CN111982174A - 一种力磁声三场数据融合工业设备损伤识别方法 - Google Patents
一种力磁声三场数据融合工业设备损伤识别方法 Download PDFInfo
- Publication number
- CN111982174A CN111982174A CN201910432648.9A CN201910432648A CN111982174A CN 111982174 A CN111982174 A CN 111982174A CN 201910432648 A CN201910432648 A CN 201910432648A CN 111982174 A CN111982174 A CN 111982174A
- Authority
- CN
- China
- Prior art keywords
- field
- force
- magnetic
- probability
- sound
- 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.)
- Pending
Links
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01D—MEASURING NOT SPECIALLY ADAPTED FOR A SPECIFIC VARIABLE; ARRANGEMENTS FOR MEASURING TWO OR MORE VARIABLES NOT COVERED IN A SINGLE OTHER SUBCLASS; TARIFF METERING APPARATUS; MEASURING OR TESTING NOT OTHERWISE PROVIDED FOR
- G01D5/00—Mechanical means for transferring the output of a sensing member; Means for converting the output of a sensing member to another variable where the form or nature of the sensing member does not constrain the means for converting; Transducers not specially adapted for a specific variable
- G01D5/54—Mechanical means for transferring the output of a sensing member; Means for converting the output of a sensing member to another variable where the form or nature of the sensing member does not constrain the means for converting; Transducers not specially adapted for a specific variable using means specified in two or more of groups G01D5/02, G01D5/12, G01D5/26, G01D5/42, and G01D5/48
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01D—MEASURING NOT SPECIALLY ADAPTED FOR A SPECIFIC VARIABLE; ARRANGEMENTS FOR MEASURING TWO OR MORE VARIABLES NOT COVERED IN A SINGLE OTHER SUBCLASS; TARIFF METERING APPARATUS; MEASURING OR TESTING NOT OTHERWISE PROVIDED FOR
- G01D5/00—Mechanical means for transferring the output of a sensing member; Means for converting the output of a sensing member to another variable where the form or nature of the sensing member does not constrain the means for converting; Transducers not specially adapted for a specific variable
- G01D5/54—Mechanical means for transferring the output of a sensing member; Means for converting the output of a sensing member to another variable where the form or nature of the sensing member does not constrain the means for converting; Transducers not specially adapted for a specific variable using means specified in two or more of groups G01D5/02, G01D5/12, G01D5/26, G01D5/42, and G01D5/48
- G01D5/56—Mechanical means for transferring the output of a sensing member; Means for converting the output of a sensing member to another variable where the form or nature of the sensing member does not constrain the means for converting; Transducers not specially adapted for a specific variable using means specified in two or more of groups G01D5/02, G01D5/12, G01D5/26, G01D5/42, and G01D5/48 using electric or magnetic means
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01D—MEASURING NOT SPECIALLY ADAPTED FOR A SPECIFIC VARIABLE; ARRANGEMENTS FOR MEASURING TWO OR MORE VARIABLES NOT COVERED IN A SINGLE OTHER SUBCLASS; TARIFF METERING APPARATUS; MEASURING OR TESTING NOT OTHERWISE PROVIDED FOR
- G01D5/00—Mechanical means for transferring the output of a sensing member; Means for converting the output of a sensing member to another variable where the form or nature of the sensing member does not constrain the means for converting; Transducers not specially adapted for a specific variable
- G01D5/54—Mechanical means for transferring the output of a sensing member; Means for converting the output of a sensing member to another variable where the form or nature of the sensing member does not constrain the means for converting; Transducers not specially adapted for a specific variable using means specified in two or more of groups G01D5/02, G01D5/12, G01D5/26, G01D5/42, and G01D5/48
- G01D5/62—Mechanical means for transferring the output of a sensing member; Means for converting the output of a sensing member to another variable where the form or nature of the sensing member does not constrain the means for converting; Transducers not specially adapted for a specific variable using means specified in two or more of groups G01D5/02, G01D5/12, G01D5/26, G01D5/42, and G01D5/48 using wave or particle radiation means not covered by group G01D5/58
Abstract
本发明涉及一种力磁声三场数据融合工业设备损伤识别方法,采集工业设备正常工况下的力磁声三场数据,并对采集到的力磁声三场数据进行归一化处理,对处理后的力磁声三场数据进行奇异值分解,计算相应的奇异值矩阵以及负荷向量,并且利用F‑分布计算得到工业设备的统计量阈值;对待检测的力磁声三场样本观测值,根据奇异值矩阵以及负荷向量,分别计算待检测的力磁声三场样本观测值的T2统计量,并转化为损伤存在的条件概率;将损伤存在的条件概率利用贝叶斯推理的方法进行融合,得到工业设备损伤识别结果。本发明能够实现多场数据融合,降低了单场数据对损伤识别的误差,提高了损伤识别的效果。
Description
技术领域
本发明涉及工业设备损伤识别领域,具体地说是一种力磁声三场数据融合工业设备损伤识别方法。
背景技术
工业过程是国家经济发展、科技进步的基础,工业设备的安全可靠运行,能够减少经济损失,保障操作人员安全。因此,工业设备的损伤识别被广泛研究。目前,工业设备损伤识别主要是基于一种类型的数据,例如,起重机的损伤识别主要基于来自力场的数据。但是,根据单一种类的传感器采集的数据进行损伤识别,可能会导致较低的损伤识别率。如果工业设备存在损伤,势必会造成设备的寿命降低,还可能威胁操作人员的安全以及较大的经济损失。因此,考虑利用工业设备采集的力磁声多场数据,进行数据融合,提高损伤识别的检测效果。
传统的基于数据的工业设备损伤识别的方法有很多,如主元分析(PCA),偏最小二乘(PLS),隐马尔可夫模型(HMM),人工神经网络(ANN)等以及相应的改进方法。上述方法均是针对单场数据进行建模损伤识别的,而仅仅利用单场数据,由于数据采集部位的局限性,可能导致较低的损伤识别率。因此需要考虑将多场数据进行融合,利用多场数据的有用信息,提高工业设备损伤识别效果。贝叶斯推理是一种统计融合的方法,是基于贝叶斯法则的。贝叶斯推理需要利用一些先验知识,计算得到条件概率实现数据类别识别。根据工业设备传感器采集到的多场数据,计算贝叶斯推理需要的条件概率,以及设备存在损伤的先验概率,能够实现多场数据融合,降低了单场数据对损伤识别的误差,提高了损伤识别的效果。
发明内容
针对现有技术的不足,本发明提供一种力磁声三场数据融合工业设备损伤识别方法,解决了单场数据损伤识别准确率较低、存在局限性的问题。
本发明为实现上述目的所采用的技术方案是:
一种力磁声三场数据融合工业设备损伤识别方法,包括以下步骤:
步骤1:采集工业设备正常工况下的力磁声三场数据,并对采集到的力磁声三场数据进行归一化处理,对处理后的力磁声三场数据进行奇异值分解,计算相应的奇异值矩阵以及负荷向量,并且利用F-分布计算得到工业设备的统计量阈值;
步骤2:对待检测的力磁声三场样本观测值,根据步骤1得到的奇异值矩阵以及负荷向量,分别计算待检测的力磁声三场样本观测值的T2统计量,并转化为损伤存在的条件概率;
步骤3:将损伤存在的条件概率利用贝叶斯推理的方法进行融合,得到工业设备损伤识别结果。
所述力磁声三场数据分别构成矩阵:
其中,Xl,Xc,Xs分别表示采集的力场、磁场、声场三场数据观察值组成的矩阵,ml,mc,ms分别表示力场、磁场、声场三场数据观测值包含的变量数,nl,nc,ns分别表示力场、磁场、声场三场数据相应的观测值样本数。
所述对处理后的力磁声三场数据进行奇异值分解包括:
其中,Xl *,Xc *,Xs *分别表示归一化处理后的力场、磁场、声场三场观察值矩阵,Ul,Uc,Us分别表示力场、磁场、声场三场数据观测值奇异值分解后得到的酉矩阵,Σl,Σc,Σs分别表示力场、磁场、声场三场数据观测值奇异值分解后得到的奇异值矩阵,Pl,Pc,Ps分别表示力场、磁场、声场三场数据观测值奇异值分解后得到的负荷向量矩阵。
所述利用F-分布计算得到设备正常运行下的统计量阈值包括:
其中,分别表示力场、磁场、声场三场数据观测值统计量的阈值,nl,nc,ns分别表示力场、磁场、声场三场数据相应的观测值样本数,ml,mc,ms分别表示力场、磁场、声场三场数据观测值包含的变量数,Fα(ml,nl-ml),Fα(mc,nc-mc),Fα(ms,ns-ms)分别是指自由度为ml和nl-ml、mc和nc-mc、ms和ns-ms,显著性水平为α的F-分布。
所述在线采集的力磁声三场样本观测值为:
其中,Yl,Yc,Ys分别表示力场、磁场、声场三场数据在线采集的观测值样本数,nl,nc,ns分别表示力场、磁场、声场三场数据相应的待检测观测值样本数,ml,mc,ms分别表示力场、磁场、声场三场待检测数据观测值包含的变量数。
所述计算待检测的力磁声三场样本观测值的T2统计量,并转化为损伤存在的条件概率,包括以下步骤:
步骤2.1:计算待检测的力磁声三场样本观测值的T2统计量:
其中,分别表示力场、磁场、声场三场数据观测值计算得到的T2统计量,yi,l,yi,c,yi,s分别表示力场、磁场、声场三场在线采集待检测的第i个数据观测值,Σl,Σc,Σs分别表示力场、磁场、声场三场数据观测值奇异值分解后得到的奇异值矩阵,Pl,Pc,Ps分别表示力场、磁场、声场三场数据观测值奇异值分解后得到的负荷向量矩阵。
步骤2.2:将力场、磁场、声场得到的在线损伤识别统计量Ti,l,Ti,c,Ti,s,利用Bayesian方法,计算得到工业设备三场数据观测值包含损伤存在的条件概率,即:
P(yi,l)=P(yi,l|N)P(N)+P(yi,l|F)P(F)
P(yi,c)=P(yi,c|N)P(N)+P(yi,c|F)P(F)
P(yi,s)=P(yi,s|N)P(N)+P(yi,s|F)P(F)
其中,P(F|yi,l),P(F|yi,c),P(F|yi,s)分别表示力场、磁场、声场三场在线采集待检测数据观测值存在故障的条件概率,P(yi,l|F),P(yi,c|F),P(yi,s|F)分别表示力场、磁场、声场三场计算贝叶斯概率公式需要的故障发生的条件概率,P(yi,l|N),P(yi,c|N),P(yi,s|N)分别表示力场、磁场、声场三场计算贝叶斯概率公式需要的工况正常的条件概率,P(yi,l),P(yi,c),P(yi,s)分别表示力场、磁场、声场三场计算贝叶斯概率公式需要的全概率,P(N)为采样观测值为正常状态的先验概率、P(F)为采样观测值存在损伤的先验概率,设定显著性水平为α时,P(N)=1-α,P(F)=α;P(yi,l|F),P(yi,c|F),P(yi,s|F)分别表示力场、磁场、声场三场计算贝叶斯概率公式需要的故障发生的条件概率,P(yi,l|N),P(yi,c|N),P(yi,s|N)分别表示力场、磁场、声场三场计算贝叶斯概率公式需要的工况正常的条件概率, 分别表示力场、磁场、声场三场待检测数据观测值计算得到的T2统计量, 分别表示力场、磁场、声场三场数据观测值统计量的阈值;
步骤2.3:循环步骤2.1到步骤2.2,直至重复次数与在线损伤识别数据的采样样本数相同,得到单场数据包含工业设备损伤的条件概率。
所述将损伤存在的条件概率利用贝叶斯推理的方法进行融合,包括:
步骤3.1:将三场数据的损伤存在条件概率进行融合,得到工业设备存在损伤的概率,即:
P(yi,l,yi,c,yi,s|F)=P(yi,l|F)×P(yi,c|F)×P(yi,s|F)
P(yi,l,yi,c,yi,s)=P(yi,l,yi,c,yi,s|F)×P(F)+P(yi,l,yi,c,yi,s|N)×P(N)
P(yi,l,yi,c,yi,s|N)=P(yi,l|N)×P(yi,c|N)×P(yi,s|N)
其中,P(F|yi,l,yi,c,yi,s)表示根据力场、磁场、声场三场在线采集待检测数据观测值,预测存在故障的条件概率,P(yi,l,yi,c,yi,s|F)表示贝叶斯概率计算公式所需的故障出现的条件概率,P(yi,l,yi,c,yi,s|N)表示贝叶斯概率计算公式所需的正常工况的条件概率,P(yi,l,yi,c,yi,s)表示贝叶斯概率计算公式所需的全概率,P(yi,l|F),P(yi,c|F),P(yi,s|F)分别表示力场、磁场、声场三场计算贝叶斯概率公式需要的故障发生的条件概率,P(yi,l|N),P(yi,c|N),P(yi,s|N)分别表示力场、磁场、声场三场计算贝叶斯概率公式需要的工况正常的条件概率,
步骤3.2:判断如果工业设备存在损伤的概率P(F|yi,l,yi,c,yi,s)>0.5,则说明工业设备出现损伤的概率要大于工业设备正常的概率;否则工业设备出现损伤的概率要小于工业设备正常的概率;
步骤3.3:循环步骤3.1到步骤3.2,直至重复次数与在线损伤识别数据的采样样本数相同,得到待检测的样本观测值在每个采样时刻的损伤识别结果。
本发明具有以下有益效果及优点:
本发明分别根据力磁声三场数据的T2统计量计算损伤存在的条件概率,得到三场数据可能存在损伤的先验概率,利用三场数据之间的独立性将单场数据的设备损伤识别结果进行融合;在基于贝叶斯推理的数据融合中,准确计算所需的损伤存在的先验条件概率,没有人为进行先验知识的假设,降低了单场数据对设备损伤识别的局限性,提高了设备损伤识别的效果。
附图说明
图1是本发明的方法流程图。
具体实施方式
下面结合附图及实施例对本发明做进一步的详细说明。
为使本发明的上述目的、特征和优点能够更加明显易懂,下面结合附图对本发明的具体实施方式做详细的说明。在下面的描述中阐述了很多具体细节以便于充分理解本发明。但本发明能够以很多不同于在此描述的其他方式来实施,本领域技术人员可以在不违背发明内涵的情况下做类似改进,因此本发明不受下面公开的具体实施的限制。
除非另有定义,本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。本文中在发明的说明书中所使用的术语只是为了描述具体的实施例的目的,不是旨在于限制本发明。
如图1所示为本发明的方法流程图。
主要采用基于T2统计量的损伤识别方法以及贝叶斯推理的数据融合方法,步骤如下:
步骤一:离线建模,对传感器采集的工业设备力磁声三场数据,分别进行归一化运算;分别对正常情况下的力磁声三场数据进行奇异值分解,计算相应的奇异值矩阵以及负荷向量,并且利用F-分布计算得到设备正常运行下的统计量阈值;
步骤二:在线识别,对在线采集的力磁声三场样本观测值根据步骤一中得到的奇异值矩阵以及负荷向量,分别计算相应的T2统计量,并转化为条件概率。
步骤三:数据融合,将步骤二中力磁声数据的三个损伤存在的条件概率,利用贝叶斯推理的方法进行融合,得到最终的工业设备损伤识别结果。
步骤一所述的离线建模过程如下:
2)对采集的力磁声三场观测值分别进行归一化处理,得到均值为0,方差为1的新矩阵Xl *,Xc *,Xs *;
3)对归一化处理之后的数据矩阵Xl *,Xc *,Xs *根据公式(1)进行奇异值分解,得到奇异值矩阵Λi和负荷向量Pi;
4)根据公式(2)所示分别计算力磁声三场数据观测值的T2统计量在设备正常运行条件下的阈值,
其中Fα(mi,ni-mi)是指自由度为mi和ni-mi,显著性水平为α的F-分布。
步骤二所述的三场数据在线损伤识别计算过程如下:
2)根据公式(3)所示,计算待检测观测值的T2统计量;
3)将力场、磁场、声场得到的在线损伤识别统计量Ti,l,Ti,c,Ti,s,利用Bayesian方法,计算得到工业设备三场数据观测值包含损伤的概率,如公式(4)所示:
P(yi,l)=P(yi,l|N)P(N)+P(yi,l|F)P(F)
P(yi,c)=P(yi,c|N)P(N)+P(yi,c|F)P(F)
P(yi,s)=P(yi,s|N)P(N)+P(yi,s|F)P(F) (4)
其中,P(N)和P(F)分别为采样观测值为正常状态和存在损伤的先验概率,设定显著性水平为α时,P(N)=1-α,P(F)=α。
4)重复上述2)~3)步骤,重复次数与在线损伤识别数据的采样样本数相同,得到单场数据包含工业设备损伤的条件概率。
步骤三所述的力磁声三场数据融合损伤识别过程如下:
1)将步骤二中力场yi,l、磁场yi,c、声场yi,s三场数据得到的损伤存在条件概率进行融合,得到工业设备存在损伤的概率,如公式(6)所示,
2)力磁声三场数据是通过不同的传感器获得,彼此是相互独立的,所以公式(6)中的条件概率P(yi,l,yi,c,yi,s|F)可以通过公式(7)得到,
P(yi,l,yi,c,yi,s|F)=P(yi,l|F)×P(yi,c|F)×P(yi,s|F) (7)
3)公式(6)中的全概率P(yi,l,yi,c,yi,s)可以通过公式(8)得到,
P(yi,l,yi,c,yi,s)=P(yi,l,yi,c,yi,s|F)×P(F)+P(yi,l,yi,c,yi,s|N)×P(N) (8)
其中,P(yi,l,yi,c,yi,s|N)=P(yi,l|N)×P(yi,c|N)×P(yi,s|N);
4)如果公式(6)中得到的条件概率P(F|yi,l,yi,c,yi,s)>0.5,则说明根据当前的待检测力磁声数据,工业设备出现损伤的概率要大于工业设备正常的概率,表明工业设备存在损伤。
5)重复上述2)~4)步骤,重复次数与在线损伤识别数据的采样样本数相同,得到待检测的数据矩阵在每个采样时刻的损伤识别结果。
本发明首先对工业设备采集到的力磁声三场数据分别进行归一化处理,得到均值为0,方差为1的数据矩阵,消除不同传感器采集的数据单位不一致的影响。其次,分别根据力磁声三场数据的训练样本计算奇异值矩阵和负荷向量,并对测试样本建立相应的T2统计量,得到所需的损伤存在的条件概率。最后,利用贝叶斯推理方法对力磁声三场数据的T2统计量条件概率进行融合,得到最终的损伤识别结果。本发明利用力磁声三场数据,以及贝叶斯推理的方法进行数据融合,有效地降低了单场数据对损伤识别的局限性,充分利用了传感器采集的数据包含的有用信息,提高了工业设备损伤识别的效果。将力磁声三场数据利用T2统计量,得到的损伤存在的条件概率,并将单场数据的损伤识别结果进行融合,简单易行,效果明显。
实施例
起重机是指在一定范围内垂直提升和水平搬运重物的多动作起重机械,在基础设施建设,重物搬运等方面有着十分重要的作用。根据其构造和性能的不同,一般可分为轻小型起重设备、桥式类型起重机械和臂架类型起重机,缆索式起重机四大类。目前应用较多的是桥式类型起重机械,下面将结合一个桥式类型起重机来说明本发明方法的有效性。桥式起重机的基本构件是桥架,它由主梁、端梁、走台等部分组成。主梁跨架在跨间上空,有箱形、析架、腹板、圆管等结构形式。主梁两端连有端梁,在两主梁外侧安有走台,设有安全栏杆。桥式起重机是一种间歇动作的机械设备,应用特点具有短暂性、重复性、周期性、起制动频繁以及瞬时冲击负荷大等特征。主梁在工作时,多个受力构件可能会出现设备磨损等情况,此时需要及时将损伤识别出来,避免造成较大的生产事故。
接下来结合具体过程对本发明的实施步骤进行详细地阐述:
如图1所示为本发明的方法流程图。
步骤一:离线建模
2)对采集的力磁声三场观测值分别进行归一化处理,得到均值为0,方差为1的新矩阵Xl *,Xc *,Xs *;
3)对归一化处理之后的数据矩阵Xl *,Xc *,Xs *根据公式(1)进行奇异值分解,得到奇异值矩阵Λi和负荷向量Pi;
4)根据公式(2)所示分别计算力磁声三场数据观测值的T2统计量在设备正常运行条件下的阈值,
其中Fα(mi,ni-mi)是指自由度为mi和ni-mi,显著性水平为α的F-分布。
步骤二:起重机设备三场数据的在线损伤识别
2)根据公式(3)所示,计算待检测观测值的T2统计量;
3)将力场、磁场、声场得到的在线损伤识别统计量Ti,l,Ti,c,Ti,s,利用Bayesian方法,计算得到工业设备三场数据观测值包含损伤的概率,如公式(4)所示:
P(yi,l)=P(yi,l|N)P(N)+P(yi,l|F)P(F)
P(yi,c)=P(yi,c|N)P(N)+P(yi,c|F)P(F)
P(yi,s)=P(yi,s|N)P(N)+P(yi,s|F)P(F) (4)
其中,P(N)和P(F)分别为采样观测值为正常状态和存在损伤的先验概率,设定显著性水平为α时,P(N)=1-α,P(F)=α。
4)重复上述2)~3)步骤,重复次数与在线损伤识别数据的采样样本数相同,得到单场数据包含工业设备损伤的条件概率。
步骤三:力磁声三场数据融合
1)将步骤二中起重机设备的力场yi,l、磁场yi,c、声场yi,s三场数据得到的损伤存在条件概率进行融合,得到起重机设备存在损伤的概率,如公式(6)所示,
2)力磁声三场数据是通过起重机设备上不同的传感器获得,彼此是相互独立的,所以公式(6)中的条件概率可以通过公式(7)得到,
P(yi,l,yi,c,yi,s|F)=P(yi,l|F)×P(yi,c|F)×P(yi,s|F) (7)
3)公式(6)中的全概率P(yi,l,yi,c,yi,s)可以通过公式(8)得到,
P(yi,l,yi,c,yi,s)=P(yi,l,yi,c,yi,s|F)×P(F)+P(yi,l,yi,c,yi,s|N)×P(N) (8)
其中,P(yi,l,yi,c,yi,s|N)=P(yi,l|N)×P(yi,c|N)×P(yi,s|N);
4)如果公式(6)中得到的条件概率P(F|yi,l,yi,c,yi,s)>0.5,则说明根据当前的力磁声数据,起重机设备出现损伤的概率要大于正常运行的概率,表明起重机设备存在损伤。
5)重复上述1)~4)步骤,重复次数与在线损伤识别数据的采样样本数相同,得到待检测的数据矩阵在每个采样时刻的损伤识别结果。
Claims (7)
1.一种力磁声三场数据融合工业设备损伤识别方法,其特征在于,包括以下步骤:
步骤1:采集工业设备正常工况下的力磁声三场数据,并对采集到的力磁声三场数据进行归一化处理,对处理后的力磁声三场数据进行奇异值分解,计算相应的奇异值矩阵以及负荷向量,并且利用F-分布计算得到工业设备的统计量阈值;
步骤2:对待检测的力磁声三场样本观测值,根据步骤1得到的奇异值矩阵以及负荷向量,分别计算待检测的力磁声三场样本观测值的T2统计量,并转化为损伤存在的条件概率;
步骤3:将损伤存在的条件概率利用贝叶斯推理的方法进行融合,得到工业设备损伤识别结果。
6.根据权利要求1所述的力磁声三场数据融合工业设备损伤识别方法,其特征在于:所述计算待检测的力磁声三场样本观测值的T2统计量,并转化为损伤存在的条件概率,包括以下步骤:
步骤2.1:计算待检测的力磁声三场样本观测值的T2统计量:
其中,分别表示力场、磁场、声场三场数据观测值计算得到的T2统计量,yi,l,yi,c,yi,s分别表示力场、磁场、声场三场在线采集待检测的第i个数据观测值,Σl,Σc,Σs分别表示力场、磁场、声场三场数据观测值奇异值分解后得到的奇异值矩阵,Pl,Pc,Ps分别表示力场、磁场、声场三场数据观测值奇异值分解后得到的负荷向量矩阵。
步骤2.2:将力场、磁场、声场得到的在线损伤识别统计量Ti,l,Ti,c,Ti,s,利用Bayesian方法,计算得到工业设备三场数据观测值包含损伤存在的条件概率,即:
P(yi,l)=P(yi,l|N)P(N)+P(yi,l|F)P(F)
P(yi,c)=P(yi,c|N)P(N)+P(yi,c|F)P(F)
P(yi,s)=P(yi,s|N)P(N)+P(yi,s|F)P(F)
其中,P(F|yi,l),P(F|yi,c),P(F|yi,s)分别表示力场、磁场、声场三场在线采集待检测数据观测值存在故障的条件概率,P(yi,l|F),P(yi,c|F),P(yi,s|F)分别表示力场、磁场、声场三场计算贝叶斯概率公式需要的故障发生的条件概率,P(yi,l|N),P(yi,c|N),P(yi,s|N)分别表示力场、磁场、声场三场计算贝叶斯概率公式需要的工况正常的条件概率,P(yi,l),P(yi,c),P(yi,s)分别表示力场、磁场、声场三场计算贝叶斯概率公式需要的全概率,P(N)为采样观测值为正常状态的先验概率、P(F)为采样观测值存在损伤的先验概率,设定显著性水平为α时,P(N)=1-α,P(F)=α;P(yi,l|F),P(yi,c|F),P(yi,s|F)分别表示力场、磁场、声场三场计算贝叶斯概率公式需要的故障发生的条件概率,P(yi,l|N),P(yi,c|N),P(yi,s|N)分别表示力场、磁场、声场三场计算贝叶斯概率公式需要的工况正常的条件概率, 分别表示力场、磁场、声场三场待检测数据观测值计算得到的T2统计量, 分别表示力场、磁场、声场三场数据观测值统计量的阈值;
步骤2.3:循环步骤2.1到步骤2.2,直至重复次数与在线损伤识别数据的采样样本数相同,得到单场数据包含工业设备损伤的条件概率。
7.根据权利要求1所述的力磁声三场数据融合工业设备损伤识别方法,其特征在于:所述将损伤存在的条件概率利用贝叶斯推理的方法进行融合,包括:
步骤3.1:将三场数据的损伤存在条件概率进行融合,得到工业设备存在损伤的概率,即:
P(yi,l,yi,c,yi,s|F)=P(yi,l|F)×P(yi,c|F)×P(yi,s|F)
P(yi,l,yi,c,yi,s)=P(yi,l,yi,c,yi,s|F)×P(F)+P(yi,l,yi,c,yi,s|N)×P(N)
P(yi,l,yi,c,yi,s|N)=P(yi,l|N)×P(yi,c|N)×P(yi,s|N)
其中,P(F|yi,l,yi,c,yi,s)表示根据力场、磁场、声场三场在线采集待检测数据观测值,预测存在故障的条件概率,P(yi,l,yi,c,yi,s|F)表示贝叶斯概率计算公式所需的故障出现的条件概率,P(yi,l,yi,c,yi,s|N)表示贝叶斯概率计算公式所需的正常工况的条件概率,P(yi,l,yi,c,yi,s)表示贝叶斯概率计算公式所需的全概率,P(yi,l|F),P(yi,c|F),P(yi,s|F)分别表示力场、磁场、声场三场计算贝叶斯概率公式需要的故障发生的条件概率,P(yi,l|N),P(yi,c|N),P(yi,s|N)分别表示力场、磁场、声场三场计算贝叶斯概率公式需要的工况正常的条件概率,
步骤3.2:判断如果工业设备存在损伤的概率P(F|yi,l,yi,c,yi,s)>0.5,则说明工业设备出现损伤的概率要大于工业设备正常的概率;否则工业设备出现损伤的概率要小于工业设备正常的概率;
步骤3.3:循环步骤3.1到步骤3.2,直至重复次数与在线损伤识别数据的采样样本数相同,得到待检测的样本观测值在每个采样时刻的损伤识别结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910432648.9A CN111982174A (zh) | 2019-05-23 | 2019-05-23 | 一种力磁声三场数据融合工业设备损伤识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910432648.9A CN111982174A (zh) | 2019-05-23 | 2019-05-23 | 一种力磁声三场数据融合工业设备损伤识别方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111982174A true CN111982174A (zh) | 2020-11-24 |
Family
ID=73436522
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910432648.9A Pending CN111982174A (zh) | 2019-05-23 | 2019-05-23 | 一种力磁声三场数据融合工业设备损伤识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111982174A (zh) |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20100063947A1 (en) * | 2008-05-16 | 2010-03-11 | Burnside Elizabeth S | System and Method for Dynamically Adaptable Learning Medical Diagnosis System |
CN104121804A (zh) * | 2014-07-23 | 2014-10-29 | 中北大学 | 一种基于多场信息融合的自动装填系统早期故障预示方法 |
CN104793604A (zh) * | 2015-04-10 | 2015-07-22 | 浙江大学 | 一种基于主成分追踪的工业故障监测方法及应用 |
CN106597231A (zh) * | 2016-11-11 | 2017-04-26 | 上海交通大学 | 基于多源信息融合和深度学习网络的gis故障检测系统及方法 |
CN107263211A (zh) * | 2017-05-26 | 2017-10-20 | 温州大学 | 一种基于多传感融合的刀具状态监测方法 |
CN109158953A (zh) * | 2018-09-04 | 2019-01-08 | 温州大学激光与光电智能制造研究院 | 一种刀具磨损状态在线监测方法及系统 |
CN109738512A (zh) * | 2019-01-08 | 2019-05-10 | 重庆大学 | 基于多物理场融合的无损检测系统及方法 |
-
2019
- 2019-05-23 CN CN201910432648.9A patent/CN111982174A/zh active Pending
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20100063947A1 (en) * | 2008-05-16 | 2010-03-11 | Burnside Elizabeth S | System and Method for Dynamically Adaptable Learning Medical Diagnosis System |
CN104121804A (zh) * | 2014-07-23 | 2014-10-29 | 中北大学 | 一种基于多场信息融合的自动装填系统早期故障预示方法 |
CN104793604A (zh) * | 2015-04-10 | 2015-07-22 | 浙江大学 | 一种基于主成分追踪的工业故障监测方法及应用 |
CN106597231A (zh) * | 2016-11-11 | 2017-04-26 | 上海交通大学 | 基于多源信息融合和深度学习网络的gis故障检测系统及方法 |
CN107263211A (zh) * | 2017-05-26 | 2017-10-20 | 温州大学 | 一种基于多传感融合的刀具状态监测方法 |
CN109158953A (zh) * | 2018-09-04 | 2019-01-08 | 温州大学激光与光电智能制造研究院 | 一种刀具磨损状态在线监测方法及系统 |
CN109738512A (zh) * | 2019-01-08 | 2019-05-10 | 重庆大学 | 基于多物理场融合的无损检测系统及方法 |
Non-Patent Citations (6)
Title |
---|
何正友等: "《智能信息处理在电网故障诊断中的应用》", 31 January 2013, 西南交通大学出版社 * |
张可: "《物联网及其数据处理》", 31 July 2018, 国防工业出版社 * |
张颖伟等: "《复杂工业过程的故障诊断》", 31 December 2007, 东北大学出版社 * |
童楚东: "基于特征提取与信息融合的工业过程监测研究", 《中国博士学位论文全文数据库-信息科技辑》 * |
郭宏毅等: "《起重机械安装维修实用技术》", 30 June 2010, 河南科学技术出版社 * |
陈照等: "基于神经网络和D-S证据理论的故障电弧检测", 《高压电器》 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110555273B (zh) | 基于隐马尔科夫模型和迁移学习的轴承寿命预测方法 | |
CN109492193B (zh) | 基于深度机器学习模型的异常网络数据生成与预测方法 | |
CN108569607B (zh) | 基于双向门控循环神经网络的电梯故障预警方法 | |
US20190285517A1 (en) | Method for evaluating health status of mechanical equipment | |
CN111562108A (zh) | 一种基于cnn和fcmc的滚动轴承智能故障诊断方法 | |
CN108665119B (zh) | 一种供水管网异常工况预警方法 | |
CN112414694B (zh) | 基于多元状态估计技术的设备多级异常状态识别方法及装置 | |
CN112904810B (zh) | 基于有效特征选择的流程工业非线性过程监测方法 | |
CN112785091A (zh) | 一种对油田电潜泵进行故障预测与健康管理的方法 | |
CN111340110B (zh) | 一种基于工业过程运行状态趋势分析的故障预警方法 | |
CN110375983B (zh) | 基于时间序列分析的阀门故障实时诊断系统及诊断方法 | |
CN114722952B (zh) | 一种基于表示学习的轴承故障检测和分类的一体化方法 | |
CN111122811A (zh) | 一种oica和rnn融合模型的污水处理过程故障监测方法 | |
CN111044617B (zh) | 一种基于深度学习与声发射技术的拉索损伤识别方法 | |
CN115542099A (zh) | 一种在线gis局部放电检测方法和装置 | |
CN112132394A (zh) | 一种电厂循环水泵预测性状态评估方法及系统 | |
CN110187206B (zh) | 一种复杂工况下非高斯过程的悬浮系统的故障检测方法 | |
CN113984389B (zh) | 一种基于多感受野与改进胶囊图神经网络的滚动轴承故障诊断方法 | |
CN111982174A (zh) | 一种力磁声三场数据融合工业设备损伤识别方法 | |
CN110244690B (zh) | 一种多变量工业过程故障辨识方法及系统 | |
CN113987905A (zh) | 一种基于深度信念网络的自动扶梯制动力智能诊断系统 | |
CN116842379A (zh) | 一种基于DRSN-CS和BiGRU+MLP模型的机械轴承剩余使用寿命预测方法 | |
CN116956215A (zh) | 一种传动系统故障诊断方法及系统 | |
CN112069621B (zh) | 基于线性可靠度指标的滚动轴承剩余使用寿命的预测方法 | |
CN115062867A (zh) | 基于Teager能量谱和改进型CNN模型的轴承故障预测方法 |
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 |