基于正态云模型区间证据融合的电机轴系故障风险模式辨识方法技术

本发明专利技术公开了一种基于正态云模型区间证据融合的电机轴系故障风险模式辨识方法。该方法基于对故障典型数据的分析，构建各种故障样板模式的云模型；根据在线监测电机轴系不同故障特征下的数据，构建故障待检模式云模型；将待检模式与各种故障样板模式的云模型进行匹配，获得该待检模式对不同故障样板模式的匹配度区间；对获取的匹配度区间进行归一化得到用于融合的区间证据；对区间证据进行融合，并依据一定的辨识准则，进行故障风险模式判定。本发明专利技术利用正态云模型描述客观对象模糊性和随机性的优势，通过构建待检模式以及故障样板模式的云模型以获得更为精准的区间证据，使得基于区间证据融合所获得的故障风险模式辨识结果更加符合实际情况。果更加符合实际情况。果更加符合实际情况。

【技术实现步骤摘要】
基于正态云模型区间证据融合的电机轴系故障风险模式辨识方法


[0001]本专利技术涉及一种基于正态云模型区间证据融合的电机轴系故障风险模式辨识方法，属于机械设备故障诊断和维护


技术介绍

[0002]随着科学技术的发展，电机轴系设备已逐步应用到一些复杂、高速以及精密的机械运动场所当中。由于机械部件之间的联系越来越密切，随着使用时长的增加，电机轴系设备不可避免会发生故障，一旦出现故障，有可能直接导致整个机械系统无法正常运行，从而影响工作效率，造成经济损失，甚至引发相关安全问题。为此利用故障风险模式辨识技术及时准确判断故障风险的发生，对于提升设备的安全性具有重要的实际意义。
[0003]在对电机轴系系统进行故障风险模式辨识时，常常因为测量环境的影响以及设备本身运行状态的实时变化，从而导致电机轴系系统所产生的故障风险模式与单一故障特征之间鲜有较为明确的一一对应关系，通过传统的单传感器，单因素监测和单模型的处理与辨识方法已不能对电机轴系系统相对应的故障风险模式做出准确且高效的判断，为了增加故障风险辨识的准确性，通过多源信息融合技术，利用多个传感器采集不同故障特征信息，根据这些信息采用某种规则进行融合，从而获得对故障风险模式更为准确的描述，进而提升辨识的可靠性。

技术实现思路

[0004]本专利技术的目的是提出一种基于正态云模型区间证据融合的电机轴系故障风险模式辨识方法，通过多种故障特征信息对不同故障风险模式的描述，根据正态云模型获取区间证据，利用证据推理规则将获得的不同故障特征下的区间证据进行融合，基于融合后的区间型信度，依据辨识准则得到对电机轴系故障风险模式的判定。
[0005]本专利技术提出的基于正态云模型区间证据融合的电机轴系故障风险模式辨识方法，包括以下各步骤：
[0006](1)设定轴系的转速为ρ转/分钟，1000≤ρ≤2500，令轴系系统的故障风险模式组成的故障集合为Θ＝{X,Y,Z}，其中X表示电机轴系中的不平衡故障，Y表示电机轴系中的不对中故障，Z表示电机轴系中的基座松动故障；
[0007](2)通过分别安装在轴系支撑座水平和垂直方向上的振动加速度传感器和振动位移传感器，按设定时间间隔，连续采集时域振动序列，通过傅里叶变换获取振动加速度1～3倍频下的幅值，以及时域振动位移平均幅值，将其作为故障特征；
[0008]设定轴系系统处于故障风险模式U,U∈{X,Y,Z}下，依次采集振动加速度1倍频、2倍频、3倍频的幅值以及时域振动位移平均幅值这4种故障特征的数据，记为其中i＝1,2,3,4依次表示以上4种故障特征，N表示采集到的数据样本个数，50≤N≤500；
[0009](3)设定故障风险模式U在第i种故障特征下的样板模式云模型为构成样板模式云模型的云滴记为其中g＝1,2,
…
G，G代表生成云滴的总数，1000≤G≤5000，构建4种故障特征下3种故障风险模式的样板模式云模型；
[0010](4)在线获取一组待检样本数据，记为F
i
,其中N1≤N，表示在线数据样本总数；
[0011](5)用F
i
代替步骤(3)中的故障风险模式U在故障特征i下的数据，然后重复步骤(3)的整个计算过程，得到在4种故障特征下的待检模式云模型：{C1,C2,C3,C4},C
i
＝{d
i,1
,...,d
i,g
,...,d
i,G
|d
i,g
＝{c
i,g
,μ(c
i,g
)}}；
[0012](6)在故障特征i下，计算样板模式云模型与待检模式云模型C
i
的匹配度，进而获得待检模式云模型C
i
支持3种故障风险模式发生的区间证据；
[0013](7)将步骤(6)中得到的区间证据利用证据推理规则进行融合；
[0014](8)根据步骤(7)得到H4次融合结果，并计算融合后所得q的区间证据为
[0015]M(q)＝[a
θ
,b
θ
]ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(1)
[0016][0017][0018]根据式(1)
‑
(3)则可以得到融合后的正态云模型区间证据，如表1所示：
[0019]表1融合结果表
[0020][0021][0022](9)根据表1中所示区间证据给出故障风险模式辨识准则，亦即满足以下2个条件即可判定待检样本F
i
指向的故障风险模式为q,θ∈{X,Y,Z,Θ}：
[0023]①
M(θ),(θ≠Θ)区间证据的左右端点分别大于其它故障风险模式对应区间证据的左右端点；
[0024]②
M(Θ)的右端点小于0.3。
[0025]本专利技术的有益效果：
[0026]一、本专利技术利用正态云模型描述客观对象模糊性和随机性的优势，通过构建待检模式以及故障样板模式的云模型以获得更加准确的区间证据，使得基于区间证据融合所获得的故障风险辨识结果更加符合实际情况。
[0027]二、由于单个的故障特征与电机轴系故障风险模式之间没有较为清晰的映射关系，为此，本专利技术综合不同故障特征下的信息，采用多种信息融合的方式，依据证据推理规则进行融合，从而增加对故障风险模式辨识的准确性。
[0028]三、由于单值证据对不确定性信息或模糊信息度量的不全面性、粗糙性以及度量过程可能会丢失很多有用的信息等缺点，本专利技术采用区间型证据，从而保证了不确定信息
度量的完整性，使得融合辨识结果更具有全面性和可靠性。
附图说明
[0029]图1是本专利技术方法的流程框图。
[0030]图2是本专利技术方法实施例中的待检模式与3种故障样板模式云模型的匹配说明图。
[0031]图3是使用本专利技术方法的实施例中电机轴系故障风险模式辨识系统结构图。
[0032]图4是本专利技术实施例中在“振动加速度1倍频幅值”故障特征下的待检模式与3种故障样板模式的云模型匹配图。
[0033]图5是本专利技术实施例中在“振动加速度2倍频幅值”故障特征下的待检模式与3种故障样板模式的云模型匹配图。
[0034]图6是本专利技术实施例中在“振动加速度3倍频幅值”故障特征下的待检模式与3种故障样板模式的云模型匹配图。
[0035]图7是本专利技术实施例中在“时域振动位移平均幅值”故障特征下的待检模式与3种故障样板模式的云模型匹配图。
具体实施方式
[0036]本专利技术涉及一种基于正态云模型区间证据融合的电机轴系故障风险模式辨识方法，基于对故障典型数据的分析，在不同的故障特征下构建各种故障样板模式的云模型；根据在线监测电机轴系不同故障特征下的数据，构建故障待检模式云模型；将待检模式与各种故障样板模式的云模型进行匹配，获得该待检模式对不同故障样板模式的匹配度区间；对获取的匹配度区间进行本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于正态云模型区间证据融合的电机轴系故障风险模式辨识方法，其特征在于该方法包括以下各步骤：(1)设定轴系的转速为ρ转/分钟，1000≤ρ≤2500，令轴系系统的故障风险模式组成的故障集合为Θ＝{X,Y,Z}，其中X表示电机轴系中的不平衡故障，Y表示电机轴系中的不对中故障，Z表示电机轴系中的基座松动故障；(2)通过分别安装在轴系支撑座水平和垂直方向上的振动加速度传感器和振动位移传感器，按设定时间间隔，连续采集时域振动序列，通过傅里叶变换获取振动加速度1～3倍频下的幅值，以及时域振动位移平均幅值，将其作为故障特征；设定轴系系统处于故障风险模式U,U∈{X,Y,Z}下，依次采集振动加速度1倍频、2倍频、3倍频的幅值以及时域振动位移平均幅值这4种故障特征的数据，记为F
U
,其中i＝1,2,3,4依次表示以上4种故障特征，N表示采集到的数据样本个数，50≤N≤500；(3)设定故障风险模式U在第i种故障特征下的样板模式云模型为构成样板模式云模型的云滴记为其中g＝1,2,
…
G，G代表生成云滴的总数，1000≤G≤5000，构建4种故障特征下3种故障风险模式的样板模式云模型；(4)在线获取一组待检样本数据，记为F
i
,其中N1≤N，表示在线数据样本总数；(5)用F
i
代替步骤(3)中的故障风险模式U在故障特征i下的数据，然后重复步骤(3)的整个计算过程，得到在4种故障特征下的待检模式云模型：{C1,C2,C3,C4},C
i
＝{d
i,1
,...,d
i,g
,...,d
i,G
|d
i,g
＝{c
i,g
,μ(c
i,g
)}}；(6)在故障特征i下，计算样板模式云模型与待检模式云模型C
i
的匹配度，进而获得待检模式云模型C
i
支持3种故障风险模式发生的区间证据；(7)将步骤(6)中得到的区间证据利用证据推理规则进行融合；(8)根据步骤(7)得到H4次融合结果，并计算融合后所得θ的区间证据为M(θ)＝[a
θ
,b
θ
]
ꢀꢀꢀꢀ
(1)(1)根据式(1)
‑
(3)则可以得到融合后的正态云模型区间证据，如表1所示：表1融合结果表(9)根据表1中所示区间证据给出故障风险模式辨识准则，亦即满足以下2个条件即可判定待检样本F
i
指向的故障风险模式为θ,θ∈{X,Y,Z,Θ}：
①
M(θ),(θ≠Θ)区间证据的左右端点分别大于其它故障风险模式对应区间证据的左
右端点；
②
M(Θ)的右端点小于0.3。2.根据权利要求1所述的基于正态云模型区间证据融合的电机轴系故障风险模式辨识方法，其特征在于：所述的1倍频为(ρ/60)Hz，2倍频为(ρ/30)Hz，3倍频为(ρ/15)Hz。3.根据权利要求1所述的基于正态云模型区间证据融合的电机轴系故障风险模式辨识方法，其特征在于：振动加速度传感器和振动位移传感器以Δt＝16s为时间间隔，连续采集时域振动序列。4.根据权利要求1所述的基于正态云模型区间证据融合的电机轴系故障风险模式辨识方法，其特征在于：步骤(3)具体是：(3.1)由步骤(2)可得到故障风险模式U在故障特征i下的数据F
U
,将其算数平均值作为云模型的期望值EX
i,U
(3.2)设定的熵为En，0.05≤En≤0.1，超熵值为He，0.005≤He≤0.01，且(3.3)以熵En为期望，超熵He为标准差生成正态随机数然后再以EX
i,U

【专利技术属性】
技术研发人员：郭豪豪，余善恩，徐晓滨，侯平智，李轶，冯静，马枫，徐晓健，
申请(专利权)人：杭州电子科技大学，
类型：发明
国别省市：