[发明专利]一种基于证据神经网络模型的机械产品故障模式识别方法

说明书

本发明是一种基于证据神经网络模型的机械产品故障模式识别方法，该方法定义了一种新型的基于证据理论和径向基神经网络模型的证据神经网络模型，并且基于该证据神经网络模型对机械产品的信号特征进行模式判定，进行故障模式的识别，兼顾样本量有限以及精度要求高的特点，基于证据理论和神经网络模型，证据理论的基本信任分配函数用来度量神经网络训练过程中的不确定性，并且利用证据融合法则进行信息的融合，证据神经网络能够有效地提高故障模式识别的精度。

技术领域

本发明是一种基于证据神经网络模型的机械产品故障模式识别方法，它是利用证据理论中证据信息融合来对神经网络训练过程中参数进行量化和优化，对机械产品中故障状态信息进行判定和识别，属于可靠性技术领域。

背景技术

随着科学技术快速发展，现代机械设备的功能需求也越来越复杂，工作效率要求越来越高。并且由于机械设备的结构和功能复杂性，工作环境严酷，维修费用增加等因素，对机械设备各方面的性能指标要求越来越高。机械设备一旦发生故障会造成巨大的经济损失，因此提高机械设备的可靠性，防止故障发生，减少维修支出在机械设备的设计和运营时是非常关键的问题和工作。

机械零部件作为机械设备的重要组成部分，在工作过程中是典型的多失效机理耦合、并且严重受环境因素影响。机械产品常见的故障模式如磨损、疲劳、蠕变等耗损型故障机理耦合在一起，对机械产品的可靠性设计分析和使用维护造成了一定的困难。如何发展机械产品的故障模式识别的理论和技术方法，并且不断提高故障模式识别精度，是机械可靠性研究的重要内容之一。现有的故障模式识别的方法如统计模式识别法、模糊模式识别法、神经网络法模式识别法、专家系统法等，都有自己的优缺点和适应范围。尤其是神经网络模型，由于具有自学习、自组织和自处理的特点，在故障模式识别和分类方面得到了极大的研究和应用。但是神经网络模型基于大量样本以及精度的局限性，在一定程度上影响了在机械产品的故障识别上的应用。证据理论作为认知不确定信息的重要量化工具，能够量化样本量不足的信息，并且能有效融合各类证据信息，在可靠性领域得到了广泛的研究和应用。

1证据理论(Evidence Theory)

证据理论(也叫作Dempster-Shafer证据理论，或者是信任函数(Belieffunction)理论)，是Dempster于1967年开始提出，在Shafer的进一步完善下，形成的一种不完备不确定信息表征和量化的理论。证据理论提出的最初目的是用来处理比区间不确定信息完备，而又没有达到概率信息完备程度的一类不确定信息。现在证据理论成为一种重要的表征和量化认知不确定信息的数学理论。

证据空间的定义

证据理论框架由表征不确定性的三个部分组成，分别是：

——表示所有可能发生的事件的离散集合，该离散集合也称为证据识别框架，一般可以记作Θ。识别框架由一系列相互独立并且相互排斥的有限个判别假设组成。

Θ＝{q₁,q₂,…,q_n} (1)

如上式中，q_i(i＝1,2,…,n)是识别框架中的第i个基本假设。

——基元S，因为证据理论是在识别框架Θ的幂集上进行运算，其幂集形式为：

也可以表示成

其中H_i也就是基元。

——基本信任分配函数(Basic Belief assignment,BBA)m(X)，表示的识别框架幂集的每一个基元到区间[0,1]的一个映射关系。基本信任函数m表示的是对基元S的精确的信任程度。一般有如下准则：