基于元素影响度和置信规则库的旋转机械故障诊断方法与流程

1.本发明涉及机械故障诊断技术领域，具体为基于元素影响度和置信规则库的旋转机械故障诊断方法。


背景技术：

2.随着旋转机械运行速度越来越高、负载越来越大、自动化程度不断加强，加之其复杂的工业环境和长时间持续运行，设备一旦发生故障或任何损伤，将会直接影响其在工业应用中的运行，造成严重的经济损失和事故发生。因此，准确诊断出旋转机械设备故障，是保障其持续、稳定、安全运行的必要手段。旋转机械故障诊断的本质是通过诊断旋转机械中的转子系统、齿轮箱等异常辨别工况，由于旋转机械在高负载、长时间运行环境下，引起其发生故障因素较多，加之获取故障信号的传感器易受本身精度差异和环境噪声干扰，使得对其故障诊断具有不确定性、强随机性等特点，从而导致故障信号与故障类型之间存在很强的非线性关系。
3.实际工程中旋转机械经常工作在高负载、长时间运行等环境下，易出现转子不平衡、转子不对中、基座松动、连接器松动、齿轮缺齿等故障，并引发旋转机械不同程度的非线性振动。旋转机械异常振动特征与其发生故障种类之间非线性映射关系复杂；将所有特征数据用于建模时，大量对诊断结果影响度低的信息造成建模计算量大且实时性差。


技术实现要素：

4.本发明提出了基于元素影响度和置信规则库的旋转机械故障诊断方法，可以监测机器情况，指导维修和保证机器正常运转。
5.本发明的技术方案如下：
6.基于元素影响度和置信规则库的旋转机械故障诊断方法，首先进行设备安装，包括在电机柔性转子试验台的转自支撑部位的不同方向上，安装多个频域振动加速度传感器，该方法包括，
7.步骤一，建立筛选模型，通过所述频域震动加速度传感器得到故障特征因子，并对其进行加权分配比重；
8.步骤二，分类故障类型，得到根据步骤一中所得模型，设置参考点，建立置信规则库，采用独热编码对其进行描述；
9.步骤三，设置置信规则库，筛选出故障特征的样本数据，以及筛选故障特征前项参考点和后项参考点，基于专家知识和历史数据构建初始置信规则库；
10.步骤四，执行故障诊断，根据步骤三所得的置信规则库，得到诊断结果；
11.步骤五，模型优化，基于独热编码和欧式距离进行模型参数优化。
12.作为进一步优化，设定电机转子的故障类型包括齿轮缺齿、连接器松动、基座松动、转子不对中、转子不平衡和正常运行，所述设备安装的准备步骤包括安装频域震动加速度传感器的个数为m。
13.作为进一步优化，计算机获取1x
‑
3x倍频的频域幅值作为模型输入，在每个电机转子的故障类型下获取3个倍频的3
×
m个故障特征(c1,c2,
…
,c
3m
)，
14.所述步骤一包括，根据与每种故障类型的相关性，从3
×
m个故障特征(c1,c2,
…
,c3m)中挑选相应的故障因子，并对所挑选的故障银子进行加权分配比重，从而得到筛选模型。
15.作为进一步优化，所述步骤一中，建立如下模型
16.q(c
i
,δ
i
)＝q(c1,c2,
…
,c
n
,f),
17.其中，q(c
i
,δ
i
)为约简加权信息，δ为属性权重，q(c1,c2,
…
,c
n
,f)为输入信息，c表示被约简加权特征信息，f为故障类型。
18.作为进一步优化，所述步骤一包括，
19.s1
‑
1，利用bp神经网络的输入层到隐含层之间的连接权重出现一个很小变化δω
ij
，这个变化将会传递到隐含层的输出s
j
，并使其发生改变δs
j
，进而产生网络输出的变化e
k
,通过反向传递将权重ω
ij
和ω
jk
进行更新，定义故障特征的损失函数如下：
[0020][0021]
s1
‑
2，对于故障特征数据集x＝[x(1),x(2),
…
,x(l)]，分别对各个样本数据中的某个特征变量进行自增自减操作，如下所示
[0022][0023][0024]
其中l表示故障特征因子数，n表示样本组数；
[0025]
神经网络的拟合输出如下所示：
[0026][0027][0028]
s1
‑
3令则有
[0029][0030]
综上，取0.1≤δ≤0.3,i＝1,2,
…
,n。和分别表示样本集和的网络输出结果，样本中故障特征变量对故障类型的影响程度表示为
[0031]
iv＝[iv1,iv2,
…
,iv
n
]
t
,
[0032]
进而对按照观测列数对iv取平均值可计算得出故障特征对最终输出故障类型的平均影响程度，表示为：
[0033]
[0034]
根据故障特征因子对故障的平均影响程度，得出其相对应的约简加权信息q(c
i
,δ
i
)。
[0035]
作为进一步优化，所述步骤二包括，
[0036]
根据故障特征对故障诊断的平均影响程度筛选出相应的故障特征c
i
,c
ii
,c
iii
，并根据筛选出的故障特征平均影响度值对其进行加权，加权属性权重为δ
i
，δ
ii
,δ
iii
，根据筛选加权的高影响度故障特征数据，设置5个前项属性的参考点，即正极小(vs)，小正(ps)，正中(pm)，正大(ml)和极大(vl)，其值如下：
[0037][0038][0039][0040]
对以上数据采用独热编码对其进行描述。
[0041]
作为进一步优化，所述步骤四包括，
[0042]
s4
‑
1，计算输入量的匹配度，
[0043]
s4
‑
2，计算被激活规则的权重，
[0044]
s4
‑
3，融合被激活的规则并输出诊断故障结果。
[0045]
作为进一步优化，所述s4
‑
1包括，
[0046]
将筛选故障特征的样本数据作为输入，输入变量x
i
与前项参考值存在匹配度存在匹配度如果x
i
小于等于中的最小值，x
i
与的匹配程度是0；如果大于等于中的最大值时，则x
i
与的匹配程度是1；否则x
i
与的匹配程度则为
[0047][0048][0049]
所述s4
‑
2包括，
[0050]
获得输入量对每个规则中参考点的匹配度之后，置信规则库中的规则将被输入故障特征数据不同程度的激活，激活权重w
k
为
[0051][0052]
其中为被激活规则的相对属性权重
[0053][0054]
所述s4
‑
3包括，
[0055]
根据w
k
和对不同程度激活的置信规则进行折扣，进而利用证据推理理论融合折扣后置信规则的后项结构，融合结果为
[0056]
o(x)＝{(f
j
,β
j
),j＝1,2,
…
,6},
[0057]
其中
[0058][0059][0060]
式中，且0≤β
j
≤1，β
j
表示融合结果对故障模式f
j
的支持程度，若max(β1，β2，
…
，β
j
，
…
β6)＝β
j
，则表示旋转机械发生故障f
j
的可能性最高，诊断结果为
[0061]
作为进一步优化，所述步骤五包括，
[0062]
s5
‑
1，对各类故障类型进行独热编码，将原本离散的属性特征扩展至欧式空间，将系统输出与实际输出的欧式距离为参数设计优化目标函数
[0063][0064]
s5
‑
2，以
[0065][0066]
为约束条件得到使ξ(p)(规则权重θ
k
、后项输出置信度β
j,k
、属性权重δ
k
)为最小值时的最优参数集合p。
[0067]
作为进一步优化，所述步骤五还包括，采用随机梯度下降法来对模型进行训练，获得ξ(p)的最优参数集，从多功能电机柔性转子试验台的m个频域振动加速度传感器获取到的3m个故障特征及其数据，经过步骤一的平均影响度筛选加权处理后，重复步骤二到步骤四即可获得更为准确的旋转机械故障的诊断结果
[0068]
本发明的工作原理及有益效果为：
[0069]
通过对非线性振动数据建模，及时诊断旋转机械发生故障类型，对提高旋转机械维护的“状态修”水平和实现健康周期管理起到辅助决策的作用。其优势在于利用监测振动数据根据专家经验知识建立的模型对旋转机械故障进行诊断，在不进行停机维护的情况下判断旋转机械的健康状态，从而自适应调整修护周期，保障旋转机械系统稳定、安全运行。通过多源传感器对旋转机械运行情况进行监测，利用与故障类型具有高相关性的监测数据建模诊断故障类型，对指导旋转机械维修和保证旋转机械健康状态有着积极作用。
附图说明
[0070]
下面结合附图和具体实施方式对本发明作进一步详细的说明。
[0071]
图1是本发明方法的流程框图；
[0072]
图2是本发明方法实施例中zhs
‑
2型多功能电机柔性转子试验台所采集3个倍频15个故障特征对应故障类型的平均影响度；
[0073]
图3是本发明方法实施例中通过miv值筛选出故障特征c3,c5,c
13
的样本数据及其
对应的故障类型；
[0074]
图4是本发明方法实施例中模型优化前后对应的均方根误差图。
具体实施方式
[0075]
下面将结合本发明实施例，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都涉及本发明保护的范围。
[0076]
具体实施例1，如说明书附图1所示，本发明提出的基于元素影响度和置信规则库的旋转机械故障诊断方法，利用平均影响度(miv)算法挑选并加权故障特征为模型输入，以旋转机械的故障类型为输出，构建置信规则库(brb)模型。规则库中的多条或某条置信规则将被输入的振动特征数据不同程度的激活，结合证据推理算法融合被激活规则，从融合的后项置信结构中得出发生故障类型，同时给出潜在故障类型发生概率，并且模型参数物理意义明确，可解释性强。最后以旋转机械中基本的电机转子为例，验证所提方法的有效性。
[0077]
具体为：
[0078]
准备步骤：设定在zhs
‑
2型多功能电机柔性转子试验台转子支撑部位的不同方向上，安装m个频域振动加速度传感器感知电机转子故障状态。由于不同电机转子故障类型会引起多频率成分的振动幅值变化，故获取1x～3x倍频的频域幅值变化为模型输入。设置电机转速为1500r/m，则基频1x为25hz，n倍频nx(n＝1,2,3,
…
)为(n
×
25)hz。在每个电机转子故障类型下，获取3个倍频的3
×
m个故障特征(c1,c2,
…
,c
3m
)。
[0079]
步骤一：置信规则库输入信息维数不能过大，否则会造成组合规则“爆炸”，严重影响其故障诊断的实时性，但同时故障特征信息过少又不足以表征故障类型。为此利用平均影响度算法将准备步骤中m个频域振动加速度传感器获取到的3
×
m个故障特征(c1,c2,
…
,c
3m
)中挑选出与故障类型高相关性的故障特征因子，并对其进行加权分配比重，将其用于建模诊断故障，将提高模型的确诊率和实时性。建立筛选模型如下
[0080]
q(c
i
,δ
i
)＝q(c1,c2,
…
,c
n
,f),
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(1)
[0081]
其中，q(c
i
,δ
i
)为约简加权信息，δ为属性权重，q(c1,c2,
…
,c
n
,f)为输入信息，c表示被约简加权特征信息，f为故障类型。具体步骤如下：
[0082]
s1
‑
1利用bp神经网络的输入层到隐含层之间的连接权重出现一个很小变化δω
ij
，这个变化将会传递到隐含层的输出s
j
，并使其发生改变δs
j
，进而产生网络输出的变化e
k
,通过反向传递将权重ω
ij
和ω
jk
进行更新。定义故障特征的损失函数如下：
[0083][0084]
s1
‑
2对于故障特征数据集x＝[x(1),x(2),
…
,x(l)]，分别对各个样本数据中的某个特征变量进行自增自减操作，如下所示
[0085][0086]
[0087]
其中l表示故障特征因子数，n表示样本组数。神经网络的拟合输出如下所示：
[0088][0089][0090]
s1
‑
3令则有
[0091][0092]
综上，取0.1≤δ≤0.3,i＝1,2,
…
,n。和分别表示样本集和的网络输出结果。样本中故障特征变量对故障类型的影响程度表示为
[0093]
iv＝[iv1,iv2,
…
,iv
n
]
t
,
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(8)
[0094]
进而对按照观测列数对iv取平均值可计算得出故障特征对最终输出故障类型的平均影响程度，表示为：
[0095][0096]
根据故障特征因子对故障的平均影响程度，可以得出其相对应的约简加权信息q(c
i
,δ
i
)。
[0097]
步骤二：根据步骤一中利用平均影响度筛选出对故障诊断影响程度高的故障特征c
i
,c
ii
,c
iii
，并根据筛选出的故障特征平均影响度值对其进行加权，加权属性权重为δ
i
，δ
ii
,δ
iii
。根据筛选加权的高影响度故障特征数据，设置5个前项属性的参考点，即正极小(vs)，小正(ps)，正中(pm)，正大(ml)和极大(vl)，其值如下：
[0098][0099][0100][0101]
对于置信规则库的后项属性，采用独热编码对其进行描述，旋转机械故障编码见表1。
[0102]
表1.故障类型及其编码
[0103][0104]
步骤三：根据步骤二中对筛选故障特征前项参考点和后项属性的定义，置信规则就可以被表示为r
k
：如果且且那么y是{(d1,β
k,1
),
…
,(d
n
,β
k,n
)},k＝1，2,
…
，每条规则权重θ
k
的初始值都设为1，属性权重初始值根据miv值设置为δ
i
，δ
ii
，δ
iii
。
[0105]
部分置信规则如表2所示
[0106]
表2.初始置信规则库的部分规则
[0107][0108]
步骤四：在步骤三中基于专家知识和历史数据构建好初始置信规则库后，具体证据推理故障诊断过程如下：
[0109]
s4
‑
1，计算输入量的匹配度。将筛选故障特征的样本数据作为输入，输入变量x
i
与前项参考值存在一定的匹配度存在一定的匹配度如果x
i
小于等于中的最小值，或者大于等于中的最大值时，则x
i
与的匹配程度是0或1；否则x
i
与的匹配程度则为
[0110][0111][0112]
s4
‑
2，计算被激活规则的权重。获得输入量对每个规则中参考点的匹配度之后，置信规则库中的规则将被输入故障特征数据不同程度的激活，激活权重w
k
为
[0113][0114]
其中为被激活规则的相对属性权重
[0115][0116]
s4
‑
3，融合被激活的规则并输出诊断故障结果。根据w
k
和对不同程度激活的置信规则进行折扣，进而利用证据推理理论融合折扣后置信规则的后项结构，融合结果为
[0117]
o(x)＝{(f
j
,β
j
),j＝1,2,
…
,6},
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(14)
[0118]
其中
[0119][0120][0121]
式中，且0≤β
j
≤1，β
j
表示融合结果对故障模式f
j
的支持程度，若max(β1,β2,
…
,β
j
,
…
β6)＝β
j
，则表示旋转机械发生故障f
j
的可能性最高，诊断结果为
[0122]
步骤五：基于独热编码和欧式距离的模型参数优化，具体步骤如下：
[0123]
s5
‑
1，由于旋转机械设备内部机理复杂，专家难以确定故障诊断模型中所有参数的精确值，为此需要将初始参数微调，提高模型的精度。但置信规则库推理的融合结果为发生各类故障的可信度，并不能直接度量模型诊断效果和优化模型参数，故对各类故障类型进行独热编码，将原本离散的属性特征扩展至欧式空间，旋转机械故障编码见表1。
[0124]
将系统输出与实际输出的欧式距离为参数设计优化目标函数
[0125][0126]
s5
‑
2，利用s5
‑
1给出的优化目标函数，找到使ξ(p)(规则权重θ
k
、后项输出置信度β
j,k
、属性0≤θ
k
≤1,0≤δ
k
≤1,0≤β
j,k
≤1和权重δ
k
)为最小值时的最优参数集合p，约束条件为＝1。采用随机梯度下降法来对模型进行训练，则可以获得ξ(p)的最优参数集，从多功能电机柔性转子试验台的m个频域振动加速度传感器获取到的3m个故障特征及其数据，经过步骤一的平均影响度筛选加权处理后，重复步骤二到步骤四即可获得更为准确的旋转机械故障的诊断结果
[0127]
具体实施例2，如说明书附图1
‑
4所示，
[0128]
在使用时，本发明专利以旋转机械中基本的电机转子为例，采用zhs
‑
2型多功能电机柔性转子系统，来验证所提方法的有效性。在该试验台转子支撑部位的不同方向上，安装
5个频域振动加速度传感器感知电机转子故障状态。由于不同电机转子故障类型会引起多频率成分的振动幅值变化，故获取1x～3x倍频的频域幅值变化为模型输入。设置电机转速为1500r/m，则基频1x为25hz，n倍频nx(n＝1,2,3,
…
)为(n
×
25)hz。在每个电机转子故障类型下，获取3个倍频的15个故障特征(c1,c2,
…
,c
15
)，采集210次(其中100次数据用于模型训练，110次数据用于模型测试)。
[0129]
步骤一，利用平均影响度算法将5个频域振动加速度传感器获取到的15个故障特征(c1,c2,
…
,c
15
)中挑选出与故障类型高相关性的故障特征因子，并对其进行加权分配比重，将其用于建模诊断故障，将提高模型的确诊率和实时性。建立筛选模型如下：
[0130]
q(c
i
,δ
i
)＝q(c1,c2,
…
,c
n
,f),
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(1)
[0131]
其中，q(c
i
,δ
i
)为约简加权信息，δ为属性权重，q(c1,c2,
…
,c
n
,f)为输入信息，c表示被约简加权特征信息，f为故障类型。具体步骤如下：
[0132]
s1
‑
1，利用bp神经网络的输入层到隐含层之间的连接权重出现一个很小变化δω
ij
，这个变化将会传递到隐含层的输出s
j
，并使其发生改变δs
j
，进而产生网络输出的变化e
k
,通过反向传递将权重ω
ij
和ω
jk
进行更新。定义15个故障特征的损失函数如下：
[0133][0134]
s1
‑
2，对于故障特征数据集x＝[x(1),x(2),
…
,x(l)]，分别对各个样本数据中的某个特征变量进行自增自减操作，如下所示
[0135][0136][0137]
其中l＝15表示故障特征因子数，n表示样本组数。神经网络的拟合输出如下所示：
[0138][0139][0140]
s1
‑
3，根据15个故障特征因子对故障的平均影响程度，可以得出其相对应的约简加权信息q(c
i
,δ
i
)。为了方便理解，设置网络的最大迭代次数为2000，期望目标误差最小值为1.0*e
‑
5,增量δ＝0.1。基于此训练稳定的网络，分别采用miv算法求取c1‑
c
15
故障特征的平均影响值，并根据miv值从大到小顺序排列。
[0141]
其排序情况和计算结果如图2所示，选取c3,c5,c
13
为影响度高的故障特征，miv值分别为1.1143、0.6876、0.4902。并根据公式6，计算选取故障特征的相对权重为0.4057，0.2504，0.1785。
[0142]
步骤二，根据步骤一中利用平均影响度筛选出对故障诊断影响程度高的故障特征。根据筛选加权的高影响度故障特征数据，设置5个前项属性的参考点，即正极小(vs)，小正(ps)，正中(pm)，正大(ml)和极大(vl)，其值如下：
[0143]
为了便于理解前项参考值的选定，根据步骤(2)中筛选出的高影响度故障特征c3,c5,c
13
样本数据600组，选取参考点如下：
[0144][0145][0146][0147]
对于置信规则库的后项属性，采用独热编码对其进行描述，旋转机械故障编码见表1。
[0148]
步骤三，根据步骤二中对筛选故障特征前项参考点和后项属性的定义，置信规则就可以被表示为r
k
：如果且且那么y是{(d1,β
k,1
),
…
,(d
n
,β
k,n
)},k＝1,2,
…
，每条规则权重θk的初始值都设为1，属性权重初始值根据miv值设置为δ
i
，δ
ii
，δ
iii
。
[0149]
为了便于理解，这里沿用步骤一和步骤二中筛选出的高影响度故障特征c3,c5,c
13
样本数据600组，以及筛选故障特征前项参考点和后项属性，可得到部分置信规则如表3所示：
[0150]
表3.实施例2中初始置信规则库的部分规则
[0151][0152]
步骤四，在步骤三中基于专家知识和历史数据构建好初始置信规则库后，具体证据推理故障诊断过程如下：
[0153]
s4
‑
1，当第118组特征数据被输入时，输入量为x＝[0.0776、0.0855、0.1380]，则x1匹配参考点小正(ps)和正中(pm)的程度为0.4478和0.5522，x2匹配参考点正中(pm)和正大(ml)的程度为0.8773和0.1227，x3匹配小正(ps)和正中(pm)的程度为0.5585和0.4415，对于其他参考点的匹配程度均为0。
[0154]
s4
‑
2，利用公式11和12计算被激活规则的权重w
k
，对于第118组特征数据，可以得到其对r
37
‑
r
38
、r
42
‑
r
43
、r
62
‑
r
63
和r
67
‑
r
68
的激活权重分别为w
37
＝0.2195，w
38
＝0.1734，w
42
＝0.0307，w
43
＝0.0243，w
62
＝0.2706，w
63
＝0.2139，w
67
＝0.0378,w
68
＝0.0299而其他规则的激活权重均为0，也就是激活了8条规则。
[0155]
s4
‑
3，利用证据推理算法得到融合后的输出置信结构，可以分别通过公式15和16计算得出。将s4
‑
2中关于第118组特征数据的及带入公式14，可以计算得出o(x)＝{(f1,0),(f2,0),(f3,0),(f4,0.0073),(f5,0.7968),(f6,0.1959)}。根据融合结果中对f1‑
f6的置信度，置信度最大的后项属性对应的故障类型即为诊断结果。对于第118组特征数据，其对应的故障诊断结果为连接器松动故障，潜在齿轮缺齿故障发生概率为19.59％，并利用公式17计算其基于独热编码的欧氏距离误差δ＝0.2032。
[0156]
步骤五，基于独热编码和欧式距离的模型参数优化，具体步骤如下：
[0157]
s5
‑
1，由于旋转机械设备内部机理复杂，专家难以确定故障诊断模型中所有参数的精确值，为此需要将初始参数微调，提高模型的精度。但置信规则库推理的融合结果为发生各类故障的可信度，并不能直接度量模型诊断效果和优化模型参数，故对各类故障类型进行独热编码，将原本离散的属性特征扩展至欧式空间，旋转机械故障编码见表1。
[0158]
沿用步骤(5)中故障特征c3,c5,c
13
的600组样本数据作为训练数据，可以得到优化目标函数
[0159][0160]
s5
‑
2，利用s5
‑
1给出的优化目标函数，找到使ξ(p)(规则权重θ
k
、后项输出置信度β
j,k
、属性权重δ
k
)为最小值时的最优参数集合p，约束条件为0≤θ
k
≤1,0≤δ
k
≤1,0≤β
j,k
≤1和(k＝1,2,
…
125)。采用随机梯度下降法来对模型进行训练，则可以获得ξ(p)<0.0016时的最优参数集，从多功能电机柔性转子试验台的5个频域振动加速度传感器获取到的15个故障特征及其数据，经过步骤一的平均影响度筛选加权处理后，重复步骤二到步骤四即可获得更为准确的旋转机械故障的诊断结果
[0161]
具体实施例3
[0162]
本发明方法的流程图如图1所示，核心部分是：针对旋转机械异常振动特征与其发生故障类型之间呈现的复杂非线性映射关系，以及将所有特征数据用于建模造成的计算量大且实时性差等问题。首先利用平均影响度(miv)算法约简并加权重要特征信息为模型输入，以旋转机械的故障类型为输出，构建置信规则库(brb)模型；然后规则库中的某条或多条置信规则将被输入的振动特征数据不同程度的激活，结合证据推理算法融合被激活规则，从融合的后项置信结构中换算出故障类型，其诊断结果不仅能判断当前故障类型，还可给出潜在故障发生概率，并且模型参数物理意义明确，可解释性强。
[0163]
1、故障特征数据采集
[0164]
本发明专利以旋转机械中基本的电机转子为例，采用zhs
‑
2型多功能电机柔性转子系统，来验证所提方法的有效性。在该试验台转子支撑部位的不同方向上，安装5个频域振动加速度传感器感知电机转子故障状态。由于不同电机转子故障类型会引起多频率成分的振动幅值变化，故获取1x～3x倍频的频域幅值变化为模型输入。设置电机转速为1500r/m，则基频1x为25hz，n倍频nx(n＝1,2,3,
…
)为(n
×
25)hz。在每个电机转子故障类型下，获取3个倍频的15个故障特征(c1,c2,
…
,c
15
)，采集210次(其中100次数据用于模型训练，110次数据用于模型测试)。
[0165]
2、基于miv的故障特征约简加权
[0166]
本发明专利的仿真实验结果是在以下仿真条件下测得：设置网络的最大迭代次数为2000，期望目标误差最小值为1.0*e
‑5,增量δ＝0.1。基于此训练稳定的网络，分别采用miv算法求取c1‑
c
15
故障特征的平均影响值，并根据miv值从大到小顺序排列。其排序情况和计算结果如图2所示。选取c3,c5,c
13
为影响度高的故障特征，miv值分别为1.1143、0.6876、0.4902，并根据公式6，计算选取故障特征的相对权重为0.4057，0.2504，0.1785。
[0167]
3、置信规则库模型的构建
[0168]
通过电机柔性转子试验台采集故障特征c3,c5,c
13
的600(100次
×
6)组数据如图3所示，可以明显看出通过miv值选取的故障特征更能准确表征出6种故障类型发生趋势。
[0169]
设置5个前项属性的参考点，即正极小(vs)，小正(ps)，正中(pm)，正大(ml)和极大(vl)，其值如下：
[0170][0171][0172][0173]
对于置信规则库的后项属性，采用独热编码对其进行描述。置信规则就可以被表示为r
k
：如果且且那么y是{(d1,β
k,1
),
…
,(d
n
,β
k,n
)}其中n＝6,k＝1,2,
…
,125，每条规则权重θ
k
的初始值都设为1，属性权重初始值根据miv值设置为δ1＝0.4057，δ2＝0.2504，δ3＝0.1785。部分置信规则如表2所示。
[0174]
2、置信规则库故障诊断的过程
[0175]
在基于专家知识和历史数据构建好初始置信规则库后，具体故障诊断过程如下：
[0176]
4.1计算输入量的匹配度
[0177]
将故障特征c3,c5,c
13
的600组样本数据作为输入，利用公式13和14计算每一组故障特征数据对于各自参考点的匹配度。例如，当第118组特征数据被输入时，输入量为x＝[0.0776、0.0855、0.1380]，则x1匹配参考点小正(ps)和正中(pm)的程度为0.4478和0.5522，x2匹配参考点正中(pm)和正大(ml)的程度为0.8773和0.1227，x3匹配小正(ps)和正中(pm)的程度为0.5585和0.4415，对于其他参考点的匹配程度均为0。
[0178]
4.2计算被激活规则的权重
[0179]
获得输入量对每个规则中参考点的匹配度之后，利用公式11和12计算被激活规则的权重w
k
。例如对于第118组特征数据，可以得到其对r
37
‑
r
38
、r
42
‑
r
43
、r
62
‑
r
63
和r
67
‑
r
68
的激活权重分别为w
37
＝0.2195，w
38
＝0.1734，w
42
＝0.0307，w
43
＝0.0243，w
62
＝0.2706，w
63
＝0.2139，w
67
＝0.0378,w
68
＝0.0299而其他规则的激活权重均为0，也就是激活了8条规则。
[0180]
4.3融合被激活的规则
[0181]
利用证据推理算法得到融合后的输出置信结构
[0182]
o(x)＝{(f
j
,β
j
),j＝1,2,
…
,6}
[0183]
其中，f
j
和β
j
可以分别通过公式16和17计算得出。例如，将第二步关于第118组特征数据的w
k
及β
j,k
带入公式15，可以计算得出
[0184]
o(x)＝{(f1,0),(f2,0),(f3,0),(f4,0.0073),(f5,0.7968),(f6,0.1959)}。
[0185]
4.4输出电机转子故障类型
[0186]
根据融合结果中对f1‑
f6的置信度，置信度最大的后项属性对应的故障类型即为诊断结果。例如，对于第118组特征数据，其对应的故障诊断结果为连接器松动故障，潜在齿轮缺齿故障发生概率为19.59％，并利用公式18计算其基于独热编码的欧氏距离误差δ＝0.2032。
[0187]
将600组c3、c5、c
13
数据样本输入其初始置信规则库中，得到的诊断结果如表4所
示，其中本文所提方法对6种故障模式的确诊率分别为78％、88％、80％、91％、86％、80％，整体确诊率为83.83％。同时为分析该方法诊断的离散程度，随机选取50组样本数据为1大组，共计12大组，计算12大组数据的诊断结果与真实故障之间的均方根误差(rmse)为0.4572，说明该方法诊断的离散程度较小，诊断信度更集中，通过miv选取的故障特征更能表征故障发生类型。
[0188]
表4初始置信规则库的诊断结果
[0189][0190]
5、置信规则库模型参数的优化。
[0191]
由于初始置信规则库并不十分准确，需根据步骤五给出的优化算法，利用大量训练数据优化模型。具体步骤如下：
[0192]
5.1：计算样本实际故障类型的独热编码与初始置信规则库输出之间的均方根误差
[0193][0194]
5.2：利用步骤五给出的优化模型，找到使ξ(p)为最小值时的最优参数集合p，约束条件为：0≤θ
k
≤1，0≤δ
k
≤1，0≤β
j，k
≤1和(k＝1，2，
…
125)。本文利用600组训练数据，采用随机梯度下降法来对模型进行训练，则可以获得ξ(p)＜0.0016时的最优参数集，部分规则如表5所示。
[0195]
表5.优化后置信规则库的部分规则
[0196][0197]
优化后的置信规则库对电机转子故障诊断的混淆矩阵如表6所示，6种故障类型的确诊率分别达到了91％、95％、93％、98％、97％、90％，总体故障准确率可达94％，要明显高于优化前的确诊率。进一步对比分析在12大组数据中，优化前后的置信规则库方法故障诊断结果的均方根误差，如图4所示。优化后的所提方法rmse可达0.2457，对比说明优化后方法可以有效降低故障诊断的离散程度，提高诊断准确性。
[0198]
表6优化后置信规则库的诊断结果
[0199][0200]
以上仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。