公开/公告号CN113269057A
专利类型发明专利
公开/公告日2021-08-17
原文格式PDF
申请/专利权人 杭州电子科技大学;南京智慧水运科技有限公司;
申请/专利号CN202110494498.1
申请日2021-05-07
分类号G06K9/00(20060101);G06K9/62(20060101);G06N5/04(20060101);
代理机构33246 浙江千克知识产权代理有限公司;
代理人周希良
地址 310018 浙江省杭州市钱塘新区白杨街道2号大街
入库时间 2023-06-19 12:14:58
技术领域
本发明涉及一种基于置信规则库(BRB)推理的电机转子故障预测方法,属于工业设备状态检测与故障诊断技术领域。
背景技术
电机转子作为电机设备主要的组成部分,其出现的任何不平衡故障都会对电机的运转以及设备的正常运行带来很大的影响。电机转子不平衡的故障预测是保障有电机参与的工业领域生产安全性和稳定性的主要手段,它可以提前预测故障进而有效避免重大事故发生。在正常情况下,电机转子离心力达到平衡,电机处于静态、动态和偶平衡状态,可以提供工业生产中所需的动力,也可以实现对电机的调速等,对于电机设备的安全运行有较大影响。
然而,电机属于大功率电气设备,工作时会产生大量的热能以及机械磨损等,如果电机转子出现不平衡故障,则会对电机产生较大影响,而且会直接影响到依靠电机来运作的设备的安全性,一旦这些设备安全性出现问题,将会带来一定的财产及其他损失等。因此为保证这些设备的正常工作,需要保证电机转子处于平衡状态,因此研究电机转子不平衡故障预测方法可以实现对电机转子不平衡故障的提前预测,进而避免因电机的此类问题而造成的较大损失,为电机设备的安全运转提供保障。
发明内容
本发明针对现有技术的不足,提出了一种基于置信规则库推理的电机转子故障预测方法。
本发明首先在电机转子的不同位置采集振动加速度信号,然后经快速傅里叶变换方法将其转换为频域信号,取1倍频的幅值作为故障特征变量,将采集的不同故障特征变量值分别以时间序列排序,得到对应参考值集合和故障类型映射关系的参考证据矩阵(REM),然后对每一个故障特征变量均建立对应的BRB模型,其中模型的输入是对应故障特征变量的不同时刻采样值,输出是未来时刻故障特征变量的预测值,由该预测值与对应的REM可以获得预测证据,最后构建故障信息融合决策模型,将获得的预测证据进行融合,故障信息融合决策模型的输入是所有故障特征变量的预测值,输出是电机转子未来时刻的故障类型。该方法利用廉价且能够简易安装的振动加速度传感器采集的电机转子故障特征变量值,即可实现对未来时刻电机转子故障类型的预测。
本发明包括以下各步骤:
(1)设定电机转子不平衡故障集合Θ={F
(2)在不同的电机转子不平衡故障类别下,在电机转子的J>3个不同位置采集振动加速度信号,使用快速傅里叶变换方法将其转换为频域信号,取1倍频的幅值作为故障特征变量,记为{f
(3)对于J个故障特征变量,分别设计相应的BRB模型对特征变量进行预测,设故障特征变量f
(3-1)在BRB
其中,R>1为每个输入的参考值个数,x
D
其中D
(3-2)构建的规则库BRBj由K条规则组成,K的取值为BRB
其中,
(3-3)当t时刻获得采样序列f
(a)当
(b)当
此时,模型输入x
(3-4)根据步骤(3-3)得到的输入对应参考值的匹配度,计算BRBj模型各个输入x
其中
(3-5)根据步骤(3-4)得到第k条规则的激活权重
(3-6)计算出未来t+o时刻f
(4)对于每个故障特征变量f
(5)构建故障信息融合决策模型,具体步骤如下:
(5-1)设定故障特征变量f
(5-2)根据样本对集合U,建立故障特征变量f
表1 f
其中,
(5-3)将步骤(4)中的故障特征变量f
(a)当y
(b)当A
η
η
此时,y
(c)对于输入的预测值y
e
(5-4)根据步骤(5-3)一共得到J条证据,取步骤(1)中的故障集合Θ作为辨识框架,其幂集记为P(Θ),是集合Θ的全部子集的集合,其中
其中,信度
其中m
(5-5)利用ER规则对J条证据进行融合,得到融合结果为
Z(f(t+o))={(F
其中j=1,2,...,J,P
本发明的有益效果:本发明可以根据安装在电机转子不同位置的振动加速度传感器采集的不同故障特征变量值,获取不同的故障特征变量,并建立对应的BRB模型,分别预测出未来时刻的不同故障特征变量值,进而可以根据预测的未来时刻故障特征变量值和建立的故障预测信息融合决策模型预测出未来时刻的故障类型,且可以达到较好的预测效果。
附图说明
图1是本发明方法的流程框图;
图2是本发明方法实施例中不同时刻5种故障类型下采集的5个故障特征变量采样值序列;
图3是本发明方法实施例中不同时刻5个故障特征变量预测值与真实值的对比图。
具体实施方法
本发明提出的一种基于置信规则库推理的电机转子故障预测方法,其流程框图如图1所示,包括以下各步骤:
(1)设定电机转子不平衡故障集合Θ={F
(2)在不同的电机转子不平衡故障类别下,在电机转子的J>3个不同位置采集振动加速度信号,使用快速傅里叶变换方法将其转换为频域信号,取1倍频的幅值作为故障特征变量,记为{f
(3)对于J个故障特征变量,分别设计相应的BRB模型对特征变量进行预测,设故障特征变量f
(3-1)在BRB
其中,R>1为每个输入的参考值个数,x
D
其中D
(3-2)构建的规则库BRBj由K条规则组成,K的取值为BRB
其中,
(3-3)当t时刻获得采样序列f
(a)当
(b)当
此时,模型输入x
(3-4)根据步骤(3-3)得到的输入对应参考值的匹配度,计算BRBj模型各个输入x
其中
(3-5)根据步骤(3-4)得到第k条规则的激活权重
(3-6)计算出未来t+o时刻f
为了便于理解,这里对步骤(3)举例说明,以故障特征变量f
表2故障特征变量f
将采集到的故障特征变量值按照时间序列进行排序,假设当前时刻为t,且t+o时刻为t+1,可以获取到x
(4)对于每个故障特征变量f
为了便于理解对每个故障特征变量f
(5)构建故障信息融合决策模型,具体步骤如下:
(5-1)设定故障特征变量f
为了便于理解“样本对”集合,这里举例进行简单说明。设定在t时刻,故障类型F
(5-2)根据样本对集合U,建立故障特征变量f
表1 f
其中,
为了便于理解,这里对REMj进行举例说明,给出两个故障特征变量f
表3 f
表4 f
其中,对于f
同理,对于f
(5-3)将步骤(4)中的故障特征变量f
(a)当y
(b)当A
η
η
此时,y
(c)对于输入的预测值y
e
为了便于对激活证据e
进而根据公式(9a)和(9b)得到y
(5-4)根据步骤(5-3)一共得到J条证据,取步骤(1)中的故障集合Θ作为辨识框架,其幂集记为P(Θ),是集合Θ的全部子集的集合,其中
其中,信度
其中m
(5-5)利用ER规则对J条证据进行融合,得到融合结果为
Z(f(t+o))={(F
其中j=1,2,...,J,P
为了便于对融合所有证据的理解,这里举例进行简单的说明。仍然以两个故障特征变量为例,由步骤(5-3)得到的证据e
以下结合附图,详细的介绍本发明方法的实施例:
本发明方法的主要流程图如图1所示,其主要内容为:
可以根据安装在电机转子不同位置的振动加速度传感器采集的不同故障特征变量值,建立对应的BRB模型,分别预测出未来时刻的不同故障特征变量值。同样,由每一个故障特征变量的采样值可以得到对应的故障特征变量的参考证据矩阵,每一个BRB模型预测出的未来时刻故障特征变量值结合对应的故障特征变量参考证据矩阵可以获得预测证据。进而可以根据故障预测信息融合决策模型对所有预测证据进行融合,并预测出未来时刻的故障类型。
以下结合在某ZHS-2多功能电机柔性转子实验平台,介绍本发明的相关详细步骤,并通过实验结果,验证基于置信规则库推理的电机转子故障预测方法的性能。
1.模拟5种电机转子不平衡故障类型,在线获取安装在该实验平台上不同位置的5个振动加速度传感器的故障特征变量值f
2.建立故障特征变量f
表2故障特征变量f
然后重复步骤(1)~(3),建立另外4个故障特征变量对应的BRB模型,一共建立5个,设当前时刻为t,未来t+o时刻为t+1,因此可以得到5个故障特征变量对应的未来t+1时刻预测值。将步骤(2)中采集的故障特征变量样本值和对应的故障类型分成如步骤(5-1)所示的样本对集合,得到故障特征变量f
将所有采样时刻得到的测试数据按照上述计算过程进行实验,故障预测结果的混淆矩阵如表5所示,从中可知对于5种故障模式的平均确诊率为96.2%。图3是一次实验中不同时刻5个故障特征变量预测值与真实值的对比图,可以看出,根据步骤(1)~步骤(3)建立的BRB模型可以较准确地预测出故障特征变量的未来值,结合5种故障模式的平均确诊率,验证了本发明方法的有效性。
表5预测结果的混淆矩阵
机译: 一种基于案例推理的技术预测方法,特别是水泥窑法中的传感器预测方法和装置
机译: 具有自动/自适应流加扰的数字视频内容视觉加扰,使用预定义的规则库加扰过程执行相关的加扰工具库,决策电机推理
机译: 一种用于估计从基于案例的推理系统生成的匹配中的置信度的系统和方法