CN110261771A - 一种基于传感器互补性分析的故障诊断方法 - Google Patents

Abstract

本发明公开了一种基于传感器互补性分析的故障诊断方法，包括以下步骤：步骤一、获取偏好关系矩阵；步骤二、获取传感器互补性向量；步骤三、融合多传感器检测数据得故障类型。本发明逻辑清晰、设计合理，根据故障诊断历史数据分析传感器互补性，基于传感器互补性构建多传感器故障诊断模型。从而在故障诊断时，综合考虑各类型传感器的优势，提升多传感器检测时故障诊断的精确性，对电机转子系统的故障诊断提供帮助。

Description

一种基于传感器互补性分析的故障诊断方法

技术领域

本发明属于故障诊断技术领域，具体涉及一种基于传感器互补性分析的故障诊断方法。

背景技术

随着各领域技术的快速发展，在实际应用中一些系统的功能日趋完善，其结构也变得更为复杂。然而系统出现故障时，对其进行故障原因分析的难度也随之增大。同时由于技术的成熟，大型系统的故障所带来的经济损失也愈加严重，其所影响的范围也更为广泛。因此对于系统的良好运行和维护来说，故障诊断极为重要，构建有效合理的故障诊断模型也十分必要。现已有许多研究提出了各种方法模型来解决不同系统环境中的故障诊断问题。同时多种理论也被应用于故障诊断领域，如模糊数学、证据理论、神经网络等。

证据理论是一种满足比贝叶斯更弱条件的不确定推理方法。证据理论常被用于处理不确定数据，其提供了有用的证据合成方法，能有效地融合多个证据源提供的不确定信息，因而被很好地应用于数据融合、目标识别及故障诊断等领域。

在对电机转子进行故障诊断时，常用转速传感器、振动位移传感器及振动加速度传感器等多种类型传感器对系统状态进行检测，因此在对电机转子故障预测和分析时需要融合多传感器数据。而对于不同的故障类型，根据检测数据所能获取的故障特征信息也因传感器而异。往往单一传感器对于不同故障有着不同的检测灵敏度，为了得到更好的故障诊断结果，需要综合各类型传感器的优势。因此在融合多传感器故障检测数据时，应对各传感器之间的互补性进行合理的分析，在此基础构建合理的模型，从而提升故障诊断精确性。然而如何构造有效的基于传感器互补性分析的故障诊断模型仍有待进一步研究。

发明内容

本发明所要解决的技术问题在于针对上述现有技术中的不足，提供了一种基于传感器互补性分析的故障诊断方法，其逻辑清晰、设计合理。根据各传感器检测结果的历史数据，分析针对不同故障类型时各传感器间的互补性。基于互补性分析结果，构建多传感器数据融合模型。该发明的算法模型在故障诊断时通过分析传感器间的互补性，进而综合考虑各类型传感器的优势，从而提升多传感器检测时电机转子故障诊断的精确性。

为解决上述技术问题，本发明采用的技术方案是：一种基于传感器互补性分析的故障诊断方法，其特征在于，包括以下步骤：

步骤一、获取偏好关系矩阵：

步骤101：获取各传感器故障诊断矩阵：

传感器种类有n种，记为X＝{x₁,x₂,…,x_i,…,x_n}，故障类型有h种，记为Y＝{y₁,y₂,…,y_j,…,y_h}；根据传感器电机转子故障诊断的历史案例数据，可以得到各传感器的故障诊断矩阵；传感器x_i的故障诊断矩阵R_i为：其中为传感器x_i将故障类型y_k判断成故障类型y_l的案例数量；

步骤102：获取传感器偏好关系矩阵：

从故障诊断矩阵R_i可以得到传感器x_i对于故障类型y_j的诊断情况 其中为对y_j正确诊断的案例数，为将y_j误诊断成其他故障类型的案例数，为将其他故障类型误诊断成y_j的案例数，则为除上述三种情况外的案例数；

传感器偏好关系用符号为＞表示，偏好关系表示对于故障类型y_j传感器x_k的故障诊断能力优于x_l的程度；偏好关系满足以下条件：传感器间偏好关系求解公式如下：

其中表示传感器x_k对故障y_j的诊断性能，I_j为故障类型y_j最优情况下的诊断矩阵，对于故障类型y_j，各传感器偏好关系矩阵为

步骤二、获取传感器互补性向量：由故障类型y_j的偏好关系矩阵P_j，用层次分析法计算故障类型y_j的互补性向量；先对P_j列向量归一化，再求行和归一化得各传感器权重， 为对于故障类型y_j传感器x_i的权重；故障类型y_j的互补性向量为

步骤三、融合多传感器检测数据得故障类型：

步骤301：构造概率矩阵：对于一个类型未知的故障，由各传感器诊断结果得到一组概率分布，构造概率矩阵Q：其中q_ij为传感器x_i诊断未知故障为y_j的概率；

步骤302：根据概率矩阵构造基本概率分配函数(Basic ProbabilityAssignment,BPA)：在辨识框架Y＝{y₁,y₂,...,y_j,…,y_h}上的BPA，m为2^Y→[0,1]的函数，其中2^Y为Y的幂集，m满足且 为空集，A为Y的子集；未知故障类型为y_j时，传感器x_i的后验BPA为 其中

步骤303：融合得后验基本概率分配函数m^j:由n组BPA，与故障类型y_j的互补性向量为加权平均得 再将融合n-1次得到未知故障类型为y_j时的后验BPA m^j：即式中共有n个进行融合；式中为BPA融合符号，两组BPA的融合公式：其中m₁和m₂为两组在辨识框架Y上待融合的BPA,为融合后的BPA，A、B为幂集2^Y中的元素；

步骤304：最终融合获得故障类型：将h组后验BPA mj^,j＝1,…,h进行融合得最终的BPA m：根据最终融合得到的BPA计算各种故障类型的概率：其中|A|为集合A的模值，即其中所含焦元个数,将概率最大的故障类型作为诊断结果。

本发明与现有技术相比具有以下优点：

1、本发明的逻辑清晰、设计合理，实现及使用操作方便。

2、本发明通过对电机转子故障诊断的历史数据进行分析，进而构建模型对传感器间的互补性进行分析描述，在互补性的基础上对故障类型进行诊断。通过考虑传感器间的互补性，从而提升故障诊断的准确性，对电机转子系统的故障诊断提供帮助。

下面通过附图和实施例，对本发明的技术方案做进一步的详细描述。

附图说明

图1为本发明的流程框图。

图2为传感器互补性分析示意图

图3为本发明故障诊断模型示意图。

具体实施方式

如图1所示，本发明包括互补性分析和故障诊断两部分。其中互补性部分根据电机转子故障诊断历史数据库得到故障诊断矩阵，再得到对于某一故障类型传感器偏好关系矩阵，进而计算对于此类故障各传感器间的互补性向量。基于互补性向量构建数据融合模型对某一未知故障进行诊断。该发明具体步骤如下：

步骤一、获取偏好关系矩阵：

步骤101：获取各传感器故障诊断矩阵：

在具体实施例中，电机转子系统检测传感器有3种，记为X＝{x₁,x₂,x₃}，分别对应转速传感器、振动传感器和振动加速度传感器；电机转子故障类型，记为Y＝{y₁,y₂,y₃}，分别为不平衡、不对中和支撑基座松动三种故障类型；根据电机转子传感器故障诊断的历史案例数据，可以得到各传感器的故障诊断矩阵；传感器x_i,i＝1,2,3的故障诊断矩阵R_i为：其中为传感器x_i将故障类型y_k判断成故障类型y_l的案例数量；

步骤102：获取传感器偏好关系矩阵：

从故障诊断矩阵R_i可以得到传感器x_i对于故障类型y_j的诊断情况 其中为对y_j正确诊断的案例数，为将y_j误诊断成其他故障类型的案例数，为将其他故障类型误诊断成y_j的案例数，则为除上述三种情况外的案例数；

传感器偏好关系用符号为＞表示，偏好关系表示对于故障类型y_j传感器x_k的故障诊断能力优于x_l的程度；偏好关系满足以下条件：

传感器间偏好关系求解公式如下：

其中表示传感器x_k对故障y_j的诊断性能，I_j为故障类型y_j最优情况下的诊断矩阵，对于故障类型y_j，各传感器偏好关系矩阵为

如图2所示，对于每个传感器都可根据历史数据得到相应的故障诊断矩阵；结合各传感器的故障诊断矩阵可以分析各传感器对于某类型故障的诊断效能，从而获得对于某类故障各传感器的偏好关系矩阵。在偏好关系基础上可以进一步得到传感器间互补性向量。

步骤二、获取传感器互补性向量：由故障类型y_j的偏好关系矩阵P_j，用层次分析法计算故障类型y_j的互补性向量；P_j求列向量归一化， 再求行和归一化得各传感器权重， 为对于故障类型y_j传感器x_i的权重；故障类型y_j的互补性向量为

步骤三、融合多传感器检测数据得故障类型：

图3为对于某一类型未知故障的诊断模型示意图。对于某一故障，各传感器可得关于故障类型的概率分布，从而构造概率矩阵。基于概率矩阵以及传感器互补性向量，可得故障类型为某一类型时的后验基本概率分配函数(Basic Probability Assignment,BPA)。最终融合3组后验BPA得到最终的基本概率分配函数，进而分析得故障类型。

步骤301：构造概率矩阵：对于一个类型未知的故障，由各传感器诊断结果得到一组概率分布，构造概率矩阵Q：其中qi_j为传感器x_i诊断未知故障为y_j的概率；

步骤302：根据概率矩阵构造基本概率分配函数：在辨识框架Y＝{y₁,y₂,y₃}上的BPA m为2^Y→[0,1]的函数，其中2^Y为Y的幂集，m满足且 为空集，A为Y的子集；未知故障类型为y_j时，传感器x_i的后验BPA为其中为除y_j外其他两种故障类型组成的集合；

步骤303：融合得后验BPA m^j:由n组BPA与故障类型y_j的互补性向量加权平均得 再将融合2次得到未知故障类型为y_j时的后验BPA m^j：式中为BPA融合符号，两组BPA的融合公式：其中m₁和m₂为两组在辨识框架Y上待融合的BPA,为融合后的BPA，A、B为幂集2^Y中的元素；

步骤304：最终融合获得故障类型：将3组后验BPA m^j j＝1,2,3进行融合得最终的BPA m：根据最终融合得到的BPA计算各种故障类型的概率：其中|A|为集合A的模值，即其中所含焦元个数。将概率最大的故障类型作为诊断结果。

在用多传感器进行故障诊断分析时，考虑了传感器间的互补性。基于传感器互补性的分析，从而提升故障诊断的精确性，进而对实际系统的故障诊断提供帮助。

以上所述，仅是本发明的实施例，并非对本发明作任何限制，凡是根据本发明技术实质对以上实施例所作的任何简单修改、变更以及等效结构变化，均仍属于本发明技术方案的保护范围内。

Claims (1)

1.一种基于传感器互补性分析的故障诊断方法，其特征在于，包括以下步骤：

步骤一、获取偏好关系矩阵：

步骤101：获取各传感器故障诊断矩阵：

传感器种类有n种，记为X＝{x₁,x₂,…,x_i,…,x_n}，故障类型有h种，记为Y＝{y₁,y₂,…,y_j,…,y_h}；根据传感器电机转子故障诊断的历史案例数据，可以得到各传感器的故障诊断矩阵；传感器x_i的故障诊断矩阵R_i为：其中为传感器x_i将故障类型y_k判断成故障类型y_l的案例数量；

步骤102：获取传感器偏好关系矩阵：

从故障诊断矩阵R_i可以得到传感器x_i对于故障类型y_j的诊断情况 其中为对y_j正确诊断的案例数，为将yj误诊断成其他故障类型的案例数，为将其他故障类型误诊断成y_j的案例数，则为除上述三种情况外的案例数；

传感器偏好关系用符号为＞表示，偏好关系表示对于故障类型y_j传感器x_k的故障诊断能力优于x_l的程度；偏好关系满足以下条件： 传感器间偏好关系求解公式如下：

其中表示传感器x_k对故障y_j的诊断性能，I_j为故障类型y_j最优情况下的诊断矩阵，对于故障类型y_j，各传感器偏好关系矩阵为

步骤二、获取传感器互补性向量：由故障类型y_j的偏好关系矩阵P_j，用层次分析法计算故障类型y_j的互补性向量；先对P_j列向量归一化，再求行和归一化得各传感器权重， 为对于故障类型yj传感器x_i的权重；故障类型y_j的互补性向量为

步骤三、融合多传感器检测数据得故障类型：

步骤301：构造概率矩阵：对于一个类型未知的故障，由各传感器诊断结果得到一组概率分布，构造概率矩阵Q：为传感器x_i诊断未知故障为y_j的概率；

步骤302：根据概率矩阵构造基本概率分配函数(Basic Probability Assignment,BPA)：在辨识框架Y＝{y₁,y₂,…,y_j,…,y_h}上的BPA，m为2^Y→[0,1]的函数，其中2^Y为Y的幂集，m满足且 为空集，A为Y的子集；未知故障类型为y_j时，传感器x_i的后验BPA为 其中

步骤303：融合得后验基本概率分配函数m^j:由n组BPA，与故障类型y_j的互补性向量为加权平均得 再将融合n-1次得到未知故障类型为y_j时的后验BPA m^j：即式中共有n个进行融合；式中为BPA融合符号，两组BPA的融合公式：

其中m₁和m₂为两组在辨识框架Y上待融合的BPA,为融合后的BPA，A、B为幂集2^Y中的元素；

步骤304：最终融合获得故障类型：将h组后验BPA m^j,j＝1,…,h进行融合得最终的BPAm：根据最终融合得到的BPA计算各种故障类型的概率：其中|A|为集合A的模值，即其中所含焦元个数,将概率最大的故障类型作为诊断结果。