技术领域
本发明属于故障诊断领域,具体涉及一种基于否定证据信度结构的多特征故障诊断方法。
背景技术
随着现代科学技术及生产水平的提高,自动化、智能化逐渐应用在越来越多的领域,如工业、科研、医学等。在实际使用中,系统运作的安全性是一个至关重要的问题,及时对系统进行故障诊断可以有效检测其运行状态,避免安全事故的发生。因此,对故障诊断技术的研究具有很重要的现实意义。
故障诊断主要研究如何对系统运行状态与故障类型进行有效识别定位。现有的故障诊断方法包括基于模型的方法、基于信号处理的方法、基于数据驱动的方法和基于知识的方法等。随着现代化设备趋于复杂化、大型化,传感器采集的故障信息的随机性和模糊性也应该得到重视。此外,由于环境噪声、系统噪声和测量误差等因素,故障信息一般也是不确定的,甚至是相互冲突的,可能导致故障诊断结果误差较大。因此,如何有效处理这些特性的信息就显得尤为重要。模糊数理论及证据理论在处理不确定信息、模糊信息等方面具有独特优势,被广泛应用于故障诊断、决策分析与可靠性评估等领域。证据的信度结构作为证据理论的基础,在信息的处理过程中不可或缺。然而证据信度结构通常包含不确定性,使用证据信度结构的否定可以模拟证据信度结构中附加的不确定信息,获得证据体中额外有价值的信息,同时处理更多的信息以获得更大的准确度。
此外,现代化设备的复杂化也决定了故障信号与故障征兆之间的交叉性,若仅依靠单一故障信息源可能造成诊断结果偏离实际故障,而信息融合技术能够融合多源故障类型信息,实现对目标的更准确全面认知,广泛应用于多个领域。
因此,本申请基于多特征传感器探测的系统故障信息,融合三角模糊数理论、证据理论和信息融合技术识别系统故障类型,一方面可以较好处理传感器信息的不确定性,另一方面又可以提升故障识别的准确率。
发明内容
本发明所要解决的技术问题是:如何实现故障诊断。使用该方法实现故障诊断对系统设备安全领域具有重要意义。
为解决上述技术问题,本发明采用的技术方案是一种基于否定证据信度结构的多特征故障诊断方法,其特征在于,包括以下步骤:
步骤一、依据故障样本数据集与待测样本数据分别生成三角模糊数;
系统基于r种故障特征C
步骤101:计算故障样本数据集D
步骤102:根据步骤101计算待测样本数据T
步骤二、依据故障样本数据集与待测样本数据的三角模糊数匹配生成各故障特征的否定证据信度结构;
步骤201:将故障样本数据集中故障特征C
步骤202:依据步骤201生成待测样本数据T
步骤三、生成各故障特征的证据信度结构;
步骤301:基于步骤202中生成的待测样本数据T
步骤302:依据步骤301生成待测样本数据T
步骤四、依据故障样本数据集生成各故障特征的权重;
步骤401:基于步骤101中计算得到的故障样本数据集D
步骤402:根据公式
步骤403:依据步骤402生成故障样本数据集D
步骤五、融合各故障特征的证据信度结构并判断待测样本所属故障类型;
步骤501:将步骤三中得到的待测样本数据在r个故障特征下的r个证据信度结构使用加权平均法进行融合,基于步骤403中生成的各故障特征的权重,根据公式
步骤502:依据步骤501中生成的加权平均证据信度结构,首先使用公式
步骤503:根据公式
步骤504:依据步骤502计算得到n个故障类型的概率并进行比较,最大的即为待测样本所属的类型。
本发明与现有技术相比具有以下有益效果:
1、本发明的步骤简单、设计合理,实现及使用操作方便;
2、本发明通过三角模糊数表示故障样本信息,生成待检模式在各故障特征上的否定证据信度结构,并对其否定转换为证据信度结构,能够有效处理传感器探测信息的不确定性,模拟证据信度结构中附加的不确定信息,获得证据体中额外有价值的信息,同时处理更多的信息以获得更大的准确度;
3、本发明使用故障样本数据集上各故障特征的变异系数生成各故障特征的权重,消除测量尺度和量纲的影响,有效度量各故障特征所占比重,并通过信息融合方法融合多个故障特征上的证据信度结构,有效处理单一传感器识别结果的不确定性,提高识别准确率。
综上所述,本发明技术方案设计合理,将故障样本数据集与测试样本表示为三角模糊数,匹配生成否定证据信度结构,对其否定生成证据信度结构,并根据故障样本数据集生成各故障特征的权重,基于信息融合方法融合各故障特征上的证据信度结构,既能够有效处理故障信息的不确定性,又提高故障识别的准确性。
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为本发明的方法流程图
图2为本发明中待测样本数据T
具体实施方式
下面结合附图及本发明的实施例对本发明的方法做进一步的详细说明。
需要说明的是,在不冲突的情况下,本申请中的实施例及实施例中的故障类型可以相互组合。下面将参考附图并结合实施例来详细说明本发明。
需要注意的是,这里所使用的术语仅仅是为了描述具体实施方式,而非意图限制根据本申请的示例性实施方式。如在这里所使用的,除非上下文另外明确指出,否则单数形式也意图包括复数形式,此外,还应当理解的是,当在本说明书中使用术语“包含”和/或“包括”时,其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
需要说明的是,本申请的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的本申请的实施方式例如能够以除了在这里图示或描述的那些以外的顺序实施。此外,术语“包括”和“具有”以及他们的任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
为了便于描述,在这里可以使用空间相对术语,如“在……之上”、“在……上方”、“在……上表面”、“上面的”等,用来描述如在图中所示的一个器件或特征与其他器件或特征的空间位置关系。应当理解的是,空间相对术语旨在包含除了器件在图中所描述的方位之外的在使用或操作中的不同方位。例如,如果附图中的器件被倒置,则描述为“在其他器件或构造上方”或“在其他器件或构造之上”的器件之后将被定位为“在其他器件或构造下方”或“在其他器件或构造之下”。因而,示例性术语“在……上方”可以包括“在……上方”和“在……下方”两种方位。该器件也可以其他不同方式定位(旋转90度或处于其他方位),并且对这里所使用的空间相对描述作出相应解释。
如图1所示,本发明包括以下步骤:
步骤一、依据故障样本数据集与待测样本数据分别生成三角模糊数;
实际使用时,采用传感器采集r种故障特征C
步骤101:计算故障样本数据集D
步骤102:根据步骤101计算待测样本数据T
步骤二、依据故障样本数据集与待测样本数据的三角模糊数匹配生成各故障特征的否定证据信度结构;
本发明基于证据理论将待测样本数据与故障样本数据集的三角模糊数匹配生成待测样本数据T
步骤201:将故障样本数据集中故障特征C
步骤202:依据步骤201生成待测样本数据T
步骤三、生成各故障特征的证据信度结构;
生成待测样本数据T
步骤301:基于步骤202中生成的待测样本数据T
步骤302:依据步骤301生成待测样本数据T
步骤四、依据故障样本数据集生成各故障特征的权重;
使用故障样本数据集上各故障特征的变异系数生成各故障特征的权重,消除测量尺度和量纲的影响,有效度量各故障特征所占比重,生成方法为:
步骤401:基于步骤101中计算得到的故障样本数据集D
步骤402:根据公式
步骤403:依据步骤402生成故障样本数据集D
步骤五、融合各故障特征的证据信度结构并判断待测样本所属故障类型;
若仅依靠单一故障特征上的证据信度结构判断故障类型可能存在较大的误差,因此,需要对各故障特征上的证据信度结构进行融合,有效处理单一传感器识别结果的不确定性,提高识别准确率,具体方法为:
步骤501:将步骤三中得到的待测样本数据在r个故障特征下的r个证据信度结构使用加权平均法进行融合,基于步骤403中生成的各故障特征的权重,根据公式
步骤502:依据步骤501中生成的加权平均证据信度结构,首先使用公式
步骤503:根据公式
步骤504:依据步骤502计算得到n个故障类型的概率并进行比较,最大的即为待测样本所属的类型。
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。
机译: 在语音识别系统中使用单词的否定示例的方法和系统,其中该方法包括定义一组单词,识别一组此类单词的否定示例,对这些组中的关键字进行调查,确定单词的置信度值识别候选单词集中的至少一个单词,比较置信度值,接受候选单词。
机译: 基于优化深信度网络的电力电子电路故障诊断方法
机译: 基于可信度分布的聚类和支持证据数据加速确定可靠性的方法和系统