CN117077505A - 一种基于测试性评价的装备机内故障诊断器设计方法 - Google Patents
一种基于测试性评价的装备机内故障诊断器设计方法 Download PDFInfo
- Publication number
- CN117077505A CN117077505A CN202310705394.XA CN202310705394A CN117077505A CN 117077505 A CN117077505 A CN 117077505A CN 202310705394 A CN202310705394 A CN 202310705394A CN 117077505 A CN117077505 A CN 117077505A
- Authority
- CN
- China
- Prior art keywords
- fault
- signal
- feature
- test
- contribution
- 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
- 238000000034 method Methods 0.000 title claims abstract description 37
- 238000013461 design Methods 0.000 title claims abstract description 30
- 238000011156 evaluation Methods 0.000 title claims abstract description 20
- 238000012360 testing method Methods 0.000 claims abstract description 64
- 238000003745 diagnosis Methods 0.000 claims abstract description 62
- 238000004364 calculation method Methods 0.000 claims abstract description 36
- 230000004927 fusion Effects 0.000 claims abstract description 21
- 238000002955 isolation Methods 0.000 claims description 33
- 238000001514 detection method Methods 0.000 claims description 30
- 238000005259 measurement Methods 0.000 claims description 24
- 239000011159 matrix material Substances 0.000 claims description 18
- 238000005315 distribution function Methods 0.000 claims description 6
- 230000035945 sensitivity Effects 0.000 claims description 6
- 238000012216 screening Methods 0.000 claims description 5
- 238000004422 calculation algorithm Methods 0.000 claims description 3
- 238000000605 extraction Methods 0.000 claims description 3
- 230000005484 gravity Effects 0.000 claims description 3
- 230000010354 integration Effects 0.000 claims description 3
- 238000001228 spectrum Methods 0.000 claims description 3
- 101100533306 Mus musculus Setx gene Proteins 0.000 claims 1
- 238000012545 processing Methods 0.000 abstract description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000007637 random forest analysis Methods 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- 238000012938 design process Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
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
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/211—Selection of the most significant subset of features
- G06F18/2113—Selection of the most significant subset of features by ranking or filtering the set of features, e.g. using a measure of variance or of feature cross-correlation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
- G06F18/2131—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on a transform domain processing, e.g. wavelet transform
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/217—Validation; Performance evaluation; Active pattern learning techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/10—Geometric CAD
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/06—Multi-objective optimisation, e.g. Pareto optimisation using simulated annealing [SA], ant colony algorithms or genetic algorithms [GA]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/08—Feature extraction
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/12—Classification; Matching
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Geometry (AREA)
- Computer Hardware Design (AREA)
- Software Systems (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Optimization (AREA)
- Mathematical Analysis (AREA)
- Computational Mathematics (AREA)
- Medical Informatics (AREA)
- Probability & Statistics with Applications (AREA)
- Testing Or Calibration Of Command Recording Devices (AREA)
Abstract
本发明涉及一种根据测试性评价结果对装备机内故障诊断器设计方法,属于系统故障诊断器设计领域。该方法更科学的针对系统的诊断问题找到更加适合的故障诊断解决方案,包括以下步骤:步骤一:信号采集用传感器采集测试装备上的物理信号;步骤二:故障敏感特征筛选将采集到的物理信号经过离散化处理后,输入计算机中,通过特征计算得到信号的特征,对特征进行特征贡献度计算和特征融合,最后得到故障敏感特征集合;步骤三、集成诊断器设计从步骤二中得到的故障敏感特征集合选择适合于诊断的特征构成集成学习的学习样本,采用多个诊断器对学习样本进行诊断,得到每个诊断器的权重,采用每个诊断器的权重对任意新的待检测样本进行诊断,集成诊断结果。
Description
技术领域
本发明涉及一种故障诊断器设计方法,具体说是一种根据测试性评价结果对装备机内故障诊断器设计方法,属于系统故障诊断器设计领域。
背景技术
测试性是一种能够表明系统故障能够准确地、有效地识别程度的一种特性,能量化的说明故障诊断的难度和代价有多大。在系统的设计阶段,将系统的测试性考虑在内,对系统进行构造,并设计故障诊断方法,被认为是一种更有利于故障诊断的做法。相较于现有文献中的传统故障诊断方法的设计问题,将测试性的评价结果融进故障诊断方法的设计当中,能解决诊断方法和系统的适配性问题,从而从根本上提升系统的诊断能力。
目前在测试性设计方面,主要从两方面研究:
1)、对系统的结构进行设计。该方向主要是在满足系统测试性的前提下,对系统的结构进行优化设计,提高系统对故障的反应能力,从而提高系统的诊断能力,在该想法的指导下,主要是对系统的传感器优化配置;
2)、对系统的诊断方案进行设计。对诊断方案的设计既提高诊断方案与系统结构的契合程度,从而优化系统的诊断能力。
目前关于测试性设计的研究主要集中在对系统的结构设计上,通过多目标优化的方式,对传感器进行优化配置。而对于系统诊断方案的研究很少,随着信号处理技术及计算机算力的发展,关于故障诊断的方法层出不穷,但是很难说哪一种方法是适用于某一具体系统的,即在一个真实的案例当中,要找到一个适合的方法是一项艰难的工作。
发明内容
本发明的目的在于解决没有具体的一种方法适用于某一个具体系统的问题,提出一种基于测试性评价的装备机内故障诊断器设计方法,该方法更科学的针对系统的诊断问题找到更加适合的故障诊断解决方案。
为了解决上述问题,本申请基于测试性评价的装备机内故障诊断器设计方法是通过以下技术方案实现的:
一种基于测试性评价的装备机内故障诊断器设计方法,其特殊之处在于:包括以下步骤:
步骤一:信号采集
在测试装备上安装传感器,用传感器采集测试装备上的物理信号;
步骤二:故障敏感特征筛选
将步骤一采集到的物理信号经过离散化处理后,输入计算机中,通过特征计算得到信号的特征,对特征进行特征贡献度计算和特征融合,最后得到故障敏感特征集合;
步骤三、集成诊断器设计
根据步骤二中得到的故障敏感特征集合构建集成学习样本,采用多个诊断器对该学习样本进行诊断,得到每个诊断器的权重,对于任意新的待检测样本,首先使用诊断器对该样本进行诊断,然后根据每个诊断器的权重对多个诊断器结果进行集成,得到最终的集成诊断结果。
优选的,所述步骤二中的所述特征计算包括利用离散化处理的信号获取信号时域特征和信号频域特征;
其中经过离散化处理的信号,表示为{si}(i=1,2,…,N);
获取的信号时域特征包括:
均值
方差
偏度
峭度
有效值
裕度
获取的信号频率特征包括:
重心频率
均方频率
频率方差
式中,S(f)为离散信号的功率谱;
将这些特征组成特征集合,记为其中d表示特征的个数。
优选的,所述步骤二中的所述对特征进行特征贡献度计算包括对故障检测时测点特征贡献度计算和故障隔离时测点特征贡献度计算。
优选的,所述故障检测时测点特征贡献度计算包括以下步骤:
(1)、对于装备的故障集合中任意故障根据故障检测测试选用矩阵testFD可以确定最易检测所需的测试,确定信号族/>和/>
装备的故障集合为其中f0表示正常状态,m表示故障的个数;
故障检测测试选用矩阵testFD=[TFD(f1),TFD(f2),…,TFD(fm)]
TFD(fi)表示对故障fi进行故障检测时所用到的测试;在系统处于f0状态即正常状态下可以输出测试信号,由于系统经过运行,该测试可以进行多次测量,获得多组量测信号,这些量测信号共同组成信号族,用表示;
在系统处于fi状态即故障状态fi下可以输出测试信号,由于系统经过运行,该测试可以进行多次测量,获得多组量测信号,这些量测信号共同组成信号族,用表示;
(2)、根据信号的特征集合可以得到信号族/>和/>中各信号的特征;
(3)、从信号族和/>的特征中随机选择一个样本;
(4)、从上一步得到的样本的同类中,选择k个近邻样本K;
(5)、从第(3)步中得到的样本的不同类中,选择k个近邻样本
(6)、计算贡献度
式中,Wi表示第i个特征的贡献程度,dis()表示距离计算,这里采用欧氏距离进行计算;
通过计算,获得矩阵
式中WFD(i,j)表示在检测第i个故障时,第j个特征的贡献程度。
优选的,所述故障隔离时测点特征贡献度计算包括以下步骤:
(1)、对于装备的故障集合中任意故障根据故障隔离测试选用矩阵testFI可以确定最易隔离所需的测试,确定信号族/>和/>
装备的故障集合为其中f0表示正常状态,m表示故障的个数;
故障隔离测试选用矩阵
TFI(fi,fj)表示故障对fi和fj最易隔离时所选用的故障,
TFI(fi,fj)表示对故障fi和fj进行故障隔离时所用到的测试,在系统处于故障状态fi时,系统可以输出测试信号,由于系统经过运行,该测试可以进行多次测量,获得多组量测信号,这些量测信号共同组成信号族,用表示
在系统处于故障状态fj时,系统可以输出测试信号,由于系统经过运行,该测试可以进行多次测量,获得多组量测信号,这些量测信号共同组成信号族,用表示;
(2)、根据信号的特征集合可以得到信号族/>和/>中各信号的特征;
(3)、从信号族和/>的特征中随机选择一个样本;
(4)、从上一步得到的样本的同类中,选择k个近邻样本K;
(5)、从第(3)步中得到的样本的不同类中,选择k个近邻样本
(6)、计算贡献度
式中,Wi表示第i个特征的贡献程度;
获得在进行故障隔离时,测点信号各个特征的贡献程度
式中表示组合数计算,
公式所表达的含义是在隔离故障对fi和fj时,第j个特征的贡献程度。
优选的,所述步骤二中的所述特征融合是指综合考虑各个信号特征对故障检测或隔离的贡献度,融合计算出一个新的贡献程度,经过特征融合,最后可以得到一个d维度的向量FS=[seni]1×d,该向量表示的是综合衡量各故障检测和故障隔离两个方面后,每一个特征对于故障诊断的贡献程度,选择其中贡献度较高的特征,即可得到对故障敏感的特征集合
优选的,所述特征融合具体包括如下步骤:
(1)、证据提取
对于特征贡献度计算中得到的矩阵WFD、WFI,每行数据可以看做是一条证据,记做Ei,表示第i条证据;
进一步每条证据存在的概率分配函数为mi,则证据向量Ei可以进一步表示为
Ei=[mi(J1),…,mi(Jd)]
i=1,2,…
其中,识别框架Θ={J1,J2,…,Jd};
(2)、计算任意两证据之间的距离
(3)、计算每一条证据的相对证据冲突度,来量化证据之间互相冲突的程度
(4)、计算对于每条证据的信任程度
(5)、重新对原证据进行概率重新分配
其中表示对不确定性的概率分配;
(6)、对各组证据进行融合
式中:表示新的概率分配函数,/>表示对/>条证据进行融合;
通过故障融合算法可以获得故障敏感度向量
FS=[seni]1×d
其中seni表示综合考虑故障检测和故障隔离时,第i个特征对于故障诊断的综合贡献程度;
选择该向量中贡献程度较高的特征,即构成故障敏感特征集合,记为其中包含着对于故障敏感的信号特征。
优选的,所述步骤三集成诊断器设计具体包括以下步骤:
(1)、根据特征选择向量及信号样本集合,选择适合于诊断的特征构成集成学习的学习样本xi为信号样本的特征,所使用的特征为步骤二中/>所包含的特征,/>中所包含的特征数量为b;
初始化第i个样本的权重
(2)、采用多个诊断器对学习样本进行诊断,得到每个诊断器的权重,具体包括以下步骤:
(2.1)调用基诊断器BDt,对样本进行分类
采用T个基诊断器,调用第t个基诊断器BDt,t=1,2,…,q,对学习样本进行诊断,诊断结果为/>
所述基诊断器为最基本的分类器,如支持向量机,随机森林,神经网络等;
(2.2)计算分类误差
若εt>0.5,则设T=t-1并结束;若εt<0.5,执行下一步;
(2.3)计算第t个基诊断器的权重βt
(2.4)对学习样本进行权值更新
Z为归一化系数,Z的作用是使得Dt+1(i)的和为1,权值通过更新,可以在循环中使得下一次循环能更加聚焦本次循环中诊断错误的样本;
(3)、集成结果
由上一步可得对于每一个基诊断器对应一个βt,对于任意新的待检测样本调用每一个基诊断器BDt,t=1,2,…,q对该样本进行诊断,根据每一个基诊断器的诊断结果可以获得最终的诊断结果/>
本方法在诊断器设计过程中引入了测试性评价,从而从根本上提高系统诊断故障的能力;首先进行信号采集,然后进行故障敏感特征筛选,通过特征计算得到信号的特征,通过特征贡献度计算衡量不同故障程度下信号特征的敏感程度,通过特征融合,对不同故障状态下的信号特征综合考量,确定出最能反映故障的信号特征,最后采用对集成诊断器进行设计。
本方法能够实现基于测试性评价的机内故障诊断器设计,从根本上提高系统的故障诊断能力,更科学的针对系统的诊断问题找到更加适合的故障诊断解决方案。
附图说明
图1:本发明的流程图。
具体实施方式
以下参照附图,给出本发明的具体实施方式,用来对本发明的构成进行进一步说明。
实施例1。如图1所示的一种基于测试性评价的装备机内故障诊断器设计方法,包括以下步骤:
步骤一:信号采集
在测试装备上安装传感器,用传感器采集测试装备上的物理信号;
步骤二:故障敏感特征筛选
将步骤一采集到的物理信号经过离散化处理后,输入计算机中,通过特征计算得到信号的特征,对特征进行特征贡献度计算和特征融合,最后得到故障敏感特征集合;
步骤三、集成诊断器设计
根据步骤二中得到的故障敏感特征集合构建集成学习样本,采用多个诊断器对该学习样本进行诊断,得到每个诊断器的权重。对于任意新的待检测样本,首先使用诊断器对该样本进行诊断,然后根据每个诊断器的权重对多个诊断器结果进行集成,得到最终的集成诊断结果。
进一步的,所述步骤二中的所述特征计算包括利用离散化处理的信号获取信号时域特征和信号频域特征;
其中经过离散化处理的信号,表示为{si}(i=1,2,...,N);
获取的信号时域特征包括:
均值
方差
偏度
峭度
有效值
裕度
获取的信号频率特征包括:
重心频率
均方频率
频率方差
式中,S(f)为离散信号的功率谱;
将这些特征组成特征集合,记为其中d表示特征的个数。
进一步的,所述步骤二中的所述对特征进行特征贡献度计算包括对故障检测时测点特征贡献度计算和故障隔离时测点特征贡献度计算。
进一步的,所述故障检测时测点特征贡献度计算包括以下步骤:
(1)、对于装备的故障集合中任意故障根据故障检测测试选用矩阵testFD可以确定最易检测所需的测试,确定信号族/>和/>
装备的故障集合为其中f0表示正常状态,m表示故障的个数;
故障检测测试选用矩阵
testFD=[TFD(f1),TFD(f2),…,TFD(fm)]
TFD(fi)表示对故障fi进行故障检测时所用到的测试;在系统处于f0状态即正常状态下可以输出测试信号,由于系统经过运行,该测试可以进行多次测量,获得多组量测信号,这些量测信号共同组成信号族,用表示;
在系统处于fi状态即故障状态fi下可以输出测试信号,由于系统经过运行,该测试可以进行多次测量,获得多组量测信号,这些量测信号共同组成信号族,用表示;
(2)、根据信号的特征集合可以得到信号族/>和/>中各信号的特征;
(3)、从信号族和/>的特征中随机选择一个样本;
(4)、从上一步得到的样本的同类中,选择k个近邻样本K;
(5)、从第(3)步中得到的样本的不同类中,选择k个近邻样本
(6)、计算贡献度
式中,Wi表示第i个特征的贡献程度,dis()表示距离计算,这里采用欧氏距离进行计算;
通过计算,获得矩阵
式中WFD(i,j)表示在检测第i个故障时,第j个特征的贡献程度。
进一步的,所述故障隔离时测点特征贡献度计算包括以下步骤:
(1)、对于装备的故障集合中任意故障根据故障隔离测试选用矩阵testFI可以确定最易隔离所需的测试,确定信号族/>和/>
装备的故障集合为其中f0表示正常状态,m表示故障的个数;
故障隔离测试选用矩阵
TFI(fi,fj)表示故障对fi和fj最易隔离时所选用的故障,
TFI(fi,fj)表示对故障fi和fj进行故障隔离时所用到的测试,在系统处于故障状态fi时,系统可以输出测试信号,由于系统经过运行,该测试可以进行多次测量,获得多组量测信号,这些量测信号共同组成信号族,用表示
在系统处于故障状态fj时,系统可以输出测试信号,由于系统经过运行,该测试可以进行多次测量,获得多组量测信号,这些量测信号共同组成信号族,用表示;
(2)、根据信号的特征集合可以得到信号族/>和/>中各信号的特征;
(3)、从信号族和/>的特征中随机选择一个样本;
(4)、从上一步得到的样本的同类中,选择k个近邻样本K;
(5)、从第(3)步中得到的样本的不同类中,选择k个近邻样本
(6)、计算贡献度
式中,Wi表示第i个特征的贡献程度;
获得在进行故障隔离时,测点信号各个特征的贡献程度
式中表示组合数计算,
公式所表达的含义是在隔离故障对fi和fj时,第j个特征的贡献程度。
进一步的,所述步骤二中的所述特征融合是指综合考虑各个信号特征对故障检测或隔离的贡献度,融合计算出一个新的贡献程度,经过特征融合,最后可以得到一个d维度的向量FS=[seni]1×d,该向量表示的是综合衡量各故障检测和故障隔离两个方面后,每一个特征对于故障诊断的贡献程度,选择其中贡献度较高的特征,即可得到对故障敏感的特征集合
进一步的,所述特征融合具体包括如下步骤:
(1)、证据提取
对于特征贡献度计算中得到的矩阵WFD、WFI,每行数据可以看做是一条证据,记做Ei,表示第i条证据;
进一步每条证据存在的概率分配函数为mi,则证据向量Ei可以进一步表示为
Ei=[mi(J1),…,mi(Jd)\
i=1,2,…
其中,识别框架Θ={J1,J2,…,Jd};
(2)、计算任意两证据之间的距离
(3)、计算每一条证据的相对证据冲突度,来量化证据之间互相冲突的程度
(4)、计算对于每条证据的信任程度
(5)、重新对原证据进行概率重新分配
/>
其中表示对不确定性的概率分配;
(6)、对各组证据进行融合
式中:表示新的概率分配函数,/>表示对/>条证据进行融合;
通过故障融合算法可以获得故障敏感度向量
FS=[seni]1×d
其中seni表示综合考虑故障检测和故障隔离时,第i个特征对于故障诊断的综合贡献程度;
选择该向量中贡献程度较高的特征,即构成故障敏感特征集合,记为其中包含着对于故障敏感的信号特征。
进一步的,所述步骤三集成诊断器设计具体包括以下步骤:
(1)、根据特征选择向量及信号样本集合,选择适合于诊断的特征构成集成学习的学习样本xi为信号样本的特征,所使用的特征为步骤二中/>所包含的特征,/>中所包含的特征数量为b;
初始化第i个样本的权重
(2)、采用多个诊断器对学习样本进行诊断,得到每个诊断器的权重,具体包括以下步骤:
(2.1)调用基诊断器BDt,对样本进行分类
采用T个基诊断器,调用第t个基诊断器BDt,t=1,2,…,q,对学习样本进行诊断,诊断结果为/>所述基诊断器为最基本的分类器,如支持向量机,随机森林,神经网络等;
(2.2)计算分类误差
若εt>0.5,则设T=t-1并结束;若εt<0.5,执行下一步;
(2.3)计算第t个基诊断器的权重βt
(2.4)对学习样本进行权值更新
Z为归一化系数,Z的作用是使得Dt+1(i)的和为1,权值通过更新,可以在循环中使得下一次循环能更加聚焦本次循环中诊断错误的样本;
(3)、集成结果
由上一步可得对于每一个基诊断器对应一个βt,对于任意新的待检测样本调用每一个基诊断器BDt,t=1,2,…,q对该样本进行诊断,根据每一个基诊断器的诊断结果可以获得最终的诊断结果/>
该方法首先进行信号采集,然后进行故障敏感特征筛选,通过特征计算得到信号的特征,通过特征贡献度计算衡量不同故障程度下信号特征的敏感程度,通过特征融合,对不同故障状态下的信号特征综合考量,确定出最能反映故障的信号特征,最后采用对集成诊断器进行设计。本方法能够实现基于测试性评价的机内故障诊断器设计,从根本上提高系统的故障诊断能力,更科学的针对系统的诊断问题找到更加适合的故障诊断解决方案。
Claims (8)
1.一种基于测试性评价的装备机内故障诊断器设计方法,其特征在于:包括以下步骤:
步骤一:信号采集
在测试装备上安装传感器,用传感器采集测试装备上的物理信号;
步骤二:故障敏感特征筛选
将步骤一采集到的物理信号经过离散化处理后,输入计算机中,通过特征计算得到信号的特征,对特征进行特征贡献度计算和特征融合,最后得到故障敏感特征集合;
步骤三、集成诊断器设计
根据步骤二中得到的故障敏感特征集合构建集成学习样本,采用多个诊断器对该学习样本进行诊断,得到每个诊断器的权重。对于任意新的待检测样本,首先使用诊断器对该样本进行诊断,然后根据每个诊断器的权重对多个诊断器结果进行集成,得到最终的集成诊断结果。
2.根据权利要求1所述的一种基于测试性评价的装备机内故障诊断器设计方法,其特征在于:
所述步骤二中的所述特征计算包括利用离散化处理的信号获取信号时域特征和信号频域特征;
其中经过离散化处理的信号,表示为{si}(i=1,2,…,N);
获取的信号时域特征包括:
均值
方差
偏度
峭度
有效值
裕度
获取的信号频率特征包括:
重心频率
均方频率
频率方差
式中,S(f)为离散信号的功率谱;
将这些特征组成特征集合,记为其中d表示特征的个数。
3.根据权利要求1或2所述的一种基于测试性评价的装备机内故障诊断器设计方法,其特征在于:
所述步骤二中的所述对特征进行特征贡献度计算包括对故障检测时测点特征贡献度计算和故障隔离时测点特征贡献度计算。
4.根据权利要求3所述的一种基于测试性评价的装备机内故障诊断器设计方法,其特征在于:
所述故障检测时测点特征贡献度计算包括以下步骤:
(1)、对于装备的故障集合中任意故障根据故障检测测试选用矩阵testFD可以确定最易检测所需的测试,确定信号族/>和/>
装备的故障集合为其中f0表示正常状态,m表示故障的个数;
故障检测测试选用矩阵testFD=[TFD(f1),TFD(f2),…,TFD(fm)]
TFD(fi)表示对故障fi进行故障检测时所用到的测试;在系统处于f0状态即正常状态下可以输出测试信号,由于系统经过运行,该测试可以进行多次测量,获得多组量测信号,这些量测信号共同组成信号族,用表示;
在系统处于fi状态即故障状态fi下可以输出测试信号,由于系统经过运行,该测试可以进行多次测量,获得多组量测信号,这些量测信号共同组成信号族,用表示;
(2)、根据信号的特征集合可以得到信号族/>和/>中各信号的特征;
(3)、从信号族和/>的特征中随机选择一个样本;
(4)、从上一步得到的样本的同类中,选择k个近邻样本K;
(5)、从第(3)步中得到的样本的不同类中,选择k个近邻样本
(6)、计算贡献度
式中,Wi表示第i个特征的贡献程度,dis()表示距离计算,这里采用欧氏距离进行计算;
通过计算,获得矩阵
式中WFD(i,j)表示在检测第i个故障时,第j个特征的贡献程度。
5.根据权利要求3所述的一种基于测试性评价的装备机内故障诊断器设计方法,其特征在于:
所述故障隔离时测点特征贡献度计算包括以下步骤:
(1)、对于装备的故障集合中任意故障根据故障隔离测试选用矩阵testFI可以确定最易隔离所需的测试,确定信号族/>和/>
装备的故障集合为其中f0表示正常状态,m表示故障的个数;
故障隔离测试选用矩阵
TFI(fi,fj)表示故障对fi和fj最易隔离时所选用的故障,
TFI(fi,fi)表示对故障fi和fj进行故障隔离时所用到的测试,在系统处于故障状态fi时,系统可以输出测试信号,由于系统经过运行,该测试可以进行多次测量,获得多组量测信号,这些量测信号共同组成信号族,用表示
在系统处于故障状态fj时,系统可以输出测试信号,由于系统经过运行,该测试可以进行多次测量,获得多组量测信号,这些量测信号共同组成信号族,用表示;
(2)、根据信号的特征集合可以得到信号族/>和/>中各信号的特征;
(3)、从信号族和/>的特征中随机选择一个样本;
(4)、从上一步得到的样本的同类中,选择k个近邻样本K;
(5)、从第(3)步中得到的样本的不同类中,选择k个近邻样本
(6)、计算贡献度
式中,Wi表示第i个特征的贡献程度;
获得在进行故障隔离时,测点信号各个特征的贡献程度
式中表示组合数计算,
公式所表达的含义是在隔离故障对fi和fj时,第j个特征的贡献程度。
6.根据权利要求1或2所述的一种基于测试性评价的装备机内故障诊断器设计方法,其特征在于:
所述步骤二中的所述步骤二中的所述特征融合是指综合考虑各个信号特征对故障检测或隔离的贡献度,融合计算出一个新的贡献程度,经过特征融合,最后可以得到一个d维度的向量FS=[seni]1×d,该向量表示的是综合衡量各故障检测和故障隔离两个方面后,每一个特征对于故障诊断的贡献程度,选择其中贡献度较高的特征,即可得到对故障敏感的特征集合
7.根据权利要求6所述的一种基于测试性评价的装备机内故障诊断器设计方法,其特征在于:
所述特征融合具体包括如下步骤:
(1)、证据提取
对于特征贡献度计算中得到的矩阵WFD、WFI,每行数据可以看做是一条证据,记做Ei,表示第i条证据;
进一步每条证据存在的概率分配函数为mi,则证据向量Ei可以进一步表示为
Ei=[mi(J1),…,mi(Jd)]
i=1,2,…
其中,识别框架Θ={J1,J2,…,Jd};
(2)、计算任意两证据之间的距离
(3)、计算每一条证据的相对证据冲突度,来量化证据之间互相冲突的程度
(4)、计算对于每条证据的信任程度
(5)、重新对原证据进行概率重新分配
其中表示对不确定性的概率分配;
(6)、对各组证据进行融合
式中:表示新的概率分配函数,/>表示对/>条证据进行融合;
通过故障融合算法可以获得故障敏感度向量
FS=[seni]1×d
其中seni表示综合考虑故障检测和故障隔离时,第i个特征对于故障诊断的综合贡献程度;
选择该向量中贡献程度较高的特征,即构成故障敏感特征集合,记为其中包含着对于故障敏感的信号特征。
8.根据权利要求1或2所述的一种基于测试性评价的装备机内故障诊断器设计方法,其特征在于:
所述步骤三集成诊断器设计具体包括以下步骤:
(1)、根据特征选择向量及信号样本集合,选择适合于诊断的特征构成集成学习的学习样本xi为信号样本的特征,所使用的特征为步骤二中所包含的特征,/>中所包含的特征数量为b;
初始化第i个样本的权重i=1,2,…,q,
(2)、采用多个诊断器对学习样本进行诊断,得到每个诊断器的权重,具体包括以下步骤:
(2.1)调用基诊断器BDt,对样本进行分类
采用T个基诊断器,调用第t个基诊断器BDt,t=1,2,…,q,对学习样本进行诊断,诊断结果为/>
(2.2)计算分类误差
若εt>0.5,则设T=t-1并结束;若εt<0.5,执行下一步;
(2.3)计算第t个基诊断器的权重βt
(2.4)对学习样本进行权值更新
(3)、集成结果
由上一步可得对于每一个基诊断器对应一个βt,对于任意新的待检测样本调用每一个基诊断器BDt,t=1,2,…,q对该样本进行诊断,根据每一个基诊断器的诊断结果/>可以获得最终的诊断结果/>
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310705394.XA CN117077505B (zh) | 2023-06-14 | 2023-06-14 | 一种基于测试性评价的装备机内故障诊断器设计方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310705394.XA CN117077505B (zh) | 2023-06-14 | 2023-06-14 | 一种基于测试性评价的装备机内故障诊断器设计方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117077505A true CN117077505A (zh) | 2023-11-17 |
CN117077505B CN117077505B (zh) | 2024-05-28 |
Family
ID=88715905
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310705394.XA Active CN117077505B (zh) | 2023-06-14 | 2023-06-14 | 一种基于测试性评价的装备机内故障诊断器设计方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117077505B (zh) |
Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107958292A (zh) * | 2017-10-19 | 2018-04-24 | 山东科技大学 | 基于代价敏感学习的变压器模糊谨慎推理故障诊断方法 |
CN108181107A (zh) * | 2018-01-12 | 2018-06-19 | 东北电力大学 | 计及多分类目标的风电机组轴承机械故障诊断方法 |
CN110006645A (zh) * | 2019-05-10 | 2019-07-12 | 北京航空航天大学 | 一种多源融合的高压断路器机械故障诊断方法 |
CN110674892A (zh) * | 2019-10-24 | 2020-01-10 | 北京航空航天大学 | 一种基于加权多特征融合和svm分类的故障特征筛选方法 |
CN112036301A (zh) * | 2020-08-31 | 2020-12-04 | 中国矿业大学 | 一种基于类内特征迁移学习与多源信息融合的驱动电机故障诊断模型构建方法 |
WO2021051873A1 (zh) * | 2019-09-18 | 2021-03-25 | 平安科技(深圳)有限公司 | 基于相似度预处理脉搏波的方法、装置、计算机系统及可读存储介质 |
CN112906473A (zh) * | 2021-01-19 | 2021-06-04 | 杭州安脉盛智能技术有限公司 | 一种旋转设备故障诊断方法 |
CN114509266A (zh) * | 2022-01-05 | 2022-05-17 | 东南大学 | 一种基于故障特征融合的轴承健康监测方法 |
CN114626435A (zh) * | 2022-02-10 | 2022-06-14 | 南京航空航天大学 | 一种高准确率的滚动轴承智能故障特征选择方法 |
CN115435892A (zh) * | 2022-08-31 | 2022-12-06 | 长春工业大学 | 一种复杂机电装备的智能故障诊断方法 |
CN115799580A (zh) * | 2022-12-08 | 2023-03-14 | 合肥综合性国家科学中心能源研究院(安徽省能源实验室) | 基于优化fcm训练的os-elm燃料电池故障诊断方法 |
CN115828140A (zh) * | 2022-12-13 | 2023-03-21 | 中国民航大学 | 邻域互信息与随机森林相融合故障检测方法、系统及应用 |
-
2023
- 2023-06-14 CN CN202310705394.XA patent/CN117077505B/zh active Active
Patent Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107958292A (zh) * | 2017-10-19 | 2018-04-24 | 山东科技大学 | 基于代价敏感学习的变压器模糊谨慎推理故障诊断方法 |
CN108181107A (zh) * | 2018-01-12 | 2018-06-19 | 东北电力大学 | 计及多分类目标的风电机组轴承机械故障诊断方法 |
CN110006645A (zh) * | 2019-05-10 | 2019-07-12 | 北京航空航天大学 | 一种多源融合的高压断路器机械故障诊断方法 |
WO2021051873A1 (zh) * | 2019-09-18 | 2021-03-25 | 平安科技(深圳)有限公司 | 基于相似度预处理脉搏波的方法、装置、计算机系统及可读存储介质 |
CN110674892A (zh) * | 2019-10-24 | 2020-01-10 | 北京航空航天大学 | 一种基于加权多特征融合和svm分类的故障特征筛选方法 |
CN112036301A (zh) * | 2020-08-31 | 2020-12-04 | 中国矿业大学 | 一种基于类内特征迁移学习与多源信息融合的驱动电机故障诊断模型构建方法 |
CN112906473A (zh) * | 2021-01-19 | 2021-06-04 | 杭州安脉盛智能技术有限公司 | 一种旋转设备故障诊断方法 |
WO2022156330A1 (zh) * | 2021-01-19 | 2022-07-28 | 杭州安脉盛智能技术有限公司 | 一种旋转设备故障诊断方法 |
CN114509266A (zh) * | 2022-01-05 | 2022-05-17 | 东南大学 | 一种基于故障特征融合的轴承健康监测方法 |
CN114626435A (zh) * | 2022-02-10 | 2022-06-14 | 南京航空航天大学 | 一种高准确率的滚动轴承智能故障特征选择方法 |
CN115435892A (zh) * | 2022-08-31 | 2022-12-06 | 长春工业大学 | 一种复杂机电装备的智能故障诊断方法 |
CN115799580A (zh) * | 2022-12-08 | 2023-03-14 | 合肥综合性国家科学中心能源研究院(安徽省能源实验室) | 基于优化fcm训练的os-elm燃料电池故障诊断方法 |
CN115828140A (zh) * | 2022-12-13 | 2023-03-21 | 中国民航大学 | 邻域互信息与随机森林相融合故障检测方法、系统及应用 |
Non-Patent Citations (1)
Title |
---|
吕佳朋等: "基于故障敏感度学习和集成学习的可诊断性设计方法", 26 December 2023, 兵工学报, pages: 1 - 12 * |
Also Published As
Publication number | Publication date |
---|---|
CN117077505B (zh) | 2024-05-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110704801B (zh) | 桥梁集群结构运营安全智能监测与快速检测成套方法 | |
KR102106775B1 (ko) | 딥러닝을 이용한 전지 진단 방법 | |
Doebling et al. | A summary review of vibration-based damage identification methods | |
Li et al. | Damage identification in civil engineering structures utilizing PCA‐compressed residual frequency response functions and neural network ensembles | |
Manson et al. | Experimental validation of a structural health monitoring methodology: Part III. Damage location on an aircraft wing | |
CN106323452B (zh) | 一种设备异音的检测方法及检测装置 | |
CN108363952A (zh) | 诊断装置 | |
CN102265227A (zh) | 用于在机器状况监视中创建状态估计模型的方法和设备 | |
GB2453446A (en) | Method and system for quantifying damage in a structure | |
CN108896308A (zh) | 一种基于概率包络的轮对轴承故障诊断方法 | |
CN110018322B (zh) | 一种基于深度学习的转速检测方法及系统 | |
CN109376778A (zh) | 一种基于特征变量加权的故障分类诊断方法 | |
CN109374631A (zh) | 一种隧道状态评测方法 | |
CN115798516A (zh) | 一种可迁移的端到端声信号诊断方法及系统 | |
CN111007390B (zh) | 基于代数方法的模拟电路故障诊断模型 | |
Fritz et al. | Fault diagnosis in structural health monitoring systems using signal processing and machine learning techniques | |
CN100582722C (zh) | 用于评估动态系统的设备和方法 | |
Deuszkiewicz et al. | On-line condition monitoring of a power transmission unit of a rail vehicle | |
CN117077505B (zh) | 一种基于测试性评价的装备机内故障诊断器设计方法 | |
CN111561968A (zh) | 基于传感器的环境参数检测方法、装置及数据处理设备 | |
CN110887664A (zh) | 建立轴承故障识别模型的方法和装置 | |
CN111753876B (zh) | 一种基于深度神经网络的产品质量检测方法 | |
CN112860658B (zh) | 基于数据挖掘的高速列车电磁发射预测方法 | |
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 | |
CN114838932A (zh) | 一种rv减速器缓慢时变微弱故障诊断方法 |
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 |