CN110059413B - 一种故障诊断方法 - Google Patents
一种故障诊断方法 Download PDFInfo
- Publication number
- CN110059413B CN110059413B CN201910321411.3A CN201910321411A CN110059413B CN 110059413 B CN110059413 B CN 110059413B CN 201910321411 A CN201910321411 A CN 201910321411A CN 110059413 B CN110059413 B CN 110059413B
- Authority
- CN
- China
- Prior art keywords
- fault
- value
- sample data
- attribute
- faults
- 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.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N7/00—Computing arrangements based on specific mathematical models
- G06N7/01—Probabilistic graphical models, e.g. probabilistic networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N7/00—Computing arrangements based on specific mathematical models
- G06N7/02—Computing arrangements based on specific mathematical models using fuzzy logic
- G06N7/023—Learning or tuning the parameters of a fuzzy system
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Software Systems (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Computing Systems (AREA)
- Computational Mathematics (AREA)
- Artificial Intelligence (AREA)
- Algebra (AREA)
- Fuzzy Systems (AREA)
- Automation & Control Theory (AREA)
- Geometry (AREA)
- Computer Hardware Design (AREA)
- Probability & Statistics with Applications (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Testing And Monitoring For Control Systems (AREA)
- Test And Diagnosis Of Digital Computers (AREA)
Abstract
本发明提供的一种故障诊断方法,所述方法包括:输入故障样本数据;根据所述故障样本数据的属性和故障建立高斯模糊数模型;输入待测样本数据;利用单值中智集生成规则,根据高斯模糊数模型和待测样本数据,生成各种属性和各种故障的中智集;对不同属性且同种故障的中智集融合;利用Topsis方法将各种故障的中智集转换为可比较大小的关联值;根据每种故障的关联值,对判断设备故障种类。
Description
技术领域
本发明涉及故障诊断领域,是一种基于中智集实现故障诊断的方法。
背景技术
故障诊断技术是一门紧密结合生产实际的工程科学,是现代化生产发展的产物。故障诊断技术就是在设备运行中或基本不拆卸设备的情况下,掌握设备的运行状况,根据对被诊断对象测试所取得的有用信息进行分析处理,判断被诊断对象的状态是否处于异常状态或故障状态。
信息融合技术是协同利用多源信息,以获得对事物或目标更客观、更本质认识的信息综合处理技术,是智能科学研究的关键技术之一。在诸多的融合模型和方法中,D-S证据理论算法是最为有效的算法之一。证据理论把概率论中的基本事件空间拓宽为基本事件的幂集,又称为辨识框架,在辨识框架上建立了基本概率分配函数(Basic ProbabilityAssignment,BPA)。此外,证据理论还提供了一个Dempster组合规则,该规则可以在没有先验信息的情况下实现证据的融合。特别地,当BPA只在辨识框架的单子集命题上进行分配时,BPA就转换为概率论中的概率,而组合规则的融合结果与概率论中的Bayes公式相同。从这个角度来看,DS证据理论能够比概率论更有效地表示和处理不确定信息,这些特点使其在信息融合领域得到了广泛的应用。正是由于DS证据理论在不确定知识表示方面具有优良的性能,所以近几年其理论和应用发展较快,该理论在多传感器信息融合、医学诊断、军事指挥、目标识别方面发挥了重要作用。
证据理论有诸多优点,将其应用在故障诊断中可以较好的处理出现在设备传感器信号中的不确定信息。
发明内容
随着现代设备的结构越来越复杂,功能也越来越完善,自动化程度越来越高,由于许多无法避免的因素影响,会导致设备出现各种故障,从而降低或失去预定的功能,甚至会造成严重的乃至灾难性的事故。本发明提出一种基于中智集的故障诊断方法,实现在设备监测传感器信号不确定性情况下的综合故障诊断,为实现设备的自主健康管理提供支撑,提高设备运行的可靠性和安全性。
第一方面,本申请提出了一种故障诊断方法,所述方法包括:
输入故障样本数据;
根据所述故障样本数据的属性和故障建立高斯模糊数模型;
输入待测样本数据;
利用单值中智集生成规则,根据高斯模糊数模型和待测样本数据,生成各种属性和各种故障的中智集;
对不同属性且同种故障的中智集融合;
利用Topsis方法将各种故障的中智集转换为可比较大小的关联值;
根据每种故障的关联值,对判断设备故障种类。
可选的,所述输入故障样本,具体包括:
输入n种故障、k种属性的故障样本数据Dij(i=1,2,…,n,j=1,2,…,k)。
可选的,对所述故障样本数据建立高斯模糊数模型,具体包括:
将样本数据Dij的均值和标准差分别作为故障Fi属性j高斯模糊数模型的均值和标准差。
可选的,所述输入待测样本数据,具体包括:
输入待测设备属性j下的待测样本数据Tj,所述待测样本与每一故障的相关程度可用中智集进行表示,属性j下故障i的中智集具体表示为Aij=[T(x),I(x),F(x)],(i=1,2,…,n,j=1,2,…,k),
其中,T(x)表示对事件x的信任程度,I(x)表示对于事件x的不确定度,F(x)表示对于事件x的否定程度,三者的取值范围满足T(x),I(x),F(x)∈[0,1]。
可选的,利用单值中智集生成规则根据高斯模糊数模型和待测样本数据,生成每种故障每种属性的中智集,具体包括:
待测样本数据可表示为一条垂直于x轴的直线,在属性j下待测样本与n种故障的高斯模糊数有n个交点,交点的y轴值的大小为故障T(x)的大小,F(x)的大小可以表示为F(x)=1-T(x),I(x)大小为除与该故障交点以外的交点的最大值。
可选的,对不同属性且同种故障的中智集融合,具体包括:
将不同属性的相同故障的中智集相加求平均,即
可选的,所述利用Topsis方法将n种故障的中智集转换为可比较大小的关联值,具体包括:
通过公式将n种故障的中智集转换为可比较大小的数值,D(x)的大小表明了对事件x本次发生与该事件一定发生的关联度,D(x)∈[0,1],D(x)值越小表明x本次发生的概率大,D(x)值越大表明事件x本次发生的概率较小,通过转换共得到n个数值。
可选的,根据每种故障的关联值对设备具体属于某种故障做出判断,具体包括:
根据每种故障的关联值对设备具体属于某种故障做出判断,故障关联值越小的本次发生的概率大,因而做出设备的故障诊断。
本发明对各故障属性建立高斯模糊模型,根据待测模型与故障模型间交点生成单值中智集,将各属性下生成的中智集融合实现故障诊断。本发明采用中智集与高斯糊数相结合实现故障诊断,具有计算简单、故障识别率高的优点;本发明提出一种合理有效的中智集生成方法,很好地对不确定信息进行了描述,增强了故障诊断的准确性;本发明将中智集TO PSIS的思想用于故障诊断中,将中智集转换为可比较大小的数值,使故障诊断的决策结果更加准确。
附图说明
图1为本发明实施例提供的总流程图;
图2为本发明实施例提供的故障E3测试样本与故障E1训练样本高斯曲线相交图;
图3为本发明实施例提供的故障E3测试样本与故障E2训练样本高斯曲线相交图;
图4为本发明实施例提供的故障E3测试样本与故障E3训练样本高斯曲线相交图;
图5为本发明实施例提供的故障E3测试样本与故障E4训练样本高斯曲线相交图。
具体实施方式
实施例一
为了实现故障诊断,本发明基于中智集,提供一种故障诊断的方法。使用该方法实现的故障诊断能够较好的处理设备传感器信号中的不确定信息,准确地对设备故障做出诊断。
本发明解决其技术问题所采用的技术方案包括如下步骤:
步骤一:输入n种故障(记为E1,E2,...,En)k种属性的故障样本数据Dij(i=1,2,…,n,j=1,2,…,k),对每种故障、每种属性建立高斯模糊数模型,所述高斯模糊数模型建立的方法为:将故障Fi(i=1,2,…,n)属性j样本数据Dij的均值aveDij和标准差sdDij分别作为故障Fi属性j高斯模糊数模型的均值和标准差;
步骤二:输入待测设备属性j下的待测样本数据Tj,该待测样本与每一故障的相关程度可用中智集进行表示,其中本发明使用的是单值中智集,属性j下故障i的中智集具体表示为Aij=[T(x),I(x),F(x)],(i=1,2,…,n,j=1,2,…,k),T(x)表示对事件x的信任程度,I(x)表示对于事件x的不确定度,F(x)表示对于事件x的否定程度,三者的取值范围满足T(x),I(x),F(x)∈[0,1];
单值中智集生成规则为:待测样本在图中表示为一条垂直于x轴的直线,在属性j下待测样本均会与n种故障的高斯模糊数有n个交点,交点的y轴值的大小为该故障T(x)的大小,F(x)的大小可以表示为F(x)=1-T(x),I(x)大小为除与该故障交点以外的交点的最大值;
步骤三:将不同属性的相同故障的中智集进行融合,融合方法为相加求平均,即
步骤四:利用Topsis方法将n种故障的中智集转换为可比较大小的数值,其中Topsis方法通过公式实现,D(x)的大小表明了对事件x本次发生与该事件一定发生的关联度,D(x)∈[0,1],其值越小表明x本次发生的概率大,其值越大表明事件x本次发生的概率较小,通过转换共得到n个数值;
步骤五:依据步骤四得到的每种故障的关联值对设备具体属于某种故障做出判断,故障关联值越小的本次发生的概率大,因而做出设备的故障诊断。
本发明的有益效果在于本发明采用中智集与高斯模糊数相结合实现故障诊断,具有计算简单,故障识别率高的优点;本发明提出一种合理有效的中智集生成方法,很好的对不确定信息进行了描述,增强了故障诊断的准确性;本发明将中智集TOPSIS的思想用于故障诊断中,将中智集转换为可比较大小的数值,使故障诊断的决策结果更加准确。
综上所述,本发明对各故障属性建立高斯模糊模型,根据待测模型与故障模型间交点生成单值中智集,将各属性下生成的中智集融合实现故障诊断。本发明采用中智集与高斯糊数相结合实现故障诊断,具有计算简单、故障识别率高的优点;本发明提出一种合理有效的中智集生成方法,很好地对不确定信息进行了描述,增强了故障诊断的准确性;本发明将中智集TOPSIS的思想用于故障诊断中,将中智集转换为可比较大小的数值,使故障诊断的决策结果更加准确。
实施例二
此处给出电机转子故障诊断的实例,实验数据来自[1]。[1]中共设置了三种故障(此处用E1,E2,E3表示),每种故障有四种属性数据,各包含五组数据,每组40个观测值。选取故障E3四个属性余下的一组数据(未被选为训练样本的数据)作为测试样本,对照图1说明所提出的故障诊断方法的实施步骤。
步骤一:输入三种故障(记为E1,E2,E3)四种属性的故障样本数据Dij(i=1,2,3,j=1,2,3,4),对每种故障、每种属性建立高斯模糊数模型,所述高斯模糊数模型建立的方法为:将故障Ei(i=1,2,3)属性j样本数据Dij的均值aveDij和标准差sdDij分别作为故障Fi属性j高斯模糊数模型的均值和标准差;
步骤二:输入待测设备4种属性待测样本数据Tj(j=1,2,3,4),该待测样本与每一故障的相关程度可用中智集进行表示,其中本发明使用的是单值中智集,属性j下故障i的中智集具体表示为Aij=[T(x),I(x),F(x)],(i=1,2,3,j=1,2,3,4);
单值中智集生成规则为:待测样本在图中表示为一条垂直于x轴的直线,在四种属性下待测样本均会与3种故障的高斯模糊数有3个交点,如图2,3,4所示,交点的y轴值的大小为该故障T(x)的大小,F(x)的大小可以表示为F(x)=1-T(x),I(x)大小为除与该故障交点以外的交点的最大值,可得到的单值中智集如下表所示:
步骤三:将不同属性的相同故障的中智集进行融合,融合方法为相加求平均,即
步骤五:依据步骤四得到的每种故障的关联值对设备具体属于某种故障做出判断,故障关联值越小的本次发生的概率大,D3(x)>D1(x)>D2(x),通过本方法判断出的故障为E3,与真实故障类型一致。
Claims (4)
1.一种故障诊断方法,其特征在于,所述方法包括:
输入故障样本数据;
根据所述故障样本数据的属性和故障建立高斯模糊数模型;
输入待测样本数据;
利用单值中智集生成规则,根据高斯模糊数模型和待测样本数据,生成各种属性和各种故障的中智集;
对不同属性且同种故障的中智集融合;
利用Topsis方法将各种故障的中智集转换为可比较大小的关联值;
根据每种故障的关联值,对判断设备故障种类;
对所述故障样本数据建立高斯模糊数模型,具体包括:
将样本数据Dij的均值和标准差分别作为故障Fi属性j高斯模糊数模型的均值和标准差;
所述输入待测样本数据,具体包括:
输入待测设备属性j下的待测样本数据Tj,所述待测样本与每一故障的相关程度可用中智集进行表示,属性j下故障i的中智集具体表示为Aij=[T(x),I(x),F(x)],(i=1,2,…,n,j=1,2,…,k),
其中,T(x)表示对事件x的信任程度,I(x)表示对于事件x的不确定度,F(x)表示对于事件x的否定程度,三者的取值范围满足T(x),I(x),F(x)∈[0,1];
利用单值中智集生成规则根据高斯模糊数模型和待测样本数据,生成每种故障每种属性的中智集,具体包括:
待测样本数据可表示为一条垂直于x轴的直线,在属性j下待测样本与n种故障的高斯模糊数有n个交点,交点的y轴值的大小为故障T(x)的大小,F(x)的大小可以表示为F(x)=1-T(x),I(x)大小为除与该故障交点以外的交点的最大值;
对不同属性且同种故障的中智集融合,具体包括:
将不同属性的相同故障的中智集相加求平均,即
2.根据权利要求1所述的方法,其特征在于,所述输入故障样本,具体包括:
输入n种故障、k种属性的故障样本数据Dij(i=1,2,…,n,j=1,2,…,k)。
4.根据权利要求3所述的方法,其特征在于:根据每种故障的关联值对设备具体属于某种故障做出判断,具体包括:
根据每种故障的关联值对设备具体属于某种故障做出判断,故障关联值越小的本次发生的概率大,因而做出设备的故障诊断。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910321411.3A CN110059413B (zh) | 2019-04-19 | 2019-04-19 | 一种故障诊断方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910321411.3A CN110059413B (zh) | 2019-04-19 | 2019-04-19 | 一种故障诊断方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110059413A CN110059413A (zh) | 2019-07-26 |
CN110059413B true CN110059413B (zh) | 2022-11-15 |
Family
ID=67319928
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910321411.3A Active CN110059413B (zh) | 2019-04-19 | 2019-04-19 | 一种故障诊断方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110059413B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111506994B (zh) * | 2020-04-14 | 2022-02-25 | 西北工业大学 | 一种基于中智集的电机转子故障诊断方法 |
CN111506045B (zh) * | 2020-04-24 | 2022-03-01 | 西北工业大学 | 一种基于单值中智集相关系数的故障诊断方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2017024692A1 (zh) * | 2015-08-07 | 2017-02-16 | 合肥工业大学 | 一种单测量节点模拟电路故障诊断方法 |
CN108398939A (zh) * | 2018-03-01 | 2018-08-14 | 西北工业大学 | 一种基于ds证据理论的故障诊断方法 |
CN108492313A (zh) * | 2018-02-05 | 2018-09-04 | 绍兴文理学院 | 一种基于中智相似度量的尺度自适应视觉目标跟踪方法 |
CN108520266A (zh) * | 2018-03-01 | 2018-09-11 | 西北工业大学 | 一种基于ds证据理论的时域融合故障诊断方法 |
-
2019
- 2019-04-19 CN CN201910321411.3A patent/CN110059413B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2017024692A1 (zh) * | 2015-08-07 | 2017-02-16 | 合肥工业大学 | 一种单测量节点模拟电路故障诊断方法 |
CN108492313A (zh) * | 2018-02-05 | 2018-09-04 | 绍兴文理学院 | 一种基于中智相似度量的尺度自适应视觉目标跟踪方法 |
CN108398939A (zh) * | 2018-03-01 | 2018-08-14 | 西北工业大学 | 一种基于ds证据理论的故障诊断方法 |
CN108520266A (zh) * | 2018-03-01 | 2018-09-11 | 西北工业大学 | 一种基于ds证据理论的时域融合故障诊断方法 |
Non-Patent Citations (1)
Title |
---|
基于单值中智粗糙集的汽轮机故障诊断;宋栋;《煤矿机电》;20170412(第02期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN110059413A (zh) | 2019-07-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108398939B (zh) | 一种基于ds证据理论的故障诊断方法 | |
CN113556258B (zh) | 一种异常检测方法及装置 | |
JP7116103B2 (ja) | 光モジュールの故障を予測するための方法、装置、およびデバイス | |
CN108520266B (zh) | 一种基于ds证据理论的时域融合故障诊断方法 | |
CN106950945B (zh) | 一种基于量纲可变型独立元分析模型的故障检测方法 | |
CN108446458B (zh) | 一种基于ds证据理论的加权融合电机转子故障诊断方法 | |
CN110059413B (zh) | 一种故障诊断方法 | |
CN110261771B (zh) | 一种基于传感器互补性分析的故障诊断方法 | |
CN114239855B (zh) | 分析异常诊断信息的方法、装置、介质和计算设备 | |
CN111931601A (zh) | 齿轮箱错误类别标签修正系统及方法 | |
CN111949480A (zh) | 一种基于组件感知的日志异常检测方法 | |
CN113295421B (zh) | 基于改进冲突系数和信度熵的发动机故障诊断方法 | |
CN112734977B (zh) | 一种基于物联网的设备风险预警系统及算法 | |
CN112285484B (zh) | 基于深度神经网络的电力系统故障诊断信息融合方法及装置 | |
CN111031042A (zh) | 一种基于改进d-s证据理论的网络异常检测方法 | |
CN109446629A (zh) | 一种基于概率图模型的工业过程报警根源识别方法 | |
CN113449412B (zh) | 基于K-means聚类和综合相关度的故障诊断方法 | |
CN112083707A (zh) | 一种工控物理信号的处理方法及控制器、处理系统 | |
CN113205215A (zh) | 一种基于知识的战场态势预测方法 | |
Ma et al. | Bayesian two-stage sequential change diagnosis via multi-sensor array | |
CN111980900B (zh) | 一种基于多源数据融合分析的水泵故障诊断方法 | |
Zhao et al. | Health indicator selection and health assessment of rolling element bearing | |
CN109886292B (zh) | 一种基于异常关联图的异常原因诊断方法 | |
CN111506994B (zh) | 一种基于中智集的电机转子故障诊断方法 | |
CN110598768B (zh) | 一种齿轮故障分类方法、分类装置及可读存储介质 |
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 |