PDF《基于 K 近邻证据融合的故障诊断方法》

对故障样板模式和待检模式进行建 收稿日期: 2016-09-20;

修回日期: 2017-01-03. 基金项目: 国家自然科学基金项目(61433001, 61374123, 61573076, 61573275);

浙江省公益性技术应用研究计划项 目(2016C31071);

重庆市高等学校优秀人才支持计划项目(2014-18). 作者简介: 侯平智 (1968?), 男, 教授, 从事基于数据驱动的状态监控与故障诊断等研究;

徐晓滨(1980?), 男, 教授, 从事智能信息融合与复杂系统可靠性评估、 故障诊断与预测等研究. ? 通讯作者. E-mail: [email protected]

1768 控制与决策第32卷模;

匹配故障样板模式和待检模式以获取基本概率 赋值(BBA),即可用于诊断的证据;

利用Dempster证 据组合规则融合BBA,再结合融合结果按照决策规 则诊断故障. 其中,故障样板模式和待检模式都是根 据测量仪器所采集的监测数据构建的[2] . 一般数据测 量过程中的不确定性是难以建模和估计的,进而导致 从数据中提取的故障特征不准确,并且致使所获得的 BBA不可靠,这将造成最终融合结果的可信性无法 得以保证. 文献[2]通过高斯型模糊隶属度函数来表 征故障特征样板模式和待检模式,然后利用模糊集的 随机集表示随机集似然测度,计算待检模式和不同故 障类型样板模式的匹配度,并从中获取BBA. 但是,此 类诊断证据生成方法有两个缺点:一是故障数据建 模准确性问题. 利用隶属度描述数据变化规律时,没 有充分考虑 随机噪声干扰 和 系统性误差 这两个 不确定性因素的区别,所以这种简单模型难以捕捉到 数据中更为精细的故障信息. 二是诊断的实时性问 题. 为了准确地描述监测数据的变化规律,需要连续 采集多个时刻的在线测试样本,并利用获取的测试样 本集构造高斯隶属度函数型的待检模式. 虽然样本 集比单个样本更能够反映数据变化的趋势,但是它是 以牺牲实时性为代价的. 例如用连续20次采样(采样 频率为1 s /次)的数据构造待检模式,并将其输入到 诊断算法中,则20 s才能给出一次诊断结果,这在许 多需要在线监测的应用场合显然不能满足实时诊断 的要求. 对于故障数据建模准确性问题,在文献[6]中,由 系统误差产生的不确定性使用模糊变量来表示,同时,由噪声引起的不确定性使用随机变量来描述,并 将它们相结合提出随机模糊变量(RFV). 通过RFV 可以合理地表示测量不确定性中不同的影响因素 (随机性和系统性误差),非常全面和自然地描述测量 所具有的不确定性[7] ;

另外,对于诊断实时性问题, K 近邻算法(KNN)给出了一种可行的思路,利用与测 试样本最近的K 个历史样本(带故障标记)来判断该 测试样本指向的故障类型,亦即哪个故障类型的样本 数量最多,则测试样本也标记为该类型故障. 此时,相 当于利用一个样本集(由K 个历史样本组成)来代替 单一测试样本进行分类决策,变相地增加了与测试 样本相关的大量历史样本信息用于诊断,这样可以提 升诊断的实时性. 但是当有多个故障类型的标记样 本数量相同时,这种 少数服从多数 的判决规则失 效. 为了解决该问题,文献[8]提出将K 个历史样本转 化为K 个证据,利用证据的融合在一定程度上减少 了判决失效的情况. 为了同时兼顾数据建模准确性和诊断实时性,本 文提出一种新的K 近邻诊断证据融合方法. 对于每 种故障特征(征兆),利用它的历史样本数据构建RFV 形式的故障样板模式,基于KNN算法获得离测试样 本最近的K 个历史样本,并定义这K 个样本的RFV 型待检模式. 将待检RFV与样板RFV匹配以获取K 个诊断证据,然后融合不同故障特征的K 个诊断证 据,基于融合结果再进行故障决策. 最后,通过在电机 柔性转子上的故障诊断试验,验证了所提方法的诊断 效果普遍优于传统的KNN方法[9] 、 模糊匹配证据融 合方法[2] 、α截集匹配证据融合方法[7] 以及KNN和 证据融合相结合的方法[8] .