一种基于中智集的电机转子故障诊断方法与流程
本发明属于故障诊断领域，具体涉及一种基于中智集的电机转子故障诊断方法。
背景技术：
电机转子是电机中的旋转部件，因换向困难、转速高等往往容易发生故障，使得电机寿命减少。电机转子的安全性是一个至关重要的问题，及时对电机转子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。
故障诊断主要研究如何对电机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。随着电机设备趋于复杂化、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。而中智集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。
此外，电机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，本申请基于传感器探测的电机转子故障信息，融合中智集理论和信息融合技术识别电机转子故障类型，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。
技术实现要素：
本发明所要解决的技术问题是：如何实现电机转子故障诊断。使用该方法实现电机转子故障诊断对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中智集的电机转子故障诊断方法，其特征在于，包括以下步骤：
步骤一、依据电机转子故障样本数据集建立故障库高斯模型；
输入n种故障类型、k种故障特征的电机转子故障样本数据集dij，i＝1,2,…,n，j＝1,2,…,k，n种故障类型记为θ1,θ2,…,θi,…,θn，k种故障特征记为att1,att2,…,attj,…,attk。电机转子故障样本数据集dij是k种故障特征的测量值，对每种故障类型每种故障特征建立高斯模型，所述高斯模型的建立方法为：
步骤101：计算电机转子故障样本数据集dij中所有属于故障类型θi的m个样本在故障特征atj上的均值
步骤102：根据步骤101中的均值
步骤二、建立传感器探测得到的测试样本t的高斯测试模型；
步骤201：将测试样本t在故障特征attj上的测量值tj作为高斯测试模型的均值，目标样本数据集dij在故障特征attj上各目标类型的标准差σij的最小值εj作为高斯测试模型的标准差；
步骤202：计算机根据公式
步骤三、依据故障库高斯模型与测试样本高斯模型匹配生成各故障类型各故障特征下的中智集表示；
步骤301：将故障库高斯模型中故障特征attj上的故障类型θi的高斯模型
步骤302：依据步骤301生成测试样本t在所有故障类型下所有故障特征上的中智集表示；
步骤四、用snwa算子融合每种故障类型下各故障特征上的中智集表示；
步骤401：将步骤三得到的测试样本在故障类型θi的k个故障特征上的k个中智集表示使用snwa算子进行融合，得到融合后的中智集表示
步骤402：依据步骤401对所有故障类型在各故障特征上的中智集表示进行融合；
步骤五、依据步骤四的融合结果判断测试样本所属故障类型；
步骤501：根据公式
步骤502：对步骤五计算得到的清晰数进行排序，最大的即为测试样本所属的故障类型。
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、本发明通过高斯模型表示故障样本信息，并生成测试样本的中智集表示，能够有效处理传感器探测信息的不确定性；
3、本发明通过信息融合方法融合多个故障特征上的中智集表示，提升了电机转子故障识别的准确率。
综上所述，本发明技术方案设计合理，将故障样本数据集生成故障库模型，并将测试样本与故障库模型匹配生成中智集表示，并基于信息融合方法融合各故障特征上的中智集表示，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为本发明中故障类型θi下故障特征attj上生成中智集表示示意图
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、依据电机转子故障样本数据集建立故障库高斯模型；
实际使用时，采用传感器采集n种故障类型θ1,θ2,…,θi,…,θn在k种故障特征att1,att2,…,attj,…,attk上的测量值生成电机转子故障样本数据集dij，i＝1,2,…,n，j＝1,2,…,k。多个故障特征数据能更充分地反映目标情况，从而提高目标识别的准确性；其次，高斯分布相对不易收到干扰，稳定性好。因此，对每种目标类型每种故障类型建立高斯模型，所述高斯模型的建立方法为：
步骤101：计算电机转子故障样本数据集dij中所有属于故障类型θi的m个样本在故障特征atj上的均值
步骤102：根据步骤101中的均值
步骤二、建立传感器探测得到的测试样本t的高斯测试模型；
考虑到传感器测量值与真实值之间存在一定误差，本申请采用系统误差将传感器测量值扩展为高斯分布，从而有效处理传感器测量值的不确定性。为避免给测试模型中增加过大的不确定性，将故障特征attj上的最小标准差作为系统误差，记为εj＝min(σij)，具体步骤为：
步骤201：将测试样本t在故障特征attj上的测量值tj作为高斯测试模型的均值，目标样本数据集dij在故障特征attj上各目标类型的标准差σij的最小值εj作为高斯测试模型的标准差；
步骤202：计算机根据公式
步骤三、依据故障库高斯模型与测试样本高斯模型匹配生成各故障类型各故障特征下的中智集表示；
本发明基于中智集理论将测试样本与故障库高斯模型匹配生成测试样本t在各故障类型下各故障特征上的中智集表示。如图2所示，以故障库高斯模型中故障类型θi在故障特征attj的高斯模型与步骤二中测试样本生成的高斯测试模型匹配为例，其中故障库高斯模型中故障类型θi在故障特征attj的高斯模型为实线表示的曲线，则
步骤301：将故障库高斯模型中故障特征attj上的故障类型θi的高斯模型
步骤302：依据步骤301生成测试样本t在所有故障类型下所有故障特征上的中智集表示；
步骤四、用snwa算子融合每种故障类型下各故障特征上的中智集；
生成每种故障类型下各故障特征上的中智集表示后，则构成了多个故障信息源。若仅依靠单一故障特征上的中智集表示判断故障类型可能存在较大的误差，因此，需要对所有故障特征上的中智集表示进行融合，提升诊断准确率，具体方法为：
步骤401：将步骤三得到的测试样本在故障类型θi的k个故障特征上的k个中智集表示使用snwa算子进行融合，得到融合后的中智集表示
步骤402：依据步骤401对所有故障类型在各故障特征上的中智集表示进行融合；
步骤五、依据步骤四的融合结果判断测试样本所属故障类型；
融合后测试样本t隶属于某种故障类型仍然为中智集表示，需要对其去模糊化得到一个明确的数值判断其故障类型，具体方法为：
步骤501：根据公式
步骤502：对步骤五计算得到的清晰数进行排序，最大的即为测试样本所属的故障类型。
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。
- 还没有人留言评论。精彩留言会获得点赞！