[发明专利]一种基于概率盒模型修正的机械故障诊断方法

说明书

本发明公开了一种基于概率盒模型修正的机械故障诊断方法，即采集工业过程的故障数据，获取原始概率盒；选择适合的概率盒模型；获取原始DSS；定义工业测试数据的综合附加信息量；提取优化的DSS；获得新的概率盒。本发明针对如何解决工业机械故障诊断过程中概率盒之间的重叠现象，提高概率盒的紧致性，提出的基于概率盒模型修正的机械故障诊断方法，通过概率盒建模方法获得工业测试数据的概率盒模型，以焦元区间的均值和相邻焦元之间数据波动量为附加信息量，利用基于最大熵的贝叶斯方法修正概率盒模型，修正后的模型紧致性得以提高，模型间的重叠现象得以改善，为进一步利用概率盒模型提高机械故障诊断正确识别率提供了更准确的信息。

技术领域

本发明涉及一种基于概率盒模型修正的机械故障诊断方法，属于工业过程机械故障诊断技术领域。

背景技术

机械故障在实际工业生产中影响尤为突出，在转动的机械设备中，过半的机械故障都是由于无法准确检测和识别机械故障而引起的。机械的运行状态直接影响旋转机械工作性能和效率，对其故障诊断的研究意义重大。信息融合改变了传统的故障诊断各研究点之间无交叉的研究模式，成为一个新的研究热点。利用概率盒建模能将故障诊断中诸多主观和客观的不确定因素考虑进去，弥补了传统特征提取方法丢弃丰富概率统计信息的缺陷。将原始信号先转化成概率盒，再实现概率盒的信息融合，解决了信息融合时空配准困难的问题，为工业故障诊断提供了更加完善的故障诊断方法。

概率盒建模方法主要有专家估计方法、卷积建模方法、鲁棒贝叶斯方法、约束规范方法和实验测量方法等。利用概率盒与传统特征提取方法进行模式识别，相比之下概率盒较传统特征提取方法具有更高的正确识别率。但是概率盒建模还存在以下问题：第一，模型间存在重叠现象，影响模式识别的正确率。第二，原始概率盒模型的紧致性并非最佳。

发明内容

本发明针对如何解决工业机械故障诊断过程中概率盒之间的重叠现象，提高概率盒的紧致性，提供了一种基于概率盒模型修正的机械故障诊断方法，通过概率盒建模方法获得工业测试数据的概率盒模型，以焦元区间的均值和相邻焦元之间数据波动量为附加信息量，利用基于最大熵的贝叶斯方法修正概率盒模型，修正后的模型紧致性得以提高，模型间的重叠现象得以改善，为进一步利用概率盒模型提高机械故障诊断正确识别率提供了更准确的信息；最大熵的贝叶斯方法能够灵活的选择工业故障特征，且不需要额外的独立假定或者内在约束，模型应用在不同领域时的可移植性强，同时可结合更丰富的信息等。

一种基于概率盒模型修正的机械故障诊断方法，包括以下步骤：

(1)采集工业过程的故障数据，获取原始概率盒：定义CDF函数F(x)与包含的范围为概率盒，表达为

其中F(x)为概率盒的下界，为上界，工业测试数据中不确定性的随机变量X的CDF函数在CDF范围内，即

(2)利用工业测试数据的概率统计特性，结合贝叶斯参数估计法来修正概率盒模型，建立基于最大熵原理的贝叶斯模型：贝叶斯公式为

以极大后验参数估计方法为贝叶斯参数估计，后验概率密度函数p(x|u)达到极大值作为估计准则，将所对应的参数值作为估计值，记作工业测试数据在数据u的条件下，引入熵的表达式为

先验概率密度p(x)已知，根据最大熵原理，建立基于最大熵原理的处理工业测试数据的贝叶斯模型

(3)获取原始DSS

将步骤(2)所得基于最大熵原理的处理工业测试数据的贝叶斯模型嵌入到概率盒建模的算法中得到修正的原始概率盒模型，再通过离散化方法得到进行卷积计算的DSS，形式为