断系统设置实例

实验设备如图2中的ZHS-2型多功能柔性转子试验台，将加速度传感器安置在转子支撑座的水平和垂直方向采集转子振动信号，经HG-8902采集箱将信号传输至计算机，然后利用Labview环境下的HG-8902数据分析软件得到转子振动加速度频谱作为故障特征信号。

2、电机转子故障设置及故障特征参数的选取

分别在试验台上设置了故障“F₁为正常”，“F₂为转子不平衡”，“F₃为转子不对中”，“F₄为转子支撑基座松动”，则故障集合为Θ＝{F₁,F₂,F₃,F₄}。与设备正常运行时的频谱相比，引发异常振动的故障源都会产生一定频率成分的振动加速度的幅值增加，可能是单一频率，也可能是一组频率或者某个频带。该实验环境中，设置转子转速为1500r/m，基频1X为25Hz，n倍频nX，n＝1,2,3,…,亦即n×25Hz。转子正常时，其各个振动加速度频率幅值都不超过0.1mm/s²。当故障出现时，不同的故障所表现出的频率及其幅值的增加情况也不同。故障的振动能量大都集中在1X～3X上，但是对单一某个频率振动加速度幅值的分析很难判定是哪个故障发生。所以这里将振动加速度1X～3X的幅值(单位mm)作为故障特征参数，将这些频域信息进行融合做出综合决策。

3、确定振动加速度1X～3X的幅值这3个故障特征参数对应的4种故障样板模式的隶属度函数

利用本发明方法步骤(2)，分别在电机转子上设置“F₁”、“F₂”、“F₃”、“F₄”这4种故障，并利用振动加速度传感器获取振动加速度1X、2X、3X的幅值这3种故障特征参数。对于每个故障特征参数，在时间间隔△t＝16s内连续采集40次观测，共采集5组，组成训练特征样本库，利用这5组观测得到样板模式隶属度函数。4种故障对应3种故障特征参数，共需建立12个这样的隶属度函数，分别如图3-5所示，图中的标线“μ_F1,μ_F2,μ_F3,μ_F4”分别表示4种故障样板模式中的隶属度函数。这里需要说明的是，在实际的设备状态监测与诊断中，如果可以得到以往设备的维修和故障监测数据或者专家提供的经验数据，也可以用该方法得到相应的隶属度函数。

4、求取待分类样本特征的近邻特征及其证据

以F₁发生为例，设备在线运行状态下，取得故障特征参数振动加速度1X、2X、3X的幅值，组成一个待分类样本，按照步骤(3)的方法找到待分类样本中每个特征在对应的训练特征样本库中的5(k值取5)个近邻特征值，并求得各个近邻特征的证据。

5、将证据经过两次融合得到诊断证据

依照本发明的步骤(4)、(5)将这些近邻特征的证据进行融合，融合时先将1X和2X幅值对应的证据用Dempster组合规则进行融合，得到的融合结果再和3X幅值对应的证据融合，得到3个特征的证据结构，如表1所示，最后再将这3个证据融合，得到最终的诊断证据，如表2所示。

表1当F₁发生时获取的3种故障特征参数对应的证据

证据	m(F₁)	m(F₂)	m(F₃)	m(F₄)	m(Θ)	诊断结果
							1X幅值	0.9999	0	0	0	0.0001	F₁
2X幅值	0.1405	0.8595	0	0	0	F₂
							3X幅值	0.0009	0.3550	0.0006	0.6435	0	F₄

表2当3种特征参数对应的证据经融合后的诊断证据

诊断证据

m(F₁)

m(F₂)

m(F₃)

m(F₄)

m(Θ)

诊断结果

融合结果

0.7818

0.2812

0

F₁

6、根据融合结果进行故障诊断

依照本发明的步骤(6)的决策准则，可以从融合结果中正确地判断“F₁正常”发生，但是，如表1中所示，从3种特征参数单独提供的诊断证据都不能给出相同的判断，不能给出正确的判断结果。

在每种模式下分别测得500个1X、2X、3X的幅值组成的特征向量，作为待分类样本，采用本发明方法的诊断结果如表3所示，其确诊率达到了92.6％；而没有采用k近邻算法，直接求取待分类样本各特征参数的证据，并进行融合，其诊断结果如表4所示，确诊率为90.5％。

表3基于近邻证据融合方法的诊断结果

	F₁	F₂	F₃	F₄
					F₁	434	63	0	3
F₂	25	456	19	0
					F₃	0	6	478	16
F₄	1	0	15	484

表4基于证据融合方法的诊断结果

	F₁	F₂	F₃	F₄
					F₁	425	70	0	5
F₂	39	442	19	0
					F₃	1	8	476	14
F₄	5	0	29	466

Claims

1.一种基于近邻证据融合的旋转机械设备故障诊断方法，其特征在于该方法包括以下各步骤：

(1)设定旋转机械设备的故障集合为Θ＝{F₁,…,F_i,…,F_N}，F_i代表故障集合Θ中的第i个故障，i＝1,2,…,N，N为故障个数；

(2－1)观测故障集合Θ中的每个故障F_i的故障特征参数x_j，连续记录30至50次，将观测结果记为一组，共进行l组观测，5≤l≤10，将记录的这些数据作为特征参数x_j在故障F_i下的训练特征样本库

(2－2)计算第r组观测结果的算术平均值和标准差

M_{j}^{r} = (x_{j}^{r, 1} + x_{j}^{r, 2} + ... + x_{j}^{r, n}) / n, 30 \leq n \leq 50

σ_{j}^{r} = \sqrt{({(x_{j}^{r, 1} - M_{j}^{r})}^{2} + {(x_{j}^{r, 2} - M_{j}^{r})}^{2} + ... + {(x_{j}^{r, n} - M_{j}^{r})}^{2}) / n}

其中r＝,1,2,…,l，分别为对特征参数x_j的第r组观测值，每组采集n个观测，30≤n≤50；

u_{i, j} (x_{j}) = \{\begin{matrix} \exp (- \frac{(x_{j} - M_{a})}{2 σ_{a}^{2}}), & x_{j} < M_{a} \\ 1, & M_{a} \leq x_{j} \leq M_{b} \\ \exp (- \frac{(x_{j} - M_{b})}{2 σ_{b}^{2}}), & x_{j} > M_{b} \end{matrix}

其中，σ_a，σ_b分别是均值为M_a，M_b的两次测量的标准差；

(3)当旋转机械设备在线运行时，测得一个特征向量作为待分类样本，在x_j的所有故障模式下的训练特征样本库中找到与最接近的k个近邻特征值，通过计算训练特征样本库中每个特征与的距离，将距离最小的k个特征参数放入集合Φ^s中,Φ^s＝{x_1,j,x_2,j,…x_k,j}，将x_λ,j(λ＝1,2,…k)代入到隶属度函数集中进行单值匹配得到x_λ,j属于各种故障的信度m(F₁),…,m(F_i),…,m(F_N)，其中m(F_i)＝u_i,j(x_λ,j)，并进行归一化处理：

m(Θ)＝1-max(m(F₁),m(F₂),...,m(F_N))

m(Θ)表示对假设“不确定是哪种模式”的支持程度；

m (F_{i}) = \frac{m (F_{i})}{Σ_{i = 1}^{N} m (F_{i}) + m (Θ)}

m (Θ) = \frac{m (Θ)}{Σ_{i = 1}^{N} m (F_{i}) + m (Θ)}

P_{x_{λ, j}} = {m (F_{1}), m (F_{2}), ..., m (F_{N}), m (Θ)}

E_{x_{j}^{s}} = P_{x_{1, j}} &CirclePlus; P_{x_{2, j}} &CirclePlus; ... &CirclePlus; P_{x_{k, j}} = {m^{'} (F_{1}), m^{'} (F_{2}), ..., m^{'} (F_{N}), m^{'} (Θ)}

其中⊕代表Dempster组合规则：

E_{x^{s}} = E_{x_{1}^{s}} &CirclePlus; E_{x_{2}^{s}} &CirclePlus; ... &CirclePlus; E_{x_{m}^{s}} = {m^{''} (F_{1}), m^{''} (F_{2}), ..., m^{''} (F_{N}), m^{''} (Θ)}

m″(F_i)＝max{m″(F₁),m″(F₂),...,m″(F_N),m″(Θ)}

将待分类样本x^s分配到故障模式F_i中。