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

技术特征：
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
为期望，为标准差，生成正态随机数作为云滴(3.4)计算云滴对应的确定度对应的确定度且确定度具有概率似然性质，具体计算方式如下：(3.5)令来反映云滴在二维空间中的位置信息，重复步骤(3.3)—(3.4)的计算过程g次，直至产生g个云滴以及它们各自的确定度，则可获得故障风险模式u在故障特征i下的样板模式云模型那么对于4种故障特征下的3种故障风险模式，共计可以生成4
×
3＝12种样板模式云模型：在1倍频幅值特征下3种故障风险模式的样板模式云模型为在2倍频幅值特征下3种故障风险模式的样板模式云模型为在3倍频幅值特征下3种故障风险模式的样板模式云模型为以及在时域振动位移平均幅值特征下3种故障风险模式的样板模式云模型为5.根据权利要求4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(6)具体是：(6.1)构建样板模式云模型的含熵期望曲线为待检模式云模型c
i
的含熵期望曲线为其中和x
i
为随机变量且服从高斯分布(6.2)在故障特征i下，求取3种样板模式云模型的与待检模式云模型的v
i
(x
i
)的交点其在二维空间下的坐标为具体计算方式如下：具体计算方式如下：(6.3)由步骤(3.5)已得到在故障特征i下，3种样板模式云模型的云滴在二维空间中的坐标为设定为距离交点最近的k个云滴，且100≤k≤250，这些云滴的确定度μ(c
i,k
),μ(c
i,k
)∈[0,1]即为待检模式云模型c
i
与样板模式云模型的匹配度，并构成匹配度集合取最小值为a
i,u
,最大值为b
i,u
,构成匹配度区间i
i
(u)＝[a
i,u
,b
i,u
]
ꢀꢀꢀꢀ
(8)(6.4)将i
i
(u)进行归一化，得到归一化后的匹配度区间：得到归一化后的匹配度区间：得到归一化后的匹配度区间：得到归一化后的匹配度区间：(6.5)计算故障全集θ＝{x,y,z}的信度区间为(6.5)计算故障全集θ＝{x,y,z}的信度区间为(6.5)计算故障全集θ＝{x,y,z}的信度区间为m
i
(θ)度量了步骤(6.4)中匹配的总体不确定度；
(6.6)由式(9)和式(13)构成正态云模型区间证据，如表2所示表2通过云模型获取的区间证据表6.根据权利要求5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(7)具体是：(7.1)在区间内分别进行h(h≥2)次取点，将所取的点值记作且满足如下条件：
①②
(7.2)根据步骤(7.1)所述方法，则可得到在故障特征i下的h条点值型证据，记作e
i
＝{e
i,1
,...,e
i,h
,...,e
i,h
}，其中(7.3)设定证据e
i,h
的可靠性因子为r
λ
，满足0≤r
λ
≤1,λ＝1,2,3,4，重要性权重w
λ
＝r
λ
；(7.4)通过步骤(7.2)可获得4种故障特征下的4h条点值型证据，选取每种故障特征下的任意一条点值型证据进行组合，且每次组合中含有4个故障特征的点值型证据，则共有h4次组合，将这每次组合中的4条点值型证据利用证据推理规则进行融合，得到l个融合结果(l＝1,2,
…
,h4)，具体如下：具体如下：其中p(θ)为θ的幂集。

技术总结
本发明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
受保护的技术使用者：杭州电子科技大学
技术研发日：2022.02.24
技术公布日：2022/5/25