[发明专利]一种基于概率盒模型修正的机械故障诊断方法

摘要

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。

主权项

一种基于概率盒模型修正的机械故障诊断方法，其特征在于，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[F‾(x),F‾(x)]---(1)]]>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F‾(x)≤F(x)≤F‾(x)---(2)]]>(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p(x|u)=p(u|x)p(x)p(u)---(3)]]>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H[p(x)|p(x|u)]=-∫p(x)In(p(x)P(x|u))dx=∫p(x)In(p(x|u))dx-∫p(x)In(p(x))dx---(4)]]>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x^mp=∫p(x)In(p(x|u))dx---(5)]]>(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{[x1‾,x1‾],m1},{[x2‾,x2‾],m2},...,{[xn‾,xn‾],mn}]]>(4)定义工业测试数据的综合附加信息量以数据集的平均值xavg为附加信息量，xi‑xi‑1表示两相邻焦元之间的数据波动量，综合附加信息量为ui=xi-xi-1xavg---(6)]]>由ui构成数据点变量集合u为u={x2-x1xavg,x3-x2xavg,x4-x3xavg,...,xi-xi-1xavg}---(7)]]>(5)提取优化的DSS＇将步骤(4)所得数据点变量集合u通过最大熵的贝叶斯逐焦元的对应优化x集合，得到新的焦元区间为从第1个焦元至第n个焦元，依次处理后得到DSS＇，形式为(6)修正概率盒将步骤(5)的DSS＇通过概率盒的定义绘制出修正概率盒。