PDF《基于 K 近邻证据融合的故障诊断方法》

第32卷第10期控制与决策Vol.

32 No.10 2017年10月Control and Decision Oct.

2017 文章编号: 1001-0920(2017)10-1767-08 DOI: 10.13195/j.kzyjc.2016.1206 基于K近邻证据融合的故障诊断方法 侯平智1 , 张明1 , 徐晓滨1? , 黄大荣2 (1. 杭州电子科技大学 自动化学院,杭州 310018;

2. 重庆交通大学 信息科学与工程学院,重庆 400074) 摘要: 为了兼顾数据建模的准确性和诊断的实时性,提出一种K 近邻诊断证据融合新方法. 利用故障特征的历 史样本构建随机模糊变量(RFV)形式的故障样板模式,由KNN算法获取测试样本的K 个近邻历史样本,并定义它 们的RFV待检模式;

经样板和待检模式的匹配获取K 个诊断证据,再将各特征的K 个诊断证据融合,并作出故障 决策;

使用RFV实现对故障数据的精准建模,利用K 个历史样本丰富诊断信息,并增加诊断的时效性. 诊断效果在 电机转子试验台上得到了验证. 关键词: 故障诊断;

工业报警器系统;

证据理论;

K 近邻;

随机模糊变量 中图分类号: TP391 文献标志码: A Fault diagnosis based on KNN evidence fusion HOU Ping-zhi1 , ZHANG Ming1 , XU Xiao-bin1? , HUANG Da-rong2 (1. School of Automation,Hangzhou Dianzi University,Hangzhou 310018,China;

2. School of Information Science and Engineering,Chongqing Jiaotong University,Chongqing 400074,China) Abstract: A fault diagnosis method based on KNN evidence fusion is presented to keep a balance between modeling accuracy of fault feature data and instantaneity of diagnosis decision making. For each fault feature(symptom), its historical sample data are used to model fault template patterns(FTPs) with the form of random-fuzzy variable(RFV), the KNN algorithm is used to ?nd out K historical samples nearest to a testing sample and the RFV-type fault testing patterns(TPs) of the K samples are presented to describe the testing sample. The matching degree between FTP and TP can be calculated to generate the K pieces of diagnosis evidence, and then all evidence coming from the di?erent fault features can be fused and diagnosis decision can be made based on the fused result. In this method, the ?ne modeling can be realized by using the RFV, and meanwhile, the diagnosis information of the single testing sample can be enriched by adding the K historical samples, and the instantaneity of diagnosis can be improved. Finally, in diagnosis experiments on a rotor test bed, the e?ectiveness of the proposed method is veri?ed. Keywords: fault diagnosis;

industrial alarm systems;

evidence theory;

KNN;

random-fuzzy variable

0 引言故障诊断作为提升系统稳定性和减少事故风险 的重要方法,是实现故障报警溯源和报警消除、 提升 工业设备的自诊断与自纠错能力的主要途径. 然而, 基于单传感器的监控诊断技术获得的信息,已无法足 够可靠地用于大型复杂设备的诊断. 随着传感器技 术的发展以及计算机存储和计算能力的提高,大量的 监测数据可以通过安装在设备上的多传感器系统获 取、存储和处理. 然而在测量过程中,因为环境的影 响以及仪器自身的系统误差,如传感器的精度或A/D 转换器的量化误差,导致监测数据总是具备不确定性 的特点. 不确定性的影响因素主要来自两个方面:一 是测量仪器处于工作状态时所受到的随机噪声干扰, 二是传感器自身及其后续信号调理电路的系统性误 差. 因此,针对多源不确定性信息的有效诊断推理是 现在面临的新挑战[1] . 基于证据理论的信息融合故障诊断方法是将多 个传感器的互补和冗余信息进行融合,以减小决策 不确定性,与基于单传感器的方法相比,它能够有效 地提高故障诊断的精度和可靠性[1-5] . 一般而言,此类 方法的实现步骤为[2-3] :确定辨识框架(由全部故障类 型构成的集合);