遗传编程和加权证据理论融合的旋转机械故障诊断方法技术

本发明专利技术公开了一种遗传编程和加权证据理论融合的旋转机械故障诊断方法，包括诊断模型、遗传编程、加权证据理论及融合算法；与现有技术相比，本发明专利技术首先，利用遗传编程提取多个故障特征参量，实现对旋转机械故障的初步诊断；其次，将特征参量对各故障的初步诊断结果作为证据体，特征参量对各故障的诊断准确度作为证据的权重分配，实现故障诊断的历史数据对当前诊断结果的修正；最终，采用加权证据理论对多个证据进行融合决策，减小故障诊断的不确定性，实现对故障的准确诊断。实验结果表明，该方法提高了故障诊断的准确性。

【技术实现步骤摘要】

本专利技术涉及一种旋转机械监测技术，尤其涉及一种遗传编程和加权证据理论融合的旋转机械故障诊断方法。
技术介绍
目前的旋转机械状态监测与故障诊断往往是对旋转机械的振动信息进行分析和观察，从中提取有效的故障特征参量，利用所提取的故障特征参量进行故障诊断。优质的故障特征参量往往可以提高诊断的准确率，但有些时候所提取的最优故障特征参量均都不能够很准确地区分故障，给旋转机械故障的有效诊断带来了局限性，但如果能将所提取的多个最优故障特征参量的诊断信息综合起来考虑，就可以对旋转机械的故障进行更准确的诊断。遗传编程作为一种智能的层式结构优化算法，它在构造与选择故障特征参量方面具有很大的优势。针对特征参量提取是齿轮多重故障分类中一个很重要的问题，轩建平等利用频域特征和遗传编程对齿轮箱盖多类状态振动信号进行特征提取；针对单一特征在机械故障特征识别中的不足，王锋等引进遗传编程方法对单一特征重新优化，构建复合特征，利用声音信号的复合特征实现滚动轴承的状态识别。遗传编程通过对原始特征参量的重新组合优化，形成新的故障特征参量，并通过对故障的分类能力来评判新故障特征参量的优劣程度，因此它非常适合故障特征参量的提取。尽管如此，遗传编程在提取特征参量的过程中，根据设定不同的运行参数会收敛到一个解，但是不能保证收敛到的解是全局最优解，可能是近似最优解。对于旋转机械不同故障特征相互呈现多耦合、模糊性等复杂征兆的问题，如果仅采用单个近似最优故障特征参量进行诊断，不可避免地会存在随机性，难以达到较高的故障分类效果。
技术实现思路
本专利技术的目的就在于为了解决上述问题而提供一种遗传编程和加权证据理论融合的旋转机械故障诊断方法。本专利技术通过以下技术方案来实现上述目的：本专利技术包括诊断模型、遗传编程、加权证据理论及融合算法；所述诊断模型：诊断过程中，首先利用遗传编程获得旋转机械运行状态的多个最优特征参量，初步得到各最优特征参量对故障状态的诊断结果，然后通过对故障具有一定分类能力的最优特征参量构造多个证据体，由于每个最优特征参量对各故障的诊断的可靠性不同，因此每个最优特征参量对识别框架中的各故障模式都存在一个权系数，最后采用加权证据理论融合方法将每个最优特征参量的诊断信息进行有效的融合，通过故障判定规则，实现对旋转机械全面与准确地诊断；所述遗传编程：随机产生一个适用于所给问题的初始种群，种群中的每个个体的基因型表示为树状结构，计算每个个体的适应值，依据优胜劣汰原则，选择遗传算子对种群不断进行迭代优化，直到在某一代上找到最优解或近似最优解，在实际应用中，运行遗传编程算法之前，需要预先确定几个问题：(1)运算符集的选取：选用+、-、*、/、sqrt、exp、log、fabs；(2)终止符集的选取：选用机械故障诊断中常用的四种特征参量：峰值指标、脉冲指标、裕度指标、峭度指标，这四个无量纲指标因其对机械运行的工况变化不敏感，而对某些故障种类足够敏感，所以被广泛应用于机械故障诊断中；(3)适应度函数的设计，本文根据分类的能力采用类内距和类间距来设计适应度函数，分类效果应为类间距尽可能大，而平均类内距尽可能小，此处设计适应度函数为 F i t n e s s = min ( D i j , i , j = 1 , 2 , ... , n , i ≠ j ) m e a n ( D ϵ , ϵ = 1 , 2 , ... , n ) - - - ( 1 ) ]]>式中Dij表示第i类与第j类之间的类间距，Dε表示类内离散度，分子表示取类间离散度最小值，分母表示取类内离散度平均值；(4)群体规模、迭代次数、遗传算子概率以及终止程序运行的准则的设置；所述加权证据理论及融合算法：设某问题的相互独立的所有可能答案的集合，称为识别框架Θ，2Θ为Θ的幂集，如果函数m:2Θ→[0,1]满足 m ( f ) = 0 Σ A ⊆ Θ m ( A ) = 1 - - - ( 2 ) ]]>则称m为框架Θ上的基本概率分配函数[10]，加权概率分配：对基本概率分配函数进行加权处理，设证据权系数W(A)→[0,1]，则称由 W m ( A ) = W 本文档来自技高网...

【技术保护点】
一种遗传编程和加权证据理论融合的旋转机械故障诊断方法，其特征在于：包括诊断模型、遗传编程、加权证据理论及融合算法；所述诊断模型：诊断过程中，首先利用遗传编程获得旋转机械运行状态的多个最优特征参量，初步得到各最优特征参量对故障状态的诊断结果，然后通过对故障具有一定分类能力的最优特征参量构造多个证据体，由于每个最优特征参量对各故障的诊断的可靠性不同，因此每个最优特征参量对识别框架中的各故障模式都存在一个权系数，最后采用加权证据理论融合方法将每个最优特征参量的诊断信息进行有效的融合，通过故障判定规则，实现对旋转机械全面与准确地诊断；所述遗传编程：随机产生一个适用于所给问题的初始种群，种群中的每个个体的基因型表示为树状结构，计算每个个体的适应值，依据优胜劣汰原则，选择遗传算子对种群不断进行迭代优化，直到在某一代上找到最优解或近似最优解，在实际应用中，运行遗传编程算法之前，需要预先确定几个问题：(1)运算符集的选取：选用+、‑、*、/、sqrt、exp、log、fabs；(2)终止符集的选取：选用机械故障诊断中常用的四种特征参量：峰值指标、脉冲指标、裕度指标、峭度指标，这四个无量纲指标因其对机械运行的工况变化不敏感，而对某些故障种类足够敏感，所以被广泛应用于机械故障诊断中；(3)适应度函数的设计，本文根据分类的能力采用类内距和类间距来设计适应度函数，分类效果应为类间距尽可能大，而平均类内距尽可能小，此处设计适应度函数为Fitness=min(Dij,i,j=1,2,...,n,i≠j)mean(Dϵ,ϵ=1,2,...,n)---(1)]]>式中Dij表示第i类与第j类之间的类间距，Dε表示类内离散度，分子表示取类间离散度最小值，分母表示取类内离散度平均值；(4)群体规模、迭代次数、遗传算子概率以及终止程序运行的准则的设置；所述加权证据理论及融合算法：设某问题的相互独立的所有可能答案的集合，称为识别框架Θ，2Θ为Θ的幂集，如果函数m:2Θ→[0,1]满足m(f)=0ΣA⊆Θm(A)=1---(2)]]>则称m为框架Θ上的基本概率分配函数[10]，加权概率分配：对基本概率分配函数进行加权处理，设证据权系数W(A)→[0,1]，则称由Wm(A)=W(A)×m(A)Wm(Θ)=1-ΣA⋐Θm(A)---(3)]]>所计算得到的函数Wm:2Θ→[0,1]为Θ上的加权概率分配函数，证据权系数体现了证据对识别框架中各真子集的识别具有不同的可靠性和权威性，Wm(A)表示证据体对A的加权概率分配，Wm(Θ)表示证据体对整个识别框架Θ的加权概率分配即不确定度，信度区间：设Θ为识别框架，Wm:2Θ→[0,1]为框架Θ上的加权概率分配函数，则称由Bel(A)=ΣB⊆AWm(B)Pl(A)=1-Bel(A‾)=ΣB∩A≠fWm(B)---(4)]]>所定义的函数Bel:2Θ→[0,1]为Θ上的信度函数，Pl:2Θ→[0,1]为Bel的似真度函数，对于[Bel(A),Pl(A)]称为A的信度区间，信度区间描述了问题的不确定性，加权证据理论融合算法：设Bel1和Bel2是同一识别框架Θ上基于不同证据的两个信度函数，Wm1和Wm2分别是对应的加权概率分配函数，焦元分别为A1，A2，...，Ak和B1，B2...Bn，若且K=ΣB∩A=fWm1(Ai)*Wm2(Bj)<1---(5)]]>则组合后的加权概率分配函数Wm:2Θ→[0,1]为Wm(A)=0A=fΣAi∩Bj=AWm1(Ai)*Wm2(Bj)1-K,A≠f---(6)]]>式中K反映了证据间的冲突程度，其值越大说明证据间的冲突越大，当k值趋于1时，表示证据完全冲突，组合法则不再适用，但本文对基本概率分配函数进行加权处理后，证据间的冲突已被降低，k值不会趋近于1，因此加权证据理论能够更广泛地满足各种实际应用，式(6)的这种组合代表的是两个证据间的组合，多个证据组合的计算可以用两个证据组合的计算递推得到，故障判定规则：可以由以下规则确定出诊断结论Fa.规则1：规则2Bel(Fa)‑Bel(Fj)＞ε1,Bel(Fa)‑Wmi(Θ)＞ε2,ε1,ε2∈R且ε1,ε2＞0规则3：Wmi(Θ)＜γ,γ∈R且γ＞0规则1表明诊断结论应具有最大可信度；规则2表明诊断结论的可信度和其他故障类型的可信度和加权证据不确定性大ε1和ε2；规则3表明加权证据的不确定性必须小于γ，其中ε1，ε2和γ视实际情况确定，尽量使诊断结论具有...

【技术特征摘要】
1.一种遗传编程和加权证据理论融合的旋转机械故障诊断方法，其特征在于：包括诊断模型、遗传编程、加权证据理论及融合算法；所述诊断模型：诊断过程中，首先利用遗传编程获得旋转机械运行状态的多个最优特征参量，初步得到各最优特征参量对故障状态的诊断结果，然后通过对故障具有一定分类能力的最优特征参量构造多个证据体，由于每个最优特征参量对各故障的诊断的可靠性不同，因此每个最优特征参量对识别框架中的各故障模式都存在一个权系数，最后采用加权证据理论融合方法将每个最优特征参量的诊断信息进行有效的融合，通过故障判定规则，实现对旋转机械全面与准确地诊断；所述遗传编程：随机产生一个适用于所给问题的初始种群，种群中的每个个体的基因型表示为树状结构，计算每个个体的适应值，依据优胜劣汰原则，选择遗传算子对种群不断进行迭代优化，直到在某一代上找到最优解或近似最优解，在实际应用中，运行遗传编程算法之前，需要预先确定几个问题：(1)运算符集的选取：选用+、-、*、/、sqrt、exp、log、fabs；(2)终止符集的选取：选用机械故障诊断中常用的四种特征参量：峰值指标、脉冲指标、裕度指标、峭度指标，这四个无量纲指标因其对机械运行的工况变化不敏感，而对某些故障种类足够敏感，所以被广泛应用于机械故障诊断中；(3)适应度函数的设计，本文根据分类的能力采用类内距和类间距来设计适应度函数，分类效果应为类间距尽可能大，而平均类内距尽可能小，此处设计适应度函数为 F i t n e s s = min ( D i j , i , j = 1 , 2 , ... , n , i ≠ j ) m e a n ( D ϵ , ϵ = 1 , 2 , ... , n ) - - - ( 1 ) ]]>式中Dij表示第i类与第j类之间的类间距，Dε表示类内离散度，分子表示取类间离散度最小值，分母表示取类内离散度平均值；(4)群体规模、迭代次数、遗传算子概率以及终止程序运行的准则的设置；所述加权证据理论及融合算法：设某问题的相互独立的所有可能答案的集合，称为识别框架Θ，2Θ为Θ的幂集，如果函数m:2Θ→[0,1]满足 m ( f ) = 0 Σ A ⊆ Θ m ( A ) = 1 - - - ( 2 ) ]]>则称m为框架Θ上的基本概率分配函数[10]，加权概率分配：对基本概率分配函数进行加权处理，设证据权系数W(A)→[0,1]，则称由 W m ( A ) = W ( A ) × m ( A ) W m ( Θ ) = 1 - Σ A ⋐ Θ m ( A ) - - - ( 3 ) ]]>所计算得到的函数Wm:2Θ→[0,1]为Θ上的加权概率分配函数，证据权系数体现了证据对识别框架中各真子集的识别具有不同的可靠性和权威性，Wm(A)表示证据体对A的加权概率分配，Wm(Θ)表示证据体对整个识别框架Θ的加权概率分配即不确定度，信度区间：设Θ为识别框架，Wm:2Θ→[0,1]为框架Θ上的加权概率分配函数，则称由 B e l ( A ...

【专利技术属性】
技术研发人员：覃爱淞，胡勤，张清华，段志宏，孙国玺，何俊，邵龙秋，林水泉，
申请(专利权)人：广东石油化工学院，
类型：发明
国别省市：广东;44