CN109765786A - 一种基于证据滤波的电推船电机转轴不平衡故障检测方法 - Google Patents
一种基于证据滤波的电推船电机转轴不平衡故障检测方法 Download PDFInfo
- Publication number
- CN109765786A CN109765786A CN201910070893.XA CN201910070893A CN109765786A CN 109765786 A CN109765786 A CN 109765786A CN 201910070893 A CN201910070893 A CN 201910070893A CN 109765786 A CN109765786 A CN 109765786A
- Authority
- CN
- China
- Prior art keywords
- evidence
- alarm
- sim
- sup
- value
- 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
- 238000001914 filtration Methods 0.000 title claims abstract description 29
- 238000001514 detection method Methods 0.000 title abstract description 10
- 230000005611 electricity Effects 0.000 title abstract 2
- 238000000034 method Methods 0.000 claims abstract description 63
- 230000004927 fusion Effects 0.000 claims abstract description 35
- 238000005457 optimization Methods 0.000 claims abstract description 14
- 230000005540 biological transmission Effects 0.000 claims abstract description 13
- 239000011159 matrix material Substances 0.000 claims description 32
- 238000004364 calculation method Methods 0.000 claims description 19
- 230000002159 abnormal effect Effects 0.000 claims description 17
- 230000001133 acceleration Effects 0.000 claims description 12
- 238000005070 sampling Methods 0.000 claims description 11
- 239000013598 vector Substances 0.000 claims description 10
- 238000012545 processing Methods 0.000 claims description 6
- 238000012549 training Methods 0.000 claims description 6
- 238000010276 construction Methods 0.000 claims description 5
- 101150055297 SET1 gene Proteins 0.000 claims description 3
- 238000006243 chemical reaction Methods 0.000 claims description 3
- 238000011478 gradient descent method Methods 0.000 claims description 3
- 238000012544 monitoring process Methods 0.000 abstract description 3
- 238000003745 diagnosis Methods 0.000 abstract description 2
- 238000007781 pre-processing Methods 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000007796 conventional method Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Landscapes
- Complex Calculations (AREA)
- Materials For Photolithography (AREA)
Abstract
本发明涉及一种基于证据滤波的电推船电机转轴不平衡故障检测方法,属于机电设备状态监测与故障诊断领域。从推进电机传动轴采集的振动数据进行预处理,利用连续的Sigmoid隶属度函数将处理后的振动数据转化成每时刻的报警证据;利用多阶证据滤波方法对每时刻报警证据进行融合,其中构建信度推理模型求解多阶证据滤波中的融合权重,并给出优化目标函数对推理模型中的参数进行优化。对于在线获取监测数据,预处理后转化为每时刻报警证据,利用优化后的多阶证据滤波方法得到全局报警证据,进行报警决策;本发明通过多阶证据滤波得到全局的报警证据,可以给出比单个时刻的报警证据更为准确的故障检测结果。
Description
技术领域
本发明涉及一种基于证据滤波的中压电推船舶推进电机传动轴不平衡故障检测方法,属于机电设备状态监测与故障诊断领域。
背景技术
电力推进作为一种区别于传统推进的新型推进方式,目前在军用和工程类船舶中已经得到较为普遍的应用,其能否安全稳定的运行也越来越受到人们的关注。因此,准确及时地对可能发生的故障进行报警,为主动维修争取时间,这对保证推进系统以及船舶的安全运行至关重要。由于故障检测与报警是一种可以降低损失、增加经济效益的技术,所以它已经被广泛的应用在各个领域行业中。但是对于船舶电力推进系统的推进电机而言,它的机动性强,电机输出功率变化频繁,国内外对其故障检测技术的研究较少,所以对推进电机故障检测技术的研究具有十分重要的现实意义和实用价值。
发明内容
本发明的目的是提出一种基于证据滤波的中压电推船舶推进电机传动轴不平衡故障检测方法,对于每个时刻获得的振动数据,将其用Sigmoid隶属度阈值函数转换为相应的报警证据,通过多阶证据滤波对每一时刻报警证据进行融合,得到可靠的全局报警证据,利用全局的报警证据进行决策。由于全局报警证据包含了当前和历史时刻电机的运行振动信息,利用其做出的故障报警决策比任何单个时段振动信息给出的决策结果更为可靠和准确。
本发明包括以下各步骤:
(1)设定中压电推船舶推进电机传动轴不平衡故障报警器的辨识框架为Θ={NA,A},其中NA表示设备处于正常运行状态,A表示设备处于不平衡故障的异常运行状态亦即报警状态。
(2)设x为安装在推进电机传动轴上的振动传感器所检测的振动加速度变量,令x(t),t=1,2,3,…,是x在t时刻的采样值,单位为m/s2,利用式(1)对x(t)进行预处理,得到处理后的变量y及其采样值为:
定义yotp为最优阈值,记max(y)和min(y)分别是y的最大值和最小值,其中yotp∈[min(y),max(y)],采用直接门限法最小化误报率和漏报率的平方和求得最优阈值yotp;利用Sigmoid隶属度函数构建正常状态NA、异常状态A的模糊隶属度函数μNA(y(t))、μA(y(t)),如式(2)-(3)所示:
其中a∈[0.1,100]是一个可调参数。
(3)将y(t)分别带入步骤(2)关于正常状态NA、异常状态A的模糊隶属度函数μNA(y(t))、μA(y(t))中,即可得到报警证据mt(NA)、mt(A),分别如下(4)-(5)式所示:
mt(NA)=μNA(y(t))/(μA(y(t))+μNA(y(t))) (4)
mt(A)=μA(y(t))/(μA(y(t))+μNA(y(t))) (5)
那么,在每个采样时刻,能够获得报警证据mt=(mt(NA),mt(A)),其中mt(A)和mt(NA)表示x(t)支持“报警A”和“正常NA”这两个事件发生的程度。
(4)在步骤(3)的基础上得到了每一时刻的报警证据之后,利用证据的动态更新得到全局报警证据,记为m0:t=(m0:t(A),m0:t(NA)),具体步骤如下:
(4-1)当t=1时,因在t=1之前没有相关的证据信息,所以t=1时全局的报警证据是该时刻的报警证据即m0:1=(m1(A),m1(NA))。
(4-2)当t=2时,利用t=1时刻的全局报警证据m0:1和t=2时刻的证据m2进行加权融合,得到t=2时刻的全局报警证据m0:2,具体用于计算的证据滤波公式如下
其中τ2=0.75表示对m0:1(A)的线性加权值,ξ2=0.25表示当前证据的加权值;若m2(NA)>m2(A),则D=NA,那么m2(A|NA)=0;若m2(A)≥m2(NA),则D=A,那么m2(A|A)=1;
(4-3)当t=3时利用t=2时刻的全局报警证据m0:2和t=3时刻的证据m3进行加权融合,得到t=3时刻的全局报警证据m0:3=(m0:3(A),m0:3(NA)),具体用于计算的证据滤波公式如下
若m3(NA)>m3(A),则D=NA,那么m3(A|NA)=0;若m3(A)≥m3(NA),则D=A,那么m3(A|A)=1;τ3表示对m0:2(A)的线性加权值,ξ3表示当前证据的加权值,τ3、ξ3的计算步骤如下:
(4-3-1)定义m0:1、m0:2两条证据之间的距离如式(8)所示:
其中,上标T表示求向量(m0:1-m0:2)的转置,那么m0:1和m0:2两条证据之间的相似度如式(9)所示:
Sim(m0:1,m0:2)=1-dJ(m0:1,m0:2) (9)
Sim(m0:1,m0:2)越大,两者越相似,同理可以计算出m3、m0:1和m0:2之间两两相似度分别为Sim(m0:1,m3)以及Sim(m0:2,m3)。
(4-3-2)根据步骤(4-3-1)得到的相似度求出每个证据被其他两个证据支持的程度,分别为Sup(m0:2)、Sup(m0:1)以及Sup(m3),如下式(10)-(12)所示
Sup(m0:2)=Sim(m0:1,m0:2)+Sim(m0:2,m3) (10)
Sup(m0:1)=Sim(m0:1,m0:2)+Sim(m0:1,m3) (11)
Sup(m3)=Sim(m0:1,m3)+Sim(m0:2,m3) (12)
(4-3-3)在步骤(4-3-2)的基础上得到证据动态更新的权重因子τ3和ξ3,如下式(13)和(14)所示
τ3=1-ξ3 (14)
(4-4)当t≥4时,求取m0:t=(m0:t(A),m0:t(NA)),具体用于计算的证据滤波公式如下
其中τt+ξt=1,若mt(NA)>mt(A),则D=NA,那么mt(A|NA)=0;若mt(A)≥mt(NA),则D=A,那么mt(A|A)=1;同理可得mt-1(A|D),mt-2(A|D)。
(5)式(15)中和的具体确定步骤如下:
(5-1)当t≥4时,依据步骤(4-3)中的子步骤(4-3-1)提供的方法得到mt、mt-1和mt-2两两之间的相似度Sim(mt,mt-1)、Sim(mt,mt-2)和Sim(mt-1,mt-2);
(5-2)依据步骤(4-3)中的子步骤(4-3-2)提供的方法分别得到mt、mt-1和mt-2相对于其他两个证据的支持程度Sup(mt)、Sup(mt-1)和Sup(mt-2);
(5-3)在步骤(5-2)的基础上,和可以由式(16)-(18)所示
(6)对于步骤(4)中式(15)的参数ξt,计算过程如下:
(6-1)依据步骤(4-3)中的子步骤(4-3-1)分别得到mt、mt-1、mt-2和m0:t-3两两之间的相似度分别为Sim(mt,mt-1)、Sim(mt,mt-2)、Sim(mt,m0:t-3)、Sim(mt-1,m0:t-3)、Sim(mt-1,mt-2)以及Sim(mt-2,m0:t-3)。
(6-2)依据步骤(4-3)中的子步骤(4-3-2)分别得到mt、mt-1、mt-2和m0:t-3对于其他两个证据的支持程度,分别为Sup(m0:t-3)、Sup(mt)、Sup(mt-1)以及Sup(mt-2)。
(6-3)构造关于ξt的信度推理模型,用于描述输入量Sup(m0:t-3)、Sup(mt-1)、Sup(mt-2)和Sup(mt)与输出量线性加权值ξt之间存在的复杂非线性关系,具体步骤如下:
(6-3-1)将输入变量Sup(m0:t-3)、Sup(mt)、Sup(mt-1)以及Sup(mt-2)记为fi(t)(i=1,2,3,4);设定ξt的参考值集合D={Dn|n=1,...,N},输入变量fi(t)的参考值集1<N<10为ξt的结果参考值个数,1<Ji<10为输入变量的参考值个数。
(6-3-2)给定如表1所示的信度矩阵表来描述输入fi(t)和输出ξt之间的关系,由表1中可知,当输入值fi(t)取参考值时,结果值ξt为参考值Dn的信度为 并有定义对应于参考值的信度为同时给定输入fi(t)的可靠度为ri,满足0≤ri≤1。
表1 输入fi(t)的信度矩阵表
(6-3-3)当获得输入样本f1(t)、f2(t)、f3(t)和f4(t)之后,根据信度矩阵表1和可靠度r1、r2、r3和r4,可利用证据推理规则推理出线性加权值的估计值具体步骤如下:
a)对于输入值fi(t),其必然落入某两个参考值构成的区间此时这两个参考值对应的信度和被激活,αi,j表示输入值fi(t)匹配参考值的相似度,αi,j+1表示输入值fi(t)匹配参考值的相似度,由式(19)所示
则输入值fi(t)的信度可由和以加权和的形式获得
ei={(Dn,pn,i),n=1,...,N} (20)
b)利用式(20)和式(21)获得f1(t)、f2(t)、f3(t)和f4(t)的信度e1、e2、e3和e4,给定ei的可靠度ri为1,设ei的证据权重初值wi=ri=1,利用证据推理规则对e1、e2、e3和e4进行融合,融合过程如下:
(a)首先对e1和e2进行融合,得到融合后的证据为
(b)将e1和e2融合后的概率证据设为e′2={(Dn,p′n,2),n=1,...,N},将其与e3进行融合,其中令e′2的证据权重w′2为1,可靠度r′2为1,得到融合后的概率证据为:
(c)将e′2和e3融合后的概率证据设为e″2={(Dn,p″n,2),n=1,...,N},将其与e4进行融合,其中令e″2的证据权重w″2为1,可靠度r″2为1,作为最终的融合结果,即有:
O(f(t))={(Dn,p″n,2),n=1,...,N} (25)
(d)根据步骤(c)得到融合结果O(f(t)),线性加权值的估计值可由下式推理得到
式(12)中线性加权值τt的估计值为
(7)基于Jousselme证据距离构建对信度矩阵表1中参数优化模型,具体步骤如下:
(7-1)确定优化参数集合
(7-2)将最小化Jousselme证据距离作为优化目标函数
s.t.0≤wi≤1,i=1,2,3,4 (28)
D2<D3<…<DN-1 (30)
其中L为采集的训练样本数量总数,m表示为设备所处的真实状态下的理想向量(010)或异常状态该下的理想向量(100),式(28)-(31)表示优化参数需满足的约束条件。
(8)利用基于梯度下降法方法或者非线性优化软件包,获得最优的参数集合P,从而得到优化后的输入fi(t)的信度矩阵表;从在线运行的推进电机传动轴上采集振动加速度信号,将其利用步骤(2)中式(1)进行处理,按照一定间隔选取阈值,再重复步骤(3)-(6),可得到全局报警证据m0:t=(m0:t(A),m0:t(NA));根据得到的t时刻的全局报警证据m0:t=(m0:t(A),m0:t(NA)),将m0:t转化为相应的pignistic概率如下
其中,所以基于pignistic概率报警决策准则为:若则报警器发出报警,反之,不发出报警;得到在不同阈值下误报率和漏报率的平方和,误报率和漏报率的平方和最小所对应的阈值即为最优阈值。
本发明提出的基于证据滤波的中压电推船舶推进电机传动轴不平衡故障检测方法。该方法先将传感器采集的数据进行预处理,利用连续的Sigmoid隶属度函数将处理后的振动数据的信息转化成每时刻的报警证据;利用多阶证据滤波方法对每时刻报警证据进行融合,其中构建信度推理模型求解多阶证据滤波中的融合权重,并给出优化目标函数对推理模型中的参数进行优化,得到最优参数集合;在线采集数据,预处理后转化为每时刻报警证据,使用优化后的信度推理模型参数集合,按一定间隔选取不同的阈值利用多阶证据滤波公式得到全局报警证据,进行报警决策,误报率和漏报率的平方和最小所对应的阈值为最优阈值。根据本发明方法编制的程序(编译环境Matlab)可以在计算机上运行,并联合传感器、数据采集器等硬件组成船舶推进电机故障检测系统,从而实现对电力推进船舶推进电机故障检测并报警。
附图说明
图1是本发明方法的程序流程框图;
图2本发明方法的实施例中用来训练的x(t)序列;
图3本发明方法的实施例中用来训练的x(t)处理后得到的y(t)序列;
图4本发明方法的实施例中用来测试的在线采集的X(t)序列;
图5本发明方法的实施例中用来在线采集的X(t)序列处理后得到的Y(t)序列.
具体实施方式
本发明提出的一种基于证据滤波的中压电推船舶推进电机传动轴不平衡故障检测方法,其流程框图如图1所示,包括以下各步骤:
(1)设定中压电推船舶推进电机传动轴不平衡故障报警器的辨识框架为Θ={NA,A},其中NA表示设备处于正常运行状态,A表示设备处于不平衡故障的异常运行状态亦即报警状态。
(2)设x为安装在推进电机传动轴上的振动传感器所检测的振动加速度变量,令x(t),t=1,2,3,…,是x在t时刻的采样值,单位为m/s2,利用式(1)对x(t)进行预处理,得到处理后的变量y及其采样值为:
定义yotp为最优阈值,记max(y)和min(y)分别是y的最大值和最小值,其中yotp∈[min(y),max(y)],采用直接门限法最小化误报率和漏报率的平方和求得最优阈值yotp;利用Sigmoid隶属度函数构建正常状态NA、异常状态A的模糊隶属度函数μNA(y(t))、μA(y(t)),如式(2)-(3)所示:
其中a∈[0.1,100]是一个可调参数。
为了加深对步骤(2)的理解,这里举个例子解释正常状态NA、异常状态A的模糊隶属度函数μNA(y(t))、μA(y(t))计算过程,假设a=100,yotp=1.1324,y(1)=1.2,那么μNA(y(1))=0.0012。
(3)将y(t)分别带入步骤(2)关于正常状态NA、异常状态A的模糊隶属度函数μNA(y(t))、μA(y(t))中,即可得到报警证据mt(NA)、mt(A),分别如下(4)-(5)式所示:
mt(NA)=μNA(y(t))/(μA(y(t))+μNA(y(t))) (4)
mt(A)=μA(y(t))/(μA(y(t))+μNA(y(t))) (5)
那么,在每个采样时刻,能够获得报警证据mt=(mt(NA),mt(A)),其中mt(A)和mt(NA)表示x(t)支持“报警A”和“正常NA”这两个事件发生的程度。
(4)在步骤(3)的基础上得到了每一时刻的报警证据之后,利用证据的动态更新得到全局报警证据,记为m0:t=(m0:t(A),m0:t(NA)),具体步骤如下:
(4-1)当t=1时,因在t=1之前没有相关的证据信息,所以t=1时全局的报警证据是该时刻的报警证据即m0:1=(m1(A),m1(NA))。
(4-2)当t=2时,利用t=1时刻的全局报警证据m0:1和t=2时刻的证据m2进行加权融合,得到t=2时刻的全局报警证据m0:2,具体用于计算的证据滤波公式如下
其中τ2=0.75表示对m0:1(A)的线性加权值,ξ2=0.25表示当前证据的加权值;若m2(NA)>m2(A),则D=NA,那么m2(A|NA)=0;若m2(A)≥m2(NA),则D=A,那么m2(A|A)=1。
(4-3)当t=3时利用t=2时刻的全局报警证据m0:2和t=3时刻的证据m3进行加权融合,得到t=3时刻的全局报警证据m0:3=(m0:3(A),m0:3(NA)),具体用于计算的证据滤波公式如下:
若m3(NA)>m3(A),则D=NA,那么m3(A|NA)=0;若m3(A)≥m3(NA),则D=A,那么m3(A|A)=1;τ3表示对m0:2(A)的线性加权值,ξ3表示当前证据的加权值,τ3、ξ3的计算步骤如下:
(4-3-1)定义m0:1、m0:2两条证据之间的距离如式(8)所示:
其中,上标T表示求向量(m0:1-m0:2)的转置,那么m0:1和m0:2两条证据之间的相似度如式(9)所示:
Sim(m0:1,m0:2)=1-dJ(m0:1,m0:2) (9)
Sim(m0:1,m0:2)越大,两者越相似,同理可以计算出m3、m0:1和m0:2之间两两相似度分别为Sim(m0:1,m3)以及Sim(m0:2,m3)。
(4-3-2)根据步骤(4-3-1)得到的相似度求出每个证据被其他两个证据支持的程度,分别为Sup(m0:2)、Sup(m0:1)以及Sup(m3),如下式(10)-(12)所示
Sup(m0:2)=Sim(m0:1,m0:2)+Sim(m0:2,m3) (10)
Sup(m0:1)=Sim(m0:1,m0:2)+Sim(m0:1,m3) (11)
Sup(m3)=Sim(m0:1,m3)+Sim(m0:2,m3) (12)
(4-3-3)在步骤(4-3-2)的基础上得到证据动态更新的权重因子τ3和ξ3,如下式(13)和(14)所示:
τ3=1-ξ3 (14)
(4-4)当t≥4时,求取m0:t=(m0:t(A),m0:t(NA)),具体用于计算的证据滤波公式如下:
其中τt+ξt=1,若mt(NA)>mt(A),则D=NA,那么mt(A|NA)=0;若mt(A)≥mt(NA),则D=A,那么mt(A|A)=1;同理可得mt-1(A|D),mt-2(A|D)。
为了加深步骤(4)中t=1,2,3时刻证据动态更新的过程的理解,这里举个例子加以解释,假设t=1,2,3时刻对应的每个时刻对应的报警证据如下表2所示。
表2 振动数据t时刻报警证据
t | m<sub>t</sub>=(m<sub>t</sub>(A),m<sub>t</sub>(NA)) |
1 | (0.1,0.9) |
2 | (0.3,0.7) |
3 | (0.57,0.43) |
根据步骤(4)计算3个时刻的全局报警证据:
当t=1时,根据步骤(4-1)可得m0:1=m1=(0.1,0.9)。
当t=2时,根据步骤(4-2)得到m2(NA)>m2(A),则D=NA,那么m2(A|NA)=0,m0:2(A)=τ2m0:1(A)+ξ2m2(A|D)=0.75×0.1+0.25×0=0.075,m0:2(NA)=0.925,从而得到m0:2=(0.075,0.925)。
当t=3时,根据步骤(4-3)得到m3(A)>m3(NA),则D=A,那么m3(A|A)=1,根据子步骤a)可以得到Sim(m0:1,m0:2)=0.975,Sim(m0:1,m3)=0.53,Sim(m0:2,m3)=0.505。再根据子步骤b)可以得到Sup(m0:2)=1.48,Sup(m0:1)=1.505,Sup(m3)=1.035。再根据子步骤c)可以得到ξ3=0.257,τ3=0.743,因此可以得到全局报警证据m0:3(A)=0.313,m0:3(NA)=0.687,从而得到m0:3=(0.313,0.687)。
(5)式(15)中和的具体确定步骤如下:
(5-1)当t≥4时,依据步骤(4-3)中的子步骤(4-3-1)提供的方法得到mt、mt-1和mt-2两两之间的相似度Sim(mt,mt-1)、Sim(mt,mt-2)和Sim(mt-1,mt-2)。
(5-2)依据步骤(4-3)中的子步骤(4-3-2)提供的方法分别得到mt、mt-1和mt-2相对于其他两个证据的支持程度Sup(mt)、Sup(mt-1)和Sup(mt-2)。
(5-3)在步骤(5-2)的基础上,和可以由式(16)-(18)所示
为了便于理解,这里举例说明和的确定:
假设t=1,2,3,4时刻对应的每个时刻对应的报警证据如下表3所示。
表3 振动数据t时刻报警证据
t | m<sub>t</sub>=(m<sub>t</sub>(A),m<sub>t</sub>(NA)) |
1 | (0.1,0.9) |
2 | (0.3,0.7) |
3 | (0.57,0.43) |
4 | (0.7,0.3) |
当t=4时,根据子步骤(5-1)可以得到Sim(m4,m3)=0.87,Sim(m4,m2)=0.6,Sim(m3,m2)=0.73,再根据子步骤(5-2)可以得到Sup(m4)=1.47,Sup(m3)=1.6,Sup(m2)=1.33,再根据子步骤(5-2)可以得到
(6)对于步骤(4)中式(15)的参数ξt,计算过程如下:
(6-1)依据步骤(4-3)中的子步骤(4-3-1)分别得到mt、mt-1、mt-2和m0:t-3两两之间的相似度分别为Sim(mt,mt-1)、Sim(mt,mt-2)、Sim(mt,m0:t-3)、Sim(mt-1,m0:t-3)、Sim(mt-1,mt-2)以及Sim(mt-2,m0:t-3)。
(6-2)依据步骤(4-3)中的子步骤(4-3-2)分别得到mt、mt-1、mt-2和m0:t-3对于其他两个证据的支持程度,分别为Sup(m0:t-3)、Sup(mt)、Sup(mt-1)以及Sup(mt-2)。
(6-3)构造关于ξt的信度推理模型,用于描述输入量Sup(m0:t-3)、Sup(mt-1)、Sup(mt-2)和Sup(mt)与输出量线性加权值ξt之间存在的复杂非线性关系,具体步骤如下:
(6-3-1)将输入变量Sup(m0:t-3)、Sup(mt)、Sup(mt-1)以及Sup(mt-2)记为fi(t)(i=1,2,3,4);设定ξt的参考值集合D={Dn|n=1,...,N},输入变量fi(t)的参考值集1<N<10为ξt的结果参考值个数,1<Ji<10为输入变量的参考值个数。
(6-3-2)给定如表4所示的信度矩阵表来描述输入fi(t)和输出ξt之间的关系,由表1中可知,当输入值fi(t)取参考值时,结果值ξt为参考值Dn的信度为 并有定义对应于参考值的信度为同时给定输入fi(t)的可靠度为ri,满足0≤ri≤1。
表4 输入fi(t)的信度矩阵表
(6-3-3)当获得输入样本f1(t)、f2(t)、f3(t)和f4(t)之后,根据信度矩阵表1和可靠度r1、r2、r3和r4,可利用证据推理规则推理出线性加权值的估计值具体步骤如下:
a)对于输入值fi(t),其必然落入某两个参考值构成的区间此时这两个参考值对应的信度和被激活,αi,j表示输入值fi(t)匹配参考值的相似度,αi,j+1表示输入值fi(t)匹配参考值的相似度,由式(19)所示:
则输入值fi(t)的信度可由和以加权和的形式获得:
ei={(Dn,pn,i),n=1,...,N} (20)
b)利用式(20)和式(21)获得f1(t)、f2(t)、f3(t)和f4(t)的信度e1、e2、e3和e4,给定ei的可靠度ri为1,设ei的证据权重初值wi=ri=1,利用证据推理规则对e1、e2、e3和e4进行融合,融合过程如下:
(a)首先对e1和e2进行融合,得到融合后的证据为
(b)将e1和e2融合后的概率证据设为e′2={(Dn,p′n,2),n=1,...,N},将其与e3进行融合,其中令e′2的证据权重w′2为1,可靠度r′2为1,得到融合后的概率证据为
(c)将e′2和e3融合后的概率证据设为e″2={(Dn,p″n,2),n=1,...,N},将其与e4进行融合,其中令e″2的证据权重w″2为1,可靠度r″2为1,作为最终的融合结果,即有:
O(f(t))={(Dn,p″n,2),n=1,...,N} (25)
(d)根据步骤(c)得到融合结果O(f(t)),线性加权值的估计值可由下式推理得到:
式(12)中线性加权值τt的估计值为
为了便于理解ξt的信度推理模型构造过程,这里举例加以说明,步骤如下:
假设当t=4时,f1(4)=0.6,f2(4)=1.6,f3(4)=2.6,f4(4)=2.9,ξt的参考值集合D={1,2,3,4},给定输入f1(t)、f2(t)、f3(t)和f4(t)的可靠度r1=r2=r3=r4=1,同时给定输入fi(t)的信度矩阵表如表5~表8所示:
表5 输入f1(t)的信度矩阵表
表6 输入f2(t)的信度矩阵表
表7 输入f3(t)的信度矩阵表
表8 输入f4(t)的信度矩阵表
根据步骤(6-3-3)子步骤a)可以得到f1(t)在与之间,f1(4)匹配参考值的相似度α1,1=0.4,f1(4)匹配参考值的相似度α1,2=0.6,激活证据和输入值f1(4)的信度e1={(0.1,0.13),(0.2,0.266),(0.3,0.36),(0.4,0.244)};f2(4)在与之间,f2(4)匹配参考值的相似度α2,2=0.4,f2(4)匹配参考值的相似度α2,3=0.6,激活证据和输入值f2(4)的信度e2={(0.1,0.242),(0.2,0.2),(0.3,0.32),(0.4,0.238)};f3(4)在与之间,f3(4)匹配参考值的相似度α1,1=0.4,f3(4)匹配参考值的相似度α1,2=0.6,激活证据和输入值f3(4)的信度e3={(0.1,0.284),(0.2,0.148),(0.3,0.17),(0.4,0.398)};f4(t)在与之间,f4(t)匹配参考值的相似度α1,1=0.1,f4(t)匹配参考值的相似度α1,2=0.9,激活证据和输入值f4(t)的信度e4={(0.1,0.374),(0.2,0.479),(0.3,0.045),(0.4,0.102)};令ei的证据权重初值wi=ri=1,根据子步骤(a)对e1和e2进行融合,得到融合后的概率证据p′n,2={0.122,0.206,0.447,0.225},再根据子步骤(b)得到融合后的概率证据p″n,2={0.150,0.132,0.330,0.388},再根据子步骤(d)得到最终融合后的概率证据p″′n,2={0.323,0.364,0.085,0.228},从而得到线性加权值的估计值线性加权值τt的估计值为
(7)基于Jousselme证据距离构建对信度矩阵表1中参数优化模型,具体步骤如下:
(7-1)确定优化参数集合
(7-2)将最小化Jousselme证据距离作为优化目标函数
s.t.0≤wi≤1,i=1,2,3,4 (28)
D2<D3<…<DN-1 (30)
其中L为采集的训练样本数量总数,m表示为设备所处的真实状态下的理想向量(010)或异常状态该下的理想向量(100),式(28)-(31)表示优化参数需满足的约束条件。
(8)利用基于梯度下降法方法或者非线性优化软件包,获得最优的参数集合P,从而得到优化后的输入fi(t)的信度矩阵表;从在线运行的推进电机传动轴上采集振动加速度信号,将其利用步骤(2)中式(1)进行处理,按照一定间隔选取阈值,再重复步骤(3)-(6),可得到全局报警证据m0:t=(m0:t(A),m0:t(NA));根据得到的t时刻的全局报警证据m0:t=(m0:t(A),m0:t(NA)),将m0:t转化为相应的pignistic概率如下:
其中,所以基于pignistic概率报警决策准则为:若则报警器发出报警,反之,不发出报警;得到在不同阈值下误报率和漏报率的平方和,误报率和漏报率的平方和最小所对应的阈值即为最优阈值。
为了便于理解,这里举例说明根据全局报警证据进行决策,报警结果如下表9。
表9 报警结果输出
以下结合附图,详细介绍本发明方法的实施例:
本发明方法的流程图如图1所示,核心部分是:从推进电机传动轴采集振动加速度信号;将传感器采集的数据进行特定的处理;采用直接门限法最小化误报率和漏报率的平方和求得最优阈值yotp,利用Sigmoid隶属度函数获取每一时刻的报警证据;利用多阶证据滤波对每时刻报警证据进行融合,构建信度推理模型描述多阶证据滤波公式中权重的复杂关系,给定输入与输出的信度矩阵表;利用证据推理规则融合输入样本向量激活的证据并从融合结果推理出多阶证据滤波公式中权重估计值;优化信度推理模型的参数;构建参数优化模型训练参考值及证据权重构成的参数集合,优化信度推理模型的参数集合,得到最优参数集合;在线采集数据,预处理后转化为每时刻报警证据,选取不同的阈值利用多阶证据滤波公式得到全局报警证据,进行报警决策,误报率和漏报率的平方和最小所对应的阈值为最优阈值。
以下结合ABB公司生产的船首侧推电机AMI450L6L,详细介绍本发明方法的各个步骤,通过实验数据在最优阈值的条件下,得到的误报率与漏报率要比在传统的方法上更加低。
1、实验数据的采集
侧推电机转速为1000转/分钟,采样频率为1280Hz,使用振动传感器在侧推电机传动轴上测得正常运行状态下得振动加速度1000组,异常运行状态下得振动加速度1000组。将这2000个数据组成排列成一段序列x(t),t=1,2,3,…,2000,如附图2所示。
2、求得最优阈值yotp
根据本发明方法步骤(2)得到处理后的变量序列y(t),t=1,2,3,…,2000,如附图3所示。采用直接门限法最小化误报率和漏报率的平方和求得最优阈值yotp=1.1324。利用Sigmoid隶属度函数构建正常状态NA、异常状态A的模糊隶属度函数μNA(y(t))、μA(y(t)),其中a=15。
3、获取每一时刻的报警证据mt=(mt(NA),mt(A))
根据本发明方法步骤(3),a=15,可以得到每时刻的报警证据。
4、前三个时刻全局报警证据的获取
根据本发明方法步骤(4)可以得到t=1,2,3时刻的全局报警证据。
5、和的确定
根据本发明方法步骤(5)可以得到t ≥4后每一步证据滤波的和值。
4、输入值fi(t)、结果ξt参考值的选取和初始信度矩阵表的构建
根据本发明方法步骤(6)设定输入变量f1的参考值集合A1={0,0.5,1,1.5,2,2.5,3},f2的参考值集合A2={0,0.5,1,1.5,2,2.5,3},f3的参考值集合A3={0,0.5,1,1.5,2,2.5,3},f4的参考值集合A4={0,0.5,1,1.5,2,2.5,3},ξt的参考值集合D={0,0.1,0.15,0.2,0.25,0.3 0.35},初始信度矩阵表如表10~表13所示,同时给定输入fi(t)的可靠度为ri=1。
表10 输入f1(t)的初始信度矩阵表
表11 输入f2(t)的初始信度矩阵表
表12 输入f3(t)的初始信度矩阵表
表13 输入f4(t)的初始信度矩阵表
根据本发明方法步骤(6-3-3)利用证据推理规则推理出线性加权值的估计值例如输入f1(2000)=2.2946,f2(2000)=2.2945,f3(2000)=2.2946,f4(2000)=0.9875,输入f1(t)以相似度α1,5=0.4109,α1,6=0.5891激活证据和输入f2(t)以相似度α2,5=0.4109,α2,6=0.5891激活证据和输入f3(t)以相似度α3,5=0.4109,α3,6=0.5891激活证据和输入f4(t)以相似度α4,2=0.0251,α4,3=0.9749激活证据和得到e1={(0,0.1372),(0.04,0.1382),(0.08,0.0899),(0.12,0.1125),(0.16,0.1790),(0.20,0.1740),(0.26,0.1692)},e2={(0,0.1793),(0.04,0.1130),(0.08,0.0945),(0.12,0.1166),(0.16,0.1841),(0.20,0.1594),(0.26,0.1531)},e3={(0,0.1891),(0.04,0.1185),(0.08,0.0993),(0.12,0.1091),(0.16,0.1807),(0.20,0.1554),(0.26,0.1479)},e4={(0,0.1784),(0.04,0.0866),(0.08,0.1937),(0.12,0.1347),(0.16,0.2171),(0.20,0.1136),(0.26,0.0759)},根据式(22)-(25),可以得到最终融合结果为:Of(t)={(0,2428),(0.04,0.0468),(0.08,0.0478),(0.12,0.0564),(0.16,0.3780),(0.20,0.1431),(0.26,0.0851)}。将上述融合结果代入(26)式,即可得线性加权值的估计值
5、根据本发明方法步骤(7)构建参数优化模型,可得优化后的信度矩阵表,分别如下表14~表17所示。
表14 输入f1(t)优化后的信度矩阵表
表15 输入f2(t)优化后的信度矩阵表
表16 输入f3(t)优化后的信度矩阵表
表17 输入f4(t)优化后的信度矩阵表
6、在线采集振动数据x(t),在振动数据x′(t)中,x′(1)到x′(500)和x′(1001)到x′(1500)这1000个采样数据处于正常的工作状态,x′(501)到x′(1000)和x′(1501)到x′(2000)这1000个采样数据处于异常的工作状态,如附图所示。将这两组共2000个采样数据排列成一段序列X(t),如附图4所示,前1000个是设备处于正常运行状态下的数据,后1000个是设备处于异常状态下的数据。根据本发明步骤(2)处理振动数据,得到Y(t),如附图5所示,按0.1的间隔选取不同的阈值利用多阶证据滤波公式得到全局报警证据,进行报警决策,误报率和漏报率的平方和最小所对应的最优阈值为1.0549,此时对应的误报率与漏报率是FAR=8.7%,MAR=6.8%。采用直接门限法最小化误报率和漏报率的平方和求得的误报率与漏报率FAR=33%,MAR=38.1%,此时最优阈值为1.1549,从最后的报警结果可以看出,本发明在最优阈值的下产生的误报率和漏报率都比传统的方法更加精确。
Claims (1)
1.一种基于证据滤波的电推船电机转轴不平衡故障检测方法,其特征在于该方法包括以下步骤:
(1)设定中压电推船舶推进电机传动轴不平衡故障报警器的辨识框架为Θ={NA,A},其中NA表示设备处于正常运行状态,A表示设备处于不平衡故障的异常运行状态亦即报警状态;
(2)设x为安装在推进电机传动轴上的振动传感器所检测的振动加速度变量,令x(t),t=1,2,3,…,是x在t时刻的采样值,利用式(1)对x(t)进行预处理,得到处理后的变量y及其采样值为:
定义yotp为最优阈值,记max(y)和min(y)分别是y的最大值和最小值,其中yotp∈[min(y),max(y)],采用直接门限法最小化误报率和漏报率的平方和求得最优阈值yotp;利用Sigmoid隶属度函数构建正常状态NA、异常状态A的模糊隶属度函数μNA(y(t))、μA(y(t)),如式(2)-(3)所示:
其中a∈[0.1,100]是一个可调参数;
(3)将y(t)分别带入步骤(2)关于正常状态NA、异常状态A的模糊隶属度函数μNA(y(t))、μA(y(t))中,即可得到报警证据mt(NA)、mt(A),分别如下(4)-(5)式所示:
mt(NA)=μNA(y(t))/(μA(y(t))+μNA(y(t))) (4)
mt(A)=μA(y(t))/(μA(y(t))+μNA(y(t))) (5)
那么,在每个采样时刻,能够获得报警证据mt=(mt(NA),mt(A)),其中mt(A)和mt(NA)表示x(t)支持“报警A”和“正常NA”这两个事件发生的程度;
(4)在步骤(3)的基础上得到了每一时刻的报警证据之后,利用证据的动态更新得到全局报警证据,记为m0:t=(m0:t(A),m0:t(NA)),具体步骤如下:
(4-1)当t=1时,因在t=1之前没有相关的证据信息,所以t=1时全局的报警证据是该时刻的报警证据即m0:1=(m1(A),m1(NA));
(4-2)当t=2时,利用t=1时刻的全局报警证据m0:1和t=2时刻的证据m2进行加权融合,得到t=2时刻的全局报警证据m0:2,具体用于计算的证据滤波公式如下
其中τ2=0.75表示对m0:1(A)的线性加权值,ξ2=0.25表示当前证据的加权值;若m2(NA)>m2(A),则D=NA,那么m2(A|NA)=0;若m2(A)≥m2(NA),则D=A,那么m2(A|A)=1;
(4-3)当t=3时利用t=2时刻的全局报警证据m0:2和t=3时刻的证据m3进行加权融合,得到t=3时刻的全局报警证据m0:3=(m0:3(A),m0:3(NA)),具体用于计算的证据滤波公式如下
若m3(NA)>m3(A),则D=NA,那么m3(A|NA)=0;若m3(A)≥m3(NA),则D=A,那么m3(A|A)=1;τ3表示对m0:2(A)的线性加权值,ξ3表示当前证据的加权值,τ3、ξ3的计算步骤如下:
(4-3-1)定义m0:1、m0:2两条证据之间的距离如式(8)所示:
其中,上标T表示求向量(m0:1-m0:2)的转置,那么m0:1和m0:2两条证据之间的相似度如式(9)所示:
Sim(m0:1,m0:2)=1-dJ(m0:1,m0:2) (9)
Sim(m0:1,m0:2)越大,两者越相似,同理可以计算出m3、m0:1和m0:2之间两两相似度分别为Sim(m0:1,m3)以及Sim(m0:2,m3);
(4-3-2)根据步骤(4-3-1)得到的相似度求出每个证据被其他两个证据支持的程度,分别为Sup(m0:2)、Sup(m0:1)以及Sup(m3),如下式(10)-(12)所示
Sup(m0:2)=Sim(m0:1,m0:2)+Sim(m0:2,m3) (10)
Sup(m0:1)=Sim(m0:1,m0:2)+Sim(m0:1,m3) (11)
Sup(m3)=Sim(m0:1,m3)+Sim(m0:2,m3) (12)
(4-3-3)在步骤(4-3-2)的基础上得到证据动态更新的权重因子τ3和ξ3,如下式(13)和(14)所示
τ3=1-ξ3 (14)
(4-4)当t≥4时,求取m0:t=(m0:t(A),m0:t(NA)),具体用于计算的证据滤波公式如下
其中τt+ξt=1,若mt(NA)>mt(A),则D=NA,那么mt(A|NA)=0;若mt(A)≥mt(NA),则D=A,那么mt(A|A)=1;同理可得mt-1(A|D),mt-2(A|D);
(5)式(15)中和的具体确定步骤如下:
(5-1)当t≥4时,依据步骤(4-3)中的子步骤(4-3-1)提供的方法得到mt、mt-1和mt-2两两之间的相似度Sim(mt,mt-1)、Sim(mt,mt-2)和Sim(mt-1,mt-2);
(5-2)依据步骤(4-3)中的子步骤(4-3-2)提供的方法分别得到mt、mt-1和mt-2相对于其他两个证据的支持程度Sup(mt)、Sup(mt-1)和Sup(mt-2);
(5-3)在步骤(5-2)的基础上,和可以由式(16)-(18)所示
(6)对于步骤(4)中式(15)的参数ξt,计算过程如下:
(6-1)依据步骤(4-3)中的子步骤(4-3-1)分别得到mt、mt-1、mt-2和m0:t-3两两之间的相似度分别为Sim(mt,mt-1)、Sim(mt,mt-2)、Sim(mt,m0:t-3)、Sim(mt-1,m0:t-3)、Sim(mt-1,mt-2)以及Sim(mt-2,m0:t-3);
(6-2)依据步骤(4-3)中的子步骤(4-3-2)分别得到mt、mt-1、mt-2和m0:t-3对于其他两个证据的支持程度,分别为Sup(m0:t-3)、Sup(mt)、Sup(mt-1)以及Sup(mt-2);
(6-3)构造关于ξt的信度推理模型,用于描述输入量Sup(m0:t-3)、Sup(mt-1)、Sup(mt-2)和Sup(mt)与输出量线性加权值ξt之间存在的复杂非线性关系,具体步骤如下:
(6-3-1)将输入变量Sup(m0:t-3)、Sup(mt)、Sup(mt-1)以及Sup(mt-2)记为fi(t)(i=1,2,3,4);设定ξt的参考值集合D={Dn|n=1,...,N},输入变量fi(t)的参考值集1<N<10为ξt的结果参考值个数,1<Ji<10为输入变量的参考值个数;
(6-3-2)给定如表1所示的信度矩阵表来描述输入fi(t)和输出ξt之间的关系,由表1中可知,当输入值fi(t)取参考值时,结果值ξt为参考值Dn的信度为 并有定义对应于参考值的信度为同时给定输入fi(t)的可靠度为ri,满足0≤ri≤1;
表1 输入fi(t)的信度矩阵表
(6-3-3)当获得输入样本f1(t)、f2(t)、f3(t)和f4(t)之后,根据信度矩阵表1和可靠度r1、r2、r3和r4,可利用证据推理规则推理出线性加权值的估计值具体步骤如下:
a)对于输入值fi(t),其必然落入某两个参考值构成的区间此时这两个参考值对应的信度和被激活,αi,j表示输入值fi(t)匹配参考值的相似度,αi,j+1表示输入值fi(t)匹配参考值的相似度,由式(19)所示
则输入值fi(t)的信度可由和以加权和的形式获得
ei={(Dn,pn,i),n=1,...,N} (20)
b)利用式(20)和式(21)获得f1(t)、f2(t)、f3(t)和f4(t)的信度e1、e2、e3和e4,给定ei的可靠度ri为1,设ei的证据权重初值wi=ri=1,利用证据推理规则对e1、e2、e3和e4进行融合,融合过程如下:
(a)首先对e1和e2进行融合,得到融合后的证据为
(b)将e1和e2融合后的概率证据设为e′2={(Dn,p′n,2),n=1,...,N},将其与e3进行融合,其中令e′2的证据权重w′2为1,可靠度r′2为1,得到融合后的概率证据为
(c)将e′2和e3融合后的概率证据设为e″2={(Dn,p″n,2),n=1,...,N},将其与e4进行融合,其中令e″2的证据权重w″2为1,可靠度r″2为1,作为最终的融合结果,即有:
O(f(t))={(Dn,p″′n,2),n=1,...,N} (25)
(d)根据步骤(c)得到融合结果O(f(t)),线性加权值的估计值可由下式推理得到
式(12)中线性加权值τt的估计值为
(7)基于Jousselme证据距离构建对信度矩阵表1中参数优化模型,具体步骤如下:
(7-1)确定优化参数集合
(7-2)将最小化Jousselme证据距离作为优化目标函数
s.t. 0≤wi≤1,i=1,2,3,4 (28)
D2<D3<…<DN-1 (30)
其中L为采集的训练样本数量总数,m表示为设备所处的真实状态下的理想向量(010)或异常状态该下的理想向量(100),式(28)-(31)表示优化参数需满足的约束条件;
(8)利用基于梯度下降法方法或者非线性优化软件包,获得最优的参数集合P,从而得到优化后的输入fi(t)的信度矩阵表;从在线运行的推进电机传动轴上采集振动加速度信号,将其利用步骤(2)中式(1)进行处理,按照一定间隔选取阈值,再重复步骤(3)-(6),可得到全局报警证据m0:t=(m0:t(A),m0:t(NA));根据得到的t时刻的全局报警证据m0:t=(m0:t(A),m0:t(NA)),将m0:t转化为相应的pignistic概率如下
其中,所以基于pignistic概率报警决策准则为:若则报警器发出报警,反之,不发出报警;得到在不同阈值下误报率和漏报率的平方和,误报率和漏报率的平方和最小所对应的阈值即为最优阈值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910070893.XA CN109765786B (zh) | 2019-01-25 | 2019-01-25 | 一种基于证据滤波的电推船电机转轴不平衡故障检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910070893.XA CN109765786B (zh) | 2019-01-25 | 2019-01-25 | 一种基于证据滤波的电推船电机转轴不平衡故障检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109765786A true CN109765786A (zh) | 2019-05-17 |
CN109765786B CN109765786B (zh) | 2022-03-01 |
Family
ID=66455384
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910070893.XA Active CN109765786B (zh) | 2019-01-25 | 2019-01-25 | 一种基于证据滤波的电推船电机转轴不平衡故障检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109765786B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110146279A (zh) * | 2019-05-21 | 2019-08-20 | 杭州电子科技大学 | 一种基于向量证据推理的船舶轴系不平衡故障诊断方法 |
CN114002949A (zh) * | 2020-07-28 | 2022-02-01 | 华为技术有限公司 | 基于人工智能的控制方法与控制装置 |
CN115112360A (zh) * | 2022-06-22 | 2022-09-27 | 南京智慧水运科技有限公司 | 一种基于信度更新与融合的船舵故障诊断方法 |
Citations (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE3414960A1 (de) * | 1983-04-21 | 1984-10-25 | Sony Corp., Tokio/Tokyo | Digitale datenrueckgewinnungsschaltung |
US4761703A (en) * | 1987-08-31 | 1988-08-02 | Electric Power Research Institute, Inc. | Rotor fault detector for induction motors |
JPH03100476A (ja) * | 1989-09-14 | 1991-04-25 | Hitachi Cable Ltd | リニアモータ用コイル通電回路の故障検出方法 |
EP1456684A2 (en) * | 2001-12-20 | 2004-09-15 | Honeywell International Inc. | Fault detection and exclusion for gps systems |
JP2009116420A (ja) * | 2007-11-02 | 2009-05-28 | Jfe Advantech Co Ltd | 回転機械装置の監視診断システム |
CN102662390A (zh) * | 2012-04-26 | 2012-09-12 | 杭州电子科技大学 | 一种随机模糊故障特征融合的旋转机械设备故障诊断方法 |
CN103617350A (zh) * | 2013-11-15 | 2014-03-05 | 杭州电子科技大学 | 一种基于诊断证据平滑更新的旋转机械设备故障诊断方法 |
US20140259143A1 (en) * | 2011-10-11 | 2014-09-11 | Zf Friedrichshafen Ag | Communication system for a motor vehicle |
CN105758450A (zh) * | 2015-12-23 | 2016-07-13 | 西安石油大学 | 基于多传感器应急机器人的消防预警感知系统构建方法 |
CN106525337A (zh) * | 2016-11-30 | 2017-03-22 | 北京中元瑞讯科技有限公司 | 基于在线数据的水轮发电机组磁拉力不平衡故障分析方法 |
CN206515445U (zh) * | 2016-11-22 | 2017-09-22 | 中国石油化工股份有限公司天然气榆济管道分公司 | 电机故障诊断系统 |
CN107368854A (zh) * | 2017-07-20 | 2017-11-21 | 华北电力大学(保定) | 一种基于改进证据理论的断路器故障诊断方法 |
CN108257365A (zh) * | 2018-01-29 | 2018-07-06 | 杭州电子科技大学 | 一种基于全局不确定性证据动态融合的工业报警器设计方法 |
CN108332970A (zh) * | 2017-11-17 | 2018-07-27 | 中国铁路总公司 | 一种基于ls-svm和d-s证据理论的轴承故障诊断方法 |
CN109115491A (zh) * | 2018-10-16 | 2019-01-01 | 杭州电子科技大学 | 一种电力推进船舶轴系推进系统机械故障诊断的证据融合方法 |
CN109145972A (zh) * | 2018-08-09 | 2019-01-04 | 杭州电子科技大学 | 一种船舶电力推进系统变频器报警器设计方法 |
-
2019
- 2019-01-25 CN CN201910070893.XA patent/CN109765786B/zh active Active
Patent Citations (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE3414960A1 (de) * | 1983-04-21 | 1984-10-25 | Sony Corp., Tokio/Tokyo | Digitale datenrueckgewinnungsschaltung |
US4761703A (en) * | 1987-08-31 | 1988-08-02 | Electric Power Research Institute, Inc. | Rotor fault detector for induction motors |
JPH03100476A (ja) * | 1989-09-14 | 1991-04-25 | Hitachi Cable Ltd | リニアモータ用コイル通電回路の故障検出方法 |
EP1456684A2 (en) * | 2001-12-20 | 2004-09-15 | Honeywell International Inc. | Fault detection and exclusion for gps systems |
JP2009116420A (ja) * | 2007-11-02 | 2009-05-28 | Jfe Advantech Co Ltd | 回転機械装置の監視診断システム |
US20140259143A1 (en) * | 2011-10-11 | 2014-09-11 | Zf Friedrichshafen Ag | Communication system for a motor vehicle |
CN102662390A (zh) * | 2012-04-26 | 2012-09-12 | 杭州电子科技大学 | 一种随机模糊故障特征融合的旋转机械设备故障诊断方法 |
CN103617350A (zh) * | 2013-11-15 | 2014-03-05 | 杭州电子科技大学 | 一种基于诊断证据平滑更新的旋转机械设备故障诊断方法 |
CN105758450A (zh) * | 2015-12-23 | 2016-07-13 | 西安石油大学 | 基于多传感器应急机器人的消防预警感知系统构建方法 |
CN206515445U (zh) * | 2016-11-22 | 2017-09-22 | 中国石油化工股份有限公司天然气榆济管道分公司 | 电机故障诊断系统 |
CN106525337A (zh) * | 2016-11-30 | 2017-03-22 | 北京中元瑞讯科技有限公司 | 基于在线数据的水轮发电机组磁拉力不平衡故障分析方法 |
CN107368854A (zh) * | 2017-07-20 | 2017-11-21 | 华北电力大学(保定) | 一种基于改进证据理论的断路器故障诊断方法 |
CN108332970A (zh) * | 2017-11-17 | 2018-07-27 | 中国铁路总公司 | 一种基于ls-svm和d-s证据理论的轴承故障诊断方法 |
CN108257365A (zh) * | 2018-01-29 | 2018-07-06 | 杭州电子科技大学 | 一种基于全局不确定性证据动态融合的工业报警器设计方法 |
CN109145972A (zh) * | 2018-08-09 | 2019-01-04 | 杭州电子科技大学 | 一种船舶电力推进系统变频器报警器设计方法 |
CN109115491A (zh) * | 2018-10-16 | 2019-01-01 | 杭州电子科技大学 | 一种电力推进船舶轴系推进系统机械故障诊断的证据融合方法 |
Non-Patent Citations (6)
Title |
---|
FENG LU 等: "A Novel Data Hierarchical Fusion Method for Gas Turbine Engine Performance Fault Diagnosis", 《ENERGIES》 * |
XIAOBIN XU 等: "Interval-valued Evidence Updating with Reliability and Sensitivity Analysis for Fault Diagnosis", 《INTERNATIONAL JOURNAL OF COMPUTATIONAL INTELLIGENCE SYSTEMS》 * |
吴文杰: "基于信息融合的航空发动机故障诊断方法", 《中国博士学位论文全文数据库工程科技Ⅱ辑》 * |
张文胜 等: "基于D-S证据理论的直流电机故障诊断研究", 《中国舰船研究》 * |
徐晓滨 等: "基于证据推理规则的信息融合故障诊断方法", 《控制理论与应用》 * |
王迎昌 等: "基于条件证据的信息融合故障诊断方法", 《杭州电子科技大学学报》 * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110146279A (zh) * | 2019-05-21 | 2019-08-20 | 杭州电子科技大学 | 一种基于向量证据推理的船舶轴系不平衡故障诊断方法 |
CN114002949A (zh) * | 2020-07-28 | 2022-02-01 | 华为技术有限公司 | 基于人工智能的控制方法与控制装置 |
CN114002949B (zh) * | 2020-07-28 | 2024-06-11 | 华为技术有限公司 | 基于人工智能的控制方法与控制装置 |
CN115112360A (zh) * | 2022-06-22 | 2022-09-27 | 南京智慧水运科技有限公司 | 一种基于信度更新与融合的船舵故障诊断方法 |
CN115112360B (zh) * | 2022-06-22 | 2024-04-16 | 南京智慧水运科技有限公司 | 一种基于信度更新与融合的船舵故障诊断方法 |
Also Published As
Publication number | Publication date |
---|---|
CN109765786B (zh) | 2022-03-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109765786B (zh) | 一种基于证据滤波的电推船电机转轴不平衡故障检测方法 | |
Liao et al. | Hydroelectric generating unit fault diagnosis using 1-D convolutional neural network and gated recurrent unit in small hydro | |
CN108376298A (zh) | 一种风电机组发电机温度故障预警诊断方法 | |
Han et al. | Motor fault diagnosis using CNN based deep learning algorithm considering motor rotating speed | |
CN114838936B (zh) | 变转速工况下样本不平衡的滚动轴承故障诊断方法及系统 | |
CN108869145B (zh) | 基于复合特征指标和深度极限学习机的泵站机组诊断方法 | |
Wang et al. | A light weight multisensory fusion model for induction motor fault diagnosis | |
Jiang et al. | Rolling bearing fault identification using multilayer deep learning convolutional neural network | |
Li | Exploring real-time fault detection of high-speed train traction motor based on machine learning and wavelet analysis | |
Zhao et al. | Fault diagnosis of control moment gyroscope based on a new CNN scheme using attention-enhanced convolutional block | |
CN117708574B (zh) | 一种嵌入物理信息的cnn变转速滚动轴承故障诊断方法 | |
CN115545070A (zh) | 基于综合平衡网络的类不平衡轴承智能诊断方法 | |
Gongora et al. | Neural approach for bearing fault detection in three phase induction motors | |
CN110597232A (zh) | 一种基于动态置信规则库的变频器冷却水泵故障报警方法 | |
CN114298110A (zh) | 基于可解释1dcnn模型的滚动轴承故障诊断方法及系统 | |
Li et al. | Rotating machinery monitoring and fault diagnosis with neural network enhanced fuzzy logic expert system | |
CN113269057B (zh) | 一种基于置信规则库推理的电机转子故障预测方法 | |
CN115825732A (zh) | 特征关联的永磁同步电机驱动系统开路故障智能诊断方法 | |
Eissa et al. | Improved fuzzy Luenberger observer-based fault detection for BLDC motor | |
Botros et al. | A demonstration of artificial neural-networks-based data mining for gas-turbine-driven compressor stations | |
Ayaz | A review study on mathematical methods for fault detection problems in induction motors | |
Wu et al. | Fault Diagnosis of Wind Turbine Vibration Based on Wavelet Transform And Neural Network. | |
Xue et al. | Induction Motor Failure Identification Based on Multiscale Acoustic Entropy Feature Selection and Hierarchical Adaptive Neuro-Fuzzy Inference System With Localized Recurrent Input | |
Lee et al. | Bearing fault diagnosis using fuzzy inference optimized by neural network and genetic algorithm | |
Wang et al. | Multi-scale convolutional neural network fault diagnosis based on attention mechanism |
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 |