CN107609216A - 一种基于概率盒模型修正的机械故障诊断方法 - Google Patents
一种基于概率盒模型修正的机械故障诊断方法 Download PDFInfo
- Publication number
- CN107609216A CN107609216A CN201710673714.2A CN201710673714A CN107609216A CN 107609216 A CN107609216 A CN 107609216A CN 201710673714 A CN201710673714 A CN 201710673714A CN 107609216 A CN107609216 A CN 107609216A
- Authority
- CN
- China
- Prior art keywords
- mrow
- msub
- probability box
- probability
- mfrac
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000002405 diagnostic procedure Methods 0.000 title claims abstract description 11
- 238000000034 method Methods 0.000 claims abstract description 32
- 238000012360 testing method Methods 0.000 claims abstract description 26
- TVZRAEYQIKYCPH-UHFFFAOYSA-N 3-(trimethylsilyl)propane-1-sulfonic acid Chemical compound C[Si](C)(C)CCCS(O)(=O)=O TVZRAEYQIKYCPH-UHFFFAOYSA-N 0.000 claims abstract description 20
- 238000004519 manufacturing process Methods 0.000 claims abstract description 7
- 238000005457 optimization Methods 0.000 claims abstract description 7
- 230000015572 biosynthetic process Effects 0.000 claims abstract description 4
- 238000003786 synthesis reaction Methods 0.000 claims abstract description 4
- 238000012545 processing Methods 0.000 claims description 7
- 238000004422 calculation algorithm Methods 0.000 claims description 4
- 238000004364 calculation method Methods 0.000 claims description 4
- 238000000605 extraction Methods 0.000 claims description 3
- 238000003745 diagnosis Methods 0.000 abstract description 11
- 244000287680 Garcinia dulcis Species 0.000 abstract description 6
- 239000000284 extract Substances 0.000 abstract description 2
- 230000006872 improvement Effects 0.000 description 5
- 238000003909 pattern recognition Methods 0.000 description 5
- 238000005096 rolling process Methods 0.000 description 5
- 230000004927 fusion Effects 0.000 description 4
- 238000004088 simulation Methods 0.000 description 4
- 230000009286 beneficial effect Effects 0.000 description 3
- 238000002474 experimental method Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 2
- 238000009826 distribution Methods 0.000 description 2
- 230000002708 enhancing effect Effects 0.000 description 2
- 238000010338 mechanical breakdown Methods 0.000 description 2
- 238000002715 modification method Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- 241000196324 Embryophyta Species 0.000 description 1
- 230000001133 acceleration Effects 0.000 description 1
- 230000004888 barrier function Effects 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 230000001186 cumulative effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000012631 diagnostic technique Methods 0.000 description 1
- 238000005315 distribution function Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000009776 industrial production Methods 0.000 description 1
- 238000000691 measurement method Methods 0.000 description 1
- 238000012797 qualification Methods 0.000 description 1
- 238000004451 qualitative analysis Methods 0.000 description 1
- 238000012549 training Methods 0.000 description 1
Landscapes
- Complex Calculations (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
Abstract
本发明公开了一种基于概率盒模型修正的机械故障诊断方法，即采集工业过程的故障数据，获取原始概率盒；选择适合的概率盒模型；获取原始DSS；定义工业测试数据的综合附加信息量；提取优化的DSS；获得新的概率盒。本发明针对如何解决工业机械故障诊断过程中概率盒之间的重叠现象，提高概率盒的紧致性，提出的基于概率盒模型修正的机械故障诊断方法，通过概率盒建模方法获得工业测试数据的概率盒模型，以焦元区间的均值和相邻焦元之间数据波动量为附加信息量，利用基于最大熵的贝叶斯方法修正概率盒模型，修正后的模型紧致性得以提高，模型间的重叠现象得以改善，为进一步利用概率盒模型提高机械故障诊断正确识别率提供了更准确的信息。
Description
技术领域
本发明涉及一种基于概率盒模型修正的机械故障诊断方法，属于工业过程机械故障诊断技术领域。
背景技术
机械故障在实际工业生产中影响尤为突出，在转动的机械设备中，过半的机械故障都是由于无法准确检测和识别机械故障而引起的。机械的运行状态直接影响旋转机械工作性能和效率，对其故障诊断的研究意义重大。信息融合改变了传统的故障诊断各研究点之间无交叉的研究模式，成为一个新的研究热点。利用概率盒建模能将故障诊断中诸多主观和客观的不确定因素考虑进去，弥补了传统特征提取方法丢弃丰富概率统计信息的缺陷。将原始信号先转化成概率盒，再实现概率盒的信息融合，解决了信息融合时空配准困难的问题，为工业故障诊断提供了更加完善的故障诊断方法。
概率盒建模方法主要有专家估计方法、卷积建模方法、鲁棒贝叶斯方法、约束规范方法和实验测量方法等。利用概率盒与传统特征提取方法进行模式识别，相比之下概率盒较传统特征提取方法具有更高的正确识别率。但是概率盒建模还存在以下问题：第一，模型间存在重叠现象，影响模式识别的正确率。第二，原始概率盒模型的紧致性并非最佳。
发明内容
本发明针对如何解决工业机械故障诊断过程中概率盒之间的重叠现象，提高概率盒的紧致性，提供了一种基于概率盒模型修正的机械故障诊断方法，通过概率盒建模方法获得工业测试数据的概率盒模型，以焦元区间的均值和相邻焦元之间数据波动量为附加信息量，利用基于最大熵的贝叶斯方法修正概率盒模型，修正后的模型紧致性得以提高，模型间的重叠现象得以改善，为进一步利用概率盒模型提高机械故障诊断正确识别率提供了更准确的信息；最大熵的贝叶斯方法能够灵活的选择工业故障特征，且不需要额外的独立假定或者内在约束，模型应用在不同领域时的可移植性强，同时可结合更丰富的信息等。
一种基于概率盒模型修正的机械故障诊断方法，包括以下步骤：
(1)采集工业过程的故障数据，获取原始概率盒：定义CDF函数F(x)与包含的范围为概率盒，表达为
其中F(x)为概率盒的下界，为上界，工业测试数据中不确定性的随机变量X的CDF函数在CDF范围内，即
(2)利用工业测试数据的概率统计特性，结合贝叶斯参数估计法来修正概率盒模型，建立基于最大熵原理的贝叶斯模型：贝叶斯公式为
以极大后验参数估计方法为贝叶斯参数估计，后验概率密度函数p(x|u)达到极大值作为估计准则，将所对应的参数值作为估计值，记作工业测试数据在数据u的条件下，引入熵的表达式为
先验概率密度p(x)已知，根据最大熵原理，建立基于最大熵原理的处理工业测试数据的贝叶斯模型
(3)获取原始DSS
将步骤(2)所得基于最大熵原理的处理工业测试数据的贝叶斯模型嵌入到概率盒建模的算法中得到修正的原始概率盒模型，再通过离散化方法得到进行卷积计算的DSS，形式为
(4)定义工业测试数据的综合附加信息量
以数据集的平均值xavg为附加信息量，xi-xi-1表示两相邻焦元之间的数据波动量，综合附加信息量为
由ui构成数据点变量集合u为
(5)提取优化的DSS＇
将步骤(4)所得数据点变量集合u通过最大熵的贝叶斯逐焦元的对应优化x集合，得到新的焦元区间为从第1个焦元至第n个焦元，依次处理后得到DSS＇，形式为
(6)修正概率盒
将步骤(5)的DSS＇通过概率盒的定义绘制出修正概率盒。
本发明的有益效果是：
(1)本发明的基于概率盒模型修正的机械故障诊断改进方法，针对如何提高利用工业测试数据提高机械故障诊断正确识别率问题，利用概率盒理论在处理不确定性问题上的强大优势，通过概率盒建模方法获得概率盒模型，以焦元区间的均值和相邻焦元之间数据波动量为附加信息量，利用基于最大熵的贝叶斯方法修正概率盒模型，弥补了传统特征提取方法丢弃丰富概率统计信息的缺陷，为利用工业测试数据进行故障诊断的模式识别提供了更准确的信息，并解决了信息融合的时空配准难的问题；
(2)本发明的基于概率盒模型修正的机械故障诊断改进方法，根据最大熵的贝叶斯方法能够灵活的选择特征，且不需要额外的独立假定或者内在约束，模型的可移植性强，同时可结合更丰富的工业测试数据概率统计信息进行模型修正。以滚动轴承故障信号为实验对象，通过对比修正前后的正确识别率证明了本发明算法在实际工业过程应用中的有效性与实用性。
附图说明
图1为本发明实施例2提取故障信号的歪度特征，利用概率盒建模方法得到的歪度概率盒图；
图2为本发明实施例2采用模型修正方法得到的修正后的歪度特征概率盒图；
图3为本发明概率盒定义示意图；
图4为本发明实施例1在仿真实验中原始概率盒与改进后的概率盒对比的模拟实验结果图。
具体实施方式
下面结合具体实施方式对本发明作进一步详细说明，但本发明的保护范围并不限于所述内容。
本发明实施例提供的基于概率盒模型修正的机械故障诊断方法，包括以下步骤：
(1)采集工业过程的故障数据，获取原始概率盒：定义CDF函数F(x)与包含的范围为概率盒，表达为
其中F(x)为概率盒的下界，为上界，工业测试数据中不确定性的随机变量X的CDF函数在CDF范围内，即
(2)利用工业测试数据的概率统计特性，结合贝叶斯参数估计法来修正概率盒模型，建立基于最大熵原理的贝叶斯模型：贝叶斯公式为
以极大后验参数估计方法为贝叶斯参数估计，后验概率密度函数p(x|u)达到极大值作为估计准则，将所对应的参数值作为估计值，记作工业测试数据在数据u的条件下，引入熵的表达式为
先验概率密度p(x)已知，根据最大熵原理，建立基于最大熵原理的处理工业测试数据的贝叶斯模型
(3)获取原始DSS
将步骤(2)所得基于最大熵原理的处理工业测试数据的贝叶斯模型嵌入到概率盒建模的算法中得到修正的原始概率盒模型，再通过离散化方法得到进行卷积计算的DSS，形式为
(4)定义工业测试数据的综合附加信息量
以数据集的平均值xavg为附加信息量，xi-xi-1表示两相邻焦元之间的数据波动量，综合附加信息量为
由ui构成数据点变量集合u为
(5)提取优化的DSS＇
将步骤(4)所得数据点变量集合u通过最大熵的贝叶斯逐焦元的对应优化x集合，得到新的焦元区间为从第1个焦元至第n个焦元，依次处理后得到DSS＇，形式为
(6)修正概率盒
将步骤(5)的DSS＇通过概率盒的定义绘制出修正概率盒。
实施例采用本发明提供的工业过程故障诊断方法，对数值仿真实例以及对滚动轴承在滚动过程中基于概率盒模型修正的机械故障诊断。
本发明概率盒定义示意图如图3所示，横坐标x为待评估的不确定参数，纵坐标CDF为累计概率分布函数，左边界是概率盒的上界，右边界F是概率盒的下界。
实施例1：数值仿真：以含有10个焦元的概率盒为例进行仿真计算。假设随机变量x服从指数分布，其指数分布参数λ的区间为[2，3]，用概率盒建模方法和模型修正方法分别得到原始的DSS和改进后的DSS＇。仿真实验数据对比结果如表1所示：
表1仿真实验数据(n＝10)
改进后的焦元区间较原始的焦元区间要小，即因此焦元紧致度提升率也必然得到了提高，从焦元紧致度提升率结果看，10个焦元的紧致度都有不同程度的提升，将修正前后的DSS累加得到的原始概率盒与修正后的概率盒如图4所示，从图4中可知，本发明的改进后概率盒的紧致性高于原始概率盒，焦元区间越大，修正量也越大。
实施例2：本实施例以滚动故障信号为试验验证对象，分别采集了正常轴承状态、内圈故障、外圈故障和滚动体故障的振动加速度信号，得到的原始概率盒模型和修正后的概率盒模型分别如图1和图2所示，从图1和图2中可知，修正后的概率盒比原始概率盒紧致性提高了；滚动体故障和内圈故障的概率盒重叠现象在模型修正后有了改善，这将有利于基于概率盒的模式识别；
从获得的概率盒中提取相应的8个特征指标，组成故障特征向量组，将故障信号转换成对应的歪度概率盒之后，由每种状态得到100个概率盒，四种状态得到400个概率盒，组成概率盒特征向量集，以SVM为模式识别工具，以其中的2/3组数据为训练，将剩余的1/3组数据为测试，分别得到模型修正前和模型修正后的正确识别率的结果如表2所示，
表2概率盒修正前后的识别率
从表2可以看出，除了歪度概率盒模型外，峭度、波形、裕度概率盒模型修正后的正确识别率都较未修正前的识别率有所提高，进一步证明了从图1和图2中定性分析出来的结论，即修正后的概率盒紧致性提高后，其包含的不确定性区间变小，各模式之间的重叠现象得到改善，更有利于模式识别。
Claims (1)
1.一种基于概率盒模型修正的机械故障诊断方法，其特征在于，包括以下步骤：
(1)采集工业过程的故障数据，获取原始概率盒：定义CDF函数F(x)与包含的范围为概率盒，表达为
<mrow>
<mo>&lsqb;</mo>
<munder>
<mi>F</mi>
<mo>&OverBar;</mo>
</munder>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>)</mo>
</mrow>
<mo>,</mo>
<mover>
<mi>F</mi>
<mo>&OverBar;</mo>
</mover>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>)</mo>
</mrow>
<mo>&rsqb;</mo>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>1</mn>
<mo>)</mo>
</mrow>
</mrow>
其中F(x)为概率盒的下界，为上界，工业测试数据中不确定性的随机变量X的CDF函数在CDF范围内，即
<mrow>
<munder>
<mi>F</mi>
<mo>&OverBar;</mo>
</munder>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>)</mo>
</mrow>
<mo>&le;</mo>
<mi>F</mi>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>)</mo>
</mrow>
<mo>&le;</mo>
<mover>
<mi>F</mi>
<mo>&OverBar;</mo>
</mover>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>)</mo>
</mrow>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>2</mn>
<mo>)</mo>
</mrow>
</mrow>
(2)利用工业测试数据的概率统计特性，结合贝叶斯参数估计法来修正概率盒模型，建立基于最大熵原理的贝叶斯模型：贝叶斯公式为
<mrow>
<mi>p</mi>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>|</mo>
<mi>u</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mfrac>
<mrow>
<mi>p</mi>
<mrow>
<mo>(</mo>
<mi>u</mi>
<mo>|</mo>
<mi>x</mi>
<mo>)</mo>
</mrow>
<mi>p</mi>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>)</mo>
</mrow>
</mrow>
<mrow>
<mi>p</mi>
<mrow>
<mo>(</mo>
<mi>u</mi>
<mo>)</mo>
</mrow>
</mrow>
</mfrac>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>3</mn>
<mo>)</mo>
</mrow>
</mrow>
以极大后验参数估计方法为贝叶斯参数估计，后验概率密度函数p(x|u)达到极大值作为估计准则，将所对应的参数值作为估计值，记作工业测试数据在数据u的条件下，引入熵的表达式为
<mrow>
<mtable>
<mtr>
<mtd>
<mrow>
<mi>H</mi>
<mo>&lsqb;</mo>
<mi>p</mi>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>)</mo>
</mrow>
<mo>|</mo>
<mi>p</mi>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>|</mo>
<mi>u</mi>
<mo>)</mo>
</mrow>
<mo>&rsqb;</mo>
<mo>=</mo>
<mo>-</mo>
<mo>&Integral;</mo>
<mi>p</mi>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>)</mo>
</mrow>
<mi>I</mi>
<mi>n</mi>
<mrow>
<mo>(</mo>
<mfrac>
<mrow>
<mi>p</mi>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>)</mo>
</mrow>
</mrow>
<mrow>
<mi>P</mi>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>|</mo>
<mi>u</mi>
<mo>)</mo>
</mrow>
</mrow>
</mfrac>
<mo>)</mo>
</mrow>
<mi>d</mi>
<mi>x</mi>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<mo>=</mo>
<mo>&Integral;</mo>
<mi>p</mi>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>)</mo>
</mrow>
<mi>I</mi>
<mi>n</mi>
<mrow>
<mo>(</mo>
<mi>p</mi>
<mo>(</mo>
<mrow>
<mi>x</mi>
<mo>|</mo>
<mi>u</mi>
</mrow>
<mo>)</mo>
<mo>)</mo>
</mrow>
<mi>d</mi>
<mi>x</mi>
<mo>-</mo>
<mo>&Integral;</mo>
<mi>p</mi>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>)</mo>
</mrow>
<mi>I</mi>
<mi>n</mi>
<mrow>
<mo>(</mo>
<mi>p</mi>
<mo>(</mo>
<mi>x</mi>
<mo>)</mo>
<mo>)</mo>
</mrow>
<mi>d</mi>
<mi>x</mi>
</mrow>
</mtd>
</mtr>
</mtable>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>4</mn>
<mo>)</mo>
</mrow>
</mrow>
先验概率密度p(x)已知，根据最大熵原理，建立基于最大熵原理的处理工业测试数据的贝叶斯模型
<mrow>
<msub>
<mover>
<mi>x</mi>
<mo>^</mo>
</mover>
<mrow>
<mi>m</mi>
<mi>p</mi>
</mrow>
</msub>
<mo>=</mo>
<mo>&Integral;</mo>
<mi>p</mi>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>)</mo>
</mrow>
<mi>I</mi>
<mi>n</mi>
<mrow>
<mo>(</mo>
<mi>p</mi>
<mo>(</mo>
<mrow>
<mi>x</mi>
<mo>|</mo>
<mi>u</mi>
</mrow>
<mo>)</mo>
<mo>)</mo>
</mrow>
<mi>d</mi>
<mi>x</mi>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>5</mn>
<mo>)</mo>
</mrow>
</mrow>
(3)获取原始DSS
将步骤(2)所得基于最大熵原理的处理工业测试数据的贝叶斯模型嵌入到概率盒建模的算法中得到修正的原始概率盒模型，再通过离散化方法得到进行卷积计算的DSS，形式为
<mrow>
<mo>{</mo>
<mo>&lsqb;</mo>
<munder>
<msub>
<mi>x</mi>
<mn>1</mn>
</msub>
<mo>&OverBar;</mo>
</munder>
<mo>,</mo>
<mover>
<msub>
<mi>x</mi>
<mn>1</mn>
</msub>
<mo>&OverBar;</mo>
</mover>
<mo>&rsqb;</mo>
<mo>,</mo>
<msub>
<mi>m</mi>
<mn>1</mn>
</msub>
<mo>}</mo>
<mo>,</mo>
<mo>{</mo>
<mo>&lsqb;</mo>
<munder>
<msub>
<mi>x</mi>
<mn>2</mn>
</msub>
<mo>&OverBar;</mo>
</munder>
<mo>,</mo>
<mover>
<msub>
<mi>x</mi>
<mn>2</mn>
</msub>
<mo>&OverBar;</mo>
</mover>
<mo>&rsqb;</mo>
<mo>,</mo>
<msub>
<mi>m</mi>
<mn>2</mn>
</msub>
<mo>}</mo>
<mo>,</mo>
<mo>...</mo>
<mo>,</mo>
<mo>{</mo>
<mo>&lsqb;</mo>
<munder>
<msub>
<mi>x</mi>
<mi>n</mi>
</msub>
<mo>&OverBar;</mo>
</munder>
<mo>,</mo>
<mover>
<msub>
<mi>x</mi>
<mi>n</mi>
</msub>
<mo>&OverBar;</mo>
</mover>
<mo>&rsqb;</mo>
<mo>,</mo>
<msub>
<mi>m</mi>
<mi>n</mi>
</msub>
<mo>}</mo>
</mrow>
(4)定义工业测试数据的综合附加信息量
以数据集的平均值xavg为附加信息量，xi-xi-1表示两相邻焦元之间的数据波动量，综合附加信息量为
<mrow>
<msub>
<mi>u</mi>
<mi>i</mi>
</msub>
<mo>=</mo>
<mfrac>
<mrow>
<msub>
<mi>x</mi>
<mi>i</mi>
</msub>
<mo>-</mo>
<msub>
<mi>x</mi>
<mrow>
<mi>i</mi>
<mo>-</mo>
<mn>1</mn>
</mrow>
</msub>
</mrow>
<msub>
<mi>x</mi>
<mrow>
<mi>a</mi>
<mi>v</mi>
<mi>g</mi>
</mrow>
</msub>
</mfrac>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>6</mn>
<mo>)</mo>
</mrow>
</mrow>
由ui构成数据点变量集合u为
<mrow>
<mi>u</mi>
<mo>=</mo>
<mo>{</mo>
<mfrac>
<mrow>
<msub>
<mi>x</mi>
<mn>2</mn>
</msub>
<mo>-</mo>
<msub>
<mi>x</mi>
<mn>1</mn>
</msub>
</mrow>
<msub>
<mi>x</mi>
<mrow>
<mi>a</mi>
<mi>v</mi>
<mi>g</mi>
</mrow>
</msub>
</mfrac>
<mo>,</mo>
<mfrac>
<mrow>
<msub>
<mi>x</mi>
<mn>3</mn>
</msub>
<mo>-</mo>
<msub>
<mi>x</mi>
<mn>2</mn>
</msub>
</mrow>
<msub>
<mi>x</mi>
<mrow>
<mi>a</mi>
<mi>v</mi>
<mi>g</mi>
</mrow>
</msub>
</mfrac>
<mo>,</mo>
<mfrac>
<mrow>
<msub>
<mi>x</mi>
<mn>4</mn>
</msub>
<mo>-</mo>
<msub>
<mi>x</mi>
<mn>3</mn>
</msub>
</mrow>
<msub>
<mi>x</mi>
<mrow>
<mi>a</mi>
<mi>v</mi>
<mi>g</mi>
</mrow>
</msub>
</mfrac>
<mo>,</mo>
<mn>...</mn>
<mo>,</mo>
<mfrac>
<mrow>
<msub>
<mi>x</mi>
<mi>i</mi>
</msub>
<mo>-</mo>
<msub>
<mi>x</mi>
<mrow>
<mi>i</mi>
<mo>-</mo>
<mn>1</mn>
</mrow>
</msub>
</mrow>
<msub>
<mi>x</mi>
<mrow>
<mi>a</mi>
<mi>v</mi>
<mi>g</mi>
</mrow>
</msub>
</mfrac>
<mo>}</mo>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>7</mn>
<mo>)</mo>
</mrow>
</mrow>
(5)提取优化的DSS＇
将步骤(4)所得数据点变量集合u通过最大熵的贝叶斯逐焦元的对应优化x集合，得到新的焦元区间为从第1个焦元至第n个焦元，依次处理后得到DSS＇，形式为
(6)修正概率盒
将步骤(5)的DSS＇通过概率盒的定义绘制出修正概率盒。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710673714.2A CN107609216B (zh) | 2017-08-09 | 2017-08-09 | 一种基于概率盒模型修正的机械故障诊断方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710673714.2A CN107609216B (zh) | 2017-08-09 | 2017-08-09 | 一种基于概率盒模型修正的机械故障诊断方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN107609216A true CN107609216A (zh) | 2018-01-19 |
| CN107609216B CN107609216B (zh) | 2020-07-31 |
Family
ID=61064934
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201710673714.2A Active CN107609216B (zh) | 2017-08-09 | 2017-08-09 | 一种基于概率盒模型修正的机械故障诊断方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN107609216B (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108427846A (zh) * | 2018-03-16 | 2018-08-21 | 厦门大学 | 一种基于概率盒框架的多响应模型确认度量方法 |
| CN108446474A (zh) * | 2018-03-14 | 2018-08-24 | 昆明理工大学 | 一种不确定信息条件下的结构系统稳定性分析方法 |
| CN116148600A (zh) * | 2023-04-20 | 2023-05-23 | 清华大学 | 航空发动机加力线路故障定位模型校正方法、装置和设备 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103577707A (zh) * | 2013-11-15 | 2014-02-12 | 上海交通大学 | 一种利用多模式融合推理的机器人故障诊断方法 |
| CN105718667A (zh) * | 2016-01-22 | 2016-06-29 | 北京航空航天大学 | 一种飞行器结构非概率贝叶斯模型确认方法 |
-
2017
- 2017-08-09 CN CN201710673714.2A patent/CN107609216B/zh active Active
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103577707A (zh) * | 2013-11-15 | 2014-02-12 | 上海交通大学 | 一种利用多模式融合推理的机器人故障诊断方法 |
| CN105718667A (zh) * | 2016-01-22 | 2016-06-29 | 北京航空航天大学 | 一种飞行器结构非概率贝叶斯模型确认方法 |
Non-Patent Citations (2)
| Title |
|---|
| TANG HONG,ET AL.: "An Improved Probability Box Discretization Method for Mechanical Fault Diagnosis", 《PROCEEDINGS OF THE 36TH CHINESE CONTROL CONFERENCE》 * |
| 基于概率盒理论的滚动轴承故障信号建模方法: "杜奕 等", 《振动与冲击》 * |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108446474A (zh) * | 2018-03-14 | 2018-08-24 | 昆明理工大学 | 一种不确定信息条件下的结构系统稳定性分析方法 |
| CN108446474B (zh) * | 2018-03-14 | 2021-09-14 | 昆明理工大学 | 一种不确定信息条件下的结构系统稳定性分析方法 |
| CN108427846A (zh) * | 2018-03-16 | 2018-08-21 | 厦门大学 | 一种基于概率盒框架的多响应模型确认度量方法 |
| CN116148600A (zh) * | 2023-04-20 | 2023-05-23 | 清华大学 | 航空发动机加力线路故障定位模型校正方法、装置和设备 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN107609216B (zh) | 2020-07-31 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109635677B (zh) | 基于多标签分类卷积神经网络的复合故障诊断方法及装置 | |
| CN107941537A (zh) | 一种机械设备健康状态评估方法 | |
| CN109655259A (zh) | 基于深度解耦卷积神经网络的复合故障诊断方法及装置 | |
| CN107316007B (zh) | 一种基于深度学习的监控图像多类物体检测与识别方法 | |
| CN106017876A (zh) | 基于等权局部特征稀疏滤波网络的轮对轴承故障诊断方法 | |
| CN105760839A (zh) | 基于多特征流形学习与支持向量机的轴承故障诊断方法 | |
| CN108319962A (zh) | 一种基于卷积神经网络的刀具磨损监测方法 | |
| CN107784325A (zh) | 基于数据驱动增量融合的螺旋式故障诊断模型 | |
| CN111539152B (zh) | 一种基于两级孪生卷积神经网络的滚动轴承故障自学习方法 | |
| CN107013449A (zh) | 基于深度学习的声音信号识别压缩机故障的方法及系统 | |
| CN108510153A (zh) | 一种多工况旋转机械故障诊断方法 | |
| CN109781411A (zh) | 一种结合改进稀疏滤波器与kelm的轴承故障诊断方法 | |
| CN108344574A (zh) | 一种基于深度联合适配网络的风电机组轴承故障诊断方法 | |
| CN107609216A (zh) | 一种基于概率盒模型修正的机械故障诊断方法 | |
| CN102902981B (zh) | 基于慢特征分析的暴力视频检测方法 | |
| CN111397902B (zh) | 一种基于特征对齐卷积神经网络的滚动轴承故障诊断方法 | |
| CN108062514A (zh) | 一种基于三维谱图分析的胶印机墨辊故障诊断方法 | |
| CN110751076B (zh) | 车辆检测方法 | |
| CN105787488A (zh) | 由全局向局部传递的图像特征提取方法及装置 | |
| CN105808665A (zh) | 一种新的基于手绘草图的图像检索方法 | |
| CN109800712A (zh) | 一种基于深度卷积神经网络的车辆检测计数方法及设备 | |
| CN112305388B (zh) | 一种发电机定子绕组绝缘局部放电故障在线监测诊断方法 | |
| Tang et al. | Fault diagnosis of rolling bearing based on probability box theory and GA-SVM | |
| CN113916535B (zh) | 基于时频和cnn的轴承诊断方法、系统、设备及介质 | |
| CN115146718A (zh) | 基于深度表示的风电机组异常检测方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |