申请/专利权人：河南大学

申请日：2021-05-24

公开（公告）日：2022-09-20

公开（公告）号：CN113177328B

主分类号：G06F30/20

分类号：G06F30/20;G06K9/62;G01M99/00;G01M13/04;G06F111/08

优先权：

专利状态码：有效-授权

法律状态：2022.09.20#授权;2021.08.13#实质审查的生效;2021.07.27#公开

摘要：本发明公开了一种基于多传感器融合的机械故障诊断方法，包括如下步骤：将不同位置的传感器观测到的机械设备的运行数据转换为证据信息；计算证据中焦元的支持区间，通过区间距离衡量证据之间的冲突程度进而获得各个证据的支持度；通过改进的信度熵来量化证据的不确定性程度作为证据的信息量；综合考虑区间距离和改进的信度熵确定证据的信任度并获得权重因子；利用权重因子对获取的证据进行加权平均，输出机械故障诊断的决策结果。本发明方案与传统算法相比，通过区间距离能够有效地衡量证据之间的差异性，同时通过改进的信度熵量化证据的不确定程度，综合考虑支持度和信息量共同确定证据的权重因子。

主权项：1.基于多传感器融合的机械故障诊断方法，其特征在于：具体包括如下步骤：步骤1、确定机械设备故障的辨识框架Θ＝{θ1,θ2,…,θl,…,θN}，l＝1,2,…,N，θl为第l种故障类型；步骤2、通过放置在不同位置的传感器采集机械设备的相关运行数据，将采集到的数据分为训练集和测试集；通过区间数模型对采集的训练集样本进行建模，计算测试集样本与模型之间的相似度，构建验证样本的证据即基本概率指派函数；将每一个证据看作一个向量，第i个证据的向量用mi＝miθ1,…,miθr,…,miθkT表示，其中i＝1,2,...,n，n为证据向量的总数，θr为焦元且k为辨识框架Θ中的焦元个数，r＝1,2,…,k，k＝2N；步骤3、计算得到的第i个证据向量mi的各个焦元的信度函数Bel和似真函数Pl，构成支持区间[Beliθr,Pliθr]； 其中，r＝1,2,…,k，miθe≠0，e＝1,2,…,k，k＝2N；步骤4、由得到的第i个证据向量mi的各个焦元的支持区间和第j个证据向量mj的各个焦元的支持区间，通过下述公式计算证据向量mi和证据向量mj之间的区间距离，得到第i个证据向量mi和第j个证据向量mj之间的区间距离dXmi,mj； 其中，且miθr≠0或mjθr≠0；步骤5、由步骤4中所求的第i个证据向量mi和第j个证据向量mj之间的区间距离dXmi,mj，构造n个证据之间的差异度矩阵D，差异度矩阵D公式如下： 步骤6、计算第i个证据向量mi与其它n-1个证据向量的平均区间距离 步骤7、计算第i个证据向量mi的支持度 步骤8、通过下述公式计算第i个证据向量mi的改进的信度熵E′belmi，用来量化证据的不确定性程度； 其中，|X|＝|θr∪θ|，θ＝θ1∪θ2∪…∪θt∪…∪θs，|X|表示X中元素的个数；|θr|表示θr中元素的个数，θr为辨识框架Θ中的一个焦元，θ为辨识框架Θ中除θr以外所有基本概率赋值非0的焦元之间的并集，t＝1,2,…,s，θt≠θr，mθt≠0；步骤9、计算第i个证据向量mi的信息量 步骤10、根据所求的第i个证据向量mi的支持度和第i个证据向量mi的信息量计算得到第i个证据mi的权重因子ωi， 步骤11、根据步骤10中所求的证据mi的权重因子ωi通过下述公式对原始证据向量mi进行加权平均，得到修正后的证据向量m′i；采用Dempster组合规则对修正后的证据向量m′i进行n-1次融合，融合后基本概率赋值mAp的最大值对应的焦元Ap即为机械故障诊断的决策结果对应的故障诊断类型，其中，mAp表示焦元Ap的基本概率赋值；p＝1,2,…,2N。

全文数据：

权利要求：

百度查询： 河南大学 基于多传感器融合的机械故障诊断方法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD