当前位置:首页 >> 兵器/核科学 >>

设备故障智能诊断方法的研究_图文

第 !" 卷# 第 $% 期 !%%& 年 $% 月













’()*+,+ -./0*12 .3 45)+*6)3)5 7*,60/8+*6

9.2: !" ;.: $% <56: !%%&

设备故障智能诊断方法的研究
齐继阳$ # 竺长安!
$ ( 合肥工业大学 ’7=4 研究所# 合肥# !>%%%? )

!

( 中国科学技术大学精密机械与精密仪器系# 合肥# !>%%!& ) 粗糙集理论、 灰色系统理论等相关技术曾被广泛应用于设备故障诊断中, 但是模糊聚类只能对已知样本做出 摘要# 模糊聚类、 决策, 不具有柔性, 不能通过已知信息和聚类结果对问题所涉及领域内的新样本的类别做出决策; 粗糙集理论不能处理连续变 量; 而灰色系统理论无法去除故障诊断中冗余的特征参数, 不能区分各特征参数的重要性, 因而制约了它们在故障诊断中的应 用。在本文中, 这几种理论被有机地结合起来, 应用于设备故障诊断中。在故障诊断过程中, 首先利用模糊 5 均值聚类对样本 的参数进行离散化处理, 求得各类别的聚类中心, 接着基于粗糙集原理对设备特征参数进行约简, 去除冗余参数, 定量确定各特 征参数的重要程度, 然后根据约简的特征参数和各参数的重要程度, 利用灰色关联分析的方法确定各种标准故障状态与目前设 备状态的关联度, 从而找到设备的故障所在之处。在本文最后部分通过实例证明, 将模糊 5 均值聚类、 粗糙集理论和灰色系统 理论结合起来, 应用于设备的故障诊断中是一种行之有效的方法, 为智能故障诊断提供了理论基础。 关键词# 模糊聚类# 灰色系统# 粗糙集# 故障诊断 中图分类号# @A$B!# 文献标识码# C# 国家标准学科分类代码# D!%E !%

!

!"#"$%&’ () *)+",,*-")+ .$/,+ 0*$-)(#*# 1"+’(0 (. +’" "2/*31")+#
F) -)G1*H$ # I(/ ’(1*HJ1*!
! 8

( "#$% #&’()(*(+,,+-+) .&)/+0’)(1 2- 3+45&26271,,+-+) 89:::; ,"5)&<) 2- "5)&<,,+-+) 89::8B ,"5)&<)

( =+><0(?+&( 2- @0+4)’)2& $<45)&+01 <&A @0+4)’)2& #&’(0*?+&(<()2&,.&)/+0’)(1 2- %4)+&4+ <&A 3+45&26271

45#+%$&+# K/LLG 52/,6+0,H0+G ,G,6+8 6(+.0G 1*M 0./H( ,+6 6(+.0G (1N+ O++* +P6+*,)N+2G /,+M )* 31/26 M)1H*.,),E Q*R 3/LLG 52/,6+0 51* .*2G 521,,)3G 6(+ S*.T* ,18U2+,, 6(+ 32+P)O)2)6G ), N+0G 2)8)6+M, )6 51* *.6 81S+ M+5),).* 3.06/*16+2G , .* *+T ,18U2+, O1,+M .* 6(+ 52/,6+0)*H 0+,/26 155.0M)*H 6. 6(+ S*.T* )*3.0816).* +N+* )3 6(+ *+T ,18U2+, O+2.*H 6. 6(+ 5.00+216)N+ M.81)* ,H0+G ,G,6+8 6(+.0G 51**.6 0+M/5+ 6(+ ,/U+032/./, 1660)O/6+,,*.0 51* )6 M+6+08)*+ 6(+ 0+216)N+ )8U.061*5+ .3 6(+ 1660)O/6+, T()2+ 0./H( ,+6 6(+.0G 51**.6 ,.2N+ 6(+ U0.O2+8 T)6( 6(+ 5.*6)*/./, N10)1O2+,E @(+,+ M01TO15S, 0+,601)* 6(+)0 1UU2)516).* )* 31/26 M)1H*.,),E @(+,+ 6(+.0)+, 10+ 5.8O)*+M 6.H+6(+0 ,+182+,,2G 1*M 1UU2)+M 6. 31/26 M)1H*.,), )* 6(+ U1U+0E V/0)*H 6(+ U0.5+,, .3 31/26 M)1H*.,), ,6(+ N12/+, .3 6(+ 1660)O/6+, 10+ M),50+6)L+M 6(0./H( 3/LLG 5R8+1*, 52/,6+0 1*M 52/,6+0 5+*6+0 ), .O61)*+M , 6(+ 0./H( ,+6 6(+.0G ), /,+M 6. 0+M/5+ ,/U+032/./, 1660)OR /6+, 1*M W/1*6)616)N+2G M+6+08)*+ 6(+ 0+216)N+ )8U.061*5+ .3 6(+ 1660)O/6+,,1*M 6(+* H0+G 5.00+216).* 1*12G,), ), /,+M 6. 5125/216+ 6(+ H0+G 5.00+216).* M+H0++, .3 122 6(+ ,61*M10M 31/26 ,616+, T)6( 0+,U+56 6. 6(+ 5/00+*6 ,616+ 155.0M)*H 6. 0+M/5+M 1660)O/6+, 1*M 6(+)0 0+216)N+ )8U.061*5+ ,,. 6(16 6(+ 31/26 51* O+ 3./*ME C6 6(+ +*M .3 6(+ U1U+0,1* +P18U2+ ), /,+M 6. M+8.*,6016+ 6(+ 3+1,)O)2)6G .3 6(+ 8+6(.M U/6 3.0T10M )* 6(+ U1U+0E @(+ 8+6(.M 21G, 6(+ 3./*M16).* 3.0 6(+ )*6+22)H+*6 31/26 M)1H*.,),E 6"7 8(%0## 3/LLG 52/,6+0# H0+G ,G,6+8# 0./H( ,+6# 31/26 M)1H*.,),

! 本文于 !%%D 年 $% 月收到。

万方数据

! 第 "# 期

齐继阳 等: 设备故障智能诊断方法的研究

! "$%"

隶属度矩阵 "。

!" 引" " 言
设备故障诊断作为一门跨学科的技术, 不断汲取各 学科的最新研究成果, 模糊聚类、 粗糙集理论、 灰色系统
[ "&’ ] 理论等相关技术曾被广泛应用于设备故障诊断中 。

) #( (" ,($ , …, (! ) " #[ ! %* ] 式中: % 9 ", $, …, !;* 9 " , $, …, $; ! %* 为样本 & * 属于分类 % 的隶属度, 满足以下规则:
!

模糊聚类是通过分析研究对象之间的亲疏关系, 把研究 对象分成若干个类, 基于模糊聚类分析的设备故障诊断 是通过分析设备的当前状态与各种典型故障状态之间的 亲疏关系, 将其划分到相应的类中, 从而确定设备的故障 所在。但是, 模糊聚类只能对已知样本做出决策, 不具有 柔性, 不能通过已知信息和聚类结果对问题所涉及领域 内的新样本的类别做出决策[(]。 基于灰色系统理论的设备故障诊断是通过对灰色关 联度的分析, 研究设备当前运行状态与各种典型故障状态 特征间的相关性, 从而确定设备的故障原因。这种故障诊 在设备故障诊断过 断方法存在着以下几方面的不足: (") 程中, 描述设备状态的特征参数很多, 有些特征参数是相 关的, 有些特征参数是独立的, 相关的特征参数产生冗余 的信息, 会增加故障诊断的工作量, 应该加以消除, 独立的 特征参数提供互补信息, 应该加以保留; 而灰色系统理论, 无法区别这些特征参数, 在实际应用中, 往往将所有特征 在故障诊断中, 参数统统罗列, 导致工作量大大增加; ($ ) 各种特征参数所起的作用是不一样的, 为提高诊断的准确 性, 应该对这些特征参数区别对待, 而在基于灰色系统理 论的设备故障诊断方法中, 所有特征均未被区别对待。 基于粗糙集理论的设备故障诊断方法是针对设备各 种故障的特征参数构成的决策表, 利用粗糙集优越的约 简能力, 对决策表中冗余特征参数约简, 再从约简的决策 表中提取规则, 从而进行故障诊断。粗糙集理论不能处 理连续数值, 应用粗糙集理论时必须先对连续数值进行 离散化处理, 这是一件非常困难的事。由于这些理论基 础不同, 它们在处理不确定型复杂系统时有很强的互补 性, 因此探讨这些理论的结合, 并将它们应用于设备故障 诊断中, 具有重要的理论意义和应用价值。

+!
% #"

%*
$

# "
%*

(") + $ ($)

# +

+!
* #"

456 算法的目标函数为:
$ !

,( )) # - ",

(! ++
* #" % #"

%*

$ ) 2& * . ( % 2

(:)

式中: -" [", 。 ;] 456 算法是一个通过式 ( < )= (’) 不断迭代, 使目标 函数最小的过程。

! %* #

{

- ." - ." ( / %* ) 0+ ( / %* ) ,
( #"

$

!

$

/ %* # # / %* # # (<)

"! ! ! ! ! ! ! ! #! ! ! ! ! ! ! !
$



, =1 # % , / %* # # (’)

$

(% #

+!
* #"

%*

&* 0 + !! # + % + ! %* ,
* #"

在式 (<) 中,/ %* 9 2 & * > ( % 2$ , 通过不断迭代, 最终 得到 ! 个聚类和每个聚类的聚类中心 ( % 。 # ) #" 灰色系统理论基本知识 在灰色系统理论中, 设参考序列 "# 和比较序列 " ? 分别为: "# 9{&( ,&( … &( } # ") # $) # $) " % 9{&( ,&( …&( } % ") % $) % $) 若参考序列 "# 和比较序列 " % 在 ’ 点的关联系数为 ( , 则参考序列 "# 和比较序列 " % 的关联度为: " % ’) 2% # " $
$

+ "( ’)
%
’ #"

(()

在实际的工程应用中, 常常采用邓氏关联度来计算 参考序列 "# 和比较序列 " % 在 ’ 点的关联系数 "( , 其 % ’) 计算公式如下:
$

#" 预备知识
# ) !" 模糊聚类基本知识 模糊聚类是将传统的硬划分和模糊理论结合起来而 ( *+,,形成的, 在各种聚类算法中, 模糊 ! 均值聚类算法 .&/0123,456) 理论最完善, 应用最广泛。 456 最初 由 70,808 提 出。考 虑 一 个 样 本 集 " # {!" , !$ , …, ! $ }, 其中, ! % # {& %" ,& %$ , …,& %’ }为 ’ 维向 最后得 量, 将样本集 " 依据亲疏关系分成 ! 个模糊子类,

"( % ’) #

+ ’ #"

/?2 /?2 3 &( ( 3 4 # /1@ /1@ 3 &( ( 3 # ’). & % ’) # ’). & % ’)
% ’ % ’

3 &( ( 3 4 # /1@ /1@ 3 &( ( 3 # ’). & % ’) # ’). & % ’)
% ’

(%) 式中: [#, "] 。 #" # ) $" 粗糙集理论基本知识 粗糙集理 论 是 波 兰 科 学 家 A) B1CD18 于 "EF$ 年 提出的一种数据分析理论, 是一种处理模糊和不确定 知识的数学工具, 其主要思想 是 在 保 持 分 类 能 力 不 变 的前提下, 通过 知 识 约 简, 从数据中导出问题的决策 分类规则。 $) :) "! 粗糙集理论基本概念

万方数据 到的分类结果是 ! 个聚类中心 (( $, …, !) 和一个 % % 9 ",

$ !"#"

仪$ 器$ 仪$ 表$ 学$ 报

第"# 卷

定义 ! 设非空有限集合 !、 ", 其中, ! 为论域, "为 存 在 属 性 值 集 合 $ # % {# 属性域, 对于每个属性 # " ", ( %) & ,%"! } , 称 & %{!, "} 为信息系统。若 " % ’ / (, 其中, ’ 为条件属性集, ( 为决策属性集, 则 且 ’ .( % ), 为决策系统。 称 & %{!,’ /( } 定义 " 对于信息系统 & %{!, "} , 设 ’ -", 称二元等 ( ’ )%{ ( %, ,)" !" & # ( % )% # ( ,) ,,# " ’ } 价关系 *+( 为论域 ! 上 ’ 的不可分辨关系。 不可分辨关系也称等价关系, 它把 ! 划分为有限个 集合, 称为等价类。用 ! - *+( ( ’) 表示 ! 的所有等价类。 定义 # 设 ’ -", . -! , 则 . 的 ’ 上近似 ’( ’ .) 和下 ( .) 分别为: 近似 ’ ( ’( ’ . )% /{/"! - ’ & /.. #)} ’( ( . )% /{/"! - ’ & /-. } 通常 01&( % ’( ( .) 被称为 . 的 ’ 正域, +23 ’ ’ .) ( . )% ! ) ’( ’ . )称为 . 的 ’ 负域。 4+’ ( . )% ’( ’ .) ) ’( ( .) 为边界域。 定义 $ 对于信息系统 & % {!, "} , 设 # " ", 若 *+( ( ")% *+( ( " ) #) , 称 # 是 " 中可省略的, 否则 # 是 " 中 4 中的每个属性都是不可省略 不可省略的。设 4 - ", 的, 且 *+( ( ")% *+( ( 4) , 则称 4 为 " 的简化。 " 中所 记为: 有不可省略属性的集合, 称为 " 的核, *+,( ")% .,-. ( ") 式中: ,-. ( ") 表示 " 的所有简化。 , 设属性 5"4 , 定义 % 对于决策系统 & %{!,’ /(} 其中 4 - ’ , 01& 4 ( ( )% / 4 ( ( .) , 01& ( ( )% / ( 4 ) 5) . !- (
"

? <

( %, ,) "! @!

5 %, ,) 3 +(

(5)

研究发现, 可分辨函数的极小析取范式中的所有合
[3] 取式是条件属性 ’ 的所有决策属性 ( 的简化集 。

#( 智能故障诊断建模方法
由于模糊聚类、 灰色系统理论与粗糙集理论的理论 基础不同, 它们在处理不确定型复杂系统时有很强的互 补性, 所以在文中, 它们被结合起来, 应用于设备故障诊 断中。在故障诊断过程中, 首先利用模糊 5 均值聚类对 样本的参数进行离散化处理, 求得各类别的聚类中心, 接 着基于粗糙集理论对设备特征参数进行约简, 去除冗余 参数, 定量确定各特征参数的重要程度, 然后根据约简的 特征参数和各参数的重要程度, 利用灰色关联分析的方 法确定各种标准故障状态与目前设备状态的关联度, 从 而找到设备的故障所在处, 如图 ! 所示。

图 !$ 故障诊断过程图

故障诊断过程具体过程如下所述。 (!) 根据学习样本集, 对条件属性值进行无量纲化 处理, 通过模糊 5 均值算法对条件属性值离散化处理, 从 而形成决策表。 学习样本集中的每个样本都由若干个属性组成, 每 个属性的量纲和数量级都不相同, 如果直接对原始数据 进行计算, 就可能导致某些数量级特别大的属性对结果 产生举足轻重的影响, 而降低甚至排斥某些数量级较小 的属性的作用, 导致一个属性只要改变一下单位, 也会改 变结果。因此, 必须对原始数据进行无量纲化处理, 使每 个属性值统一在某种共同的数据范围内。常用的无量纲 化处理有标准差规格化、 极大值规格化、 极差规格化、 均 值规格化等, 考虑到在实现无量纲化的同时, 还应保持原 有各指标的分辨力, 经分析发现, 均值规格化是最好的 方法[5]。 在原始数据无量纲化后, 根据学习样本中故障的种 类数, 采用 467 将样本分成相应的若干类, 从而获得若 干个聚类中心。然后, 对每个属性分别采用 467 算法离 散化处理, 输入的聚类数可以根据每个属性需要离散的 粒度而定, 取样本隶属度最大的类别作为该样本在该属 性上的取值, 这样原来连续的变量空间被映射到离散的

( 4 ) 5) ( ( .) , 当 01&( % 01& 时, 称5是4中 4 () ( 465( ) ()
." ! - (

( 可省略的; 否则, 5 是 4 中 ( 不可省略的。当 4 中的每 个属性 5 都是 ( 中不可省略的, 则称 4 为 ( 独立的。当 4 为 ’ 的 ( 独立子集, 且 01&( 时, 则称 4 ( )% 01& ( ’ () 4 为 ’ 的 ( 简化。 "/ 0/ "$ 约简 决策表的约简就是化简决策表中的条件属性, 化简 后的决策表具有化简前的决策表的功能, 但化简后的决 策表具有更少的条件属性。 "} , 其中 " % ’ /(, 且 ’. 定义 & 决策系统 & %{!, ( % ), ’ 为条件属性集, ( 为决策属性集, ! % {%! , %" , %7 } , ’ %{5! , 5" , …, 58 } , ( %{9 } , 可分辨矩阵是 7 1 7 …, 矩阵, 其第 : 行第 ; 列元素 !( ;) 为: ( :,
!( ;) < ( :,

{2$ $ $ $ $ $ $ $ $ $ $ $ $ $

{ 5= > 5= " ’ > 5( } $ , ( 9 %: )# ( 9 %: ) # 5( = %: ) = %; ) , ( 9 %: ) < ( 9 %: )

(3) 定义 ’ 可分辨矩阵 !( 唯一地确定一个分辨函数 ?, 分辨函数是一个布尔函数, 如果区分对象 % 和 , 的所有属 性集合 ( 5 %, ,)%{ 5! , 5" , …, 5= } 指定一个布尔函数 5! # ),

万方数据 用+( 5 %, ,) 来表示, 可分辨函数 4 定义为: ?5" ?…?5= ,

! 第 "# 期

齐继阳 等: 设备故障智能诊断方法的研究

! "$%&

[%] 特征空间。具体过程描述如下 : 步骤 " , 设定聚类数 !、

初始化隶属度矩阵 ! (#) , 指数权重 " 以及停止阀值 !, ( #) 令变量 # ’ # ; 步骤 $ , 通过 ! 和式 (() 计算模糊聚类中
( #) ( #) 步骤 & , 通过 $ 和式 ()) 计算新的隶属度矩阵 心$ % ; % ( # * ") ( # * ") ( #) ; 步 骤 ), 计算 ! ’ 2! +! ,-. / ! 2 ’ ,-. % &

如 ! 0 !, 则令 # ’ # * " , 则转至步骤 $ , 否则停 " %& + " %& / , 止迭代, 根据最后的隶属度矩阵, 将样本分成 ! 类。 ($) 利用粗糙集理论的约简能力, 进行约简, 形成最 小条件属性集。 学习样本集中样本各属性的值被离散化后, 可以很 容易地构成一个决策系统, 运用上面介绍的方法对属性 进行约简, 形成最小条件属性集。 形成最小条件属性集后, 需要判断各条件属性 (&) 的重要性。 ( ’) 为: 定义 !["#]属性子集 ’ -( 的信息熵 )
"

# *"

( #)

图 $! 转子不平衡产生的典型波形图

) ( ’) * +

(, ) 12 ’ (, ) +’
% %
% *"

( "# )
图 &! 转子不对中产生的典型波形图

- 3 456 ( ’ )’{," , ,$ , …, ," } , ’ ( , % )’ / , % / . / - / 式中: ( % ’ ", $, …, ") , / - / 表示集合 - 的 “ 势” , / , % / 表示集合 ,% 的 “ 势” 。 (} , 属性 0 " ( 的重要性 定义 "["#]信息系统 / ’{-, 定义为: /( ( ()+ ) ( ( + {0 } )1 ( 0) * 1 )
[ "# ] 。 时, 是冗余的

( "" )

当 /( 大于 # 时, 属性 0 在 ( 中是必要的; 等于 # ( 0) ()) 计算测试样本与各标准故障模式的关联度, 从 而判断故障原因。 和 ( "" ) 确定各属性的重要性, 接 首先, 根据式 ( "# ) 着根据式 ( "$ ) 确定关联度计算中各属性的权重。
3

图 )! 油膜振荡产生的典型波形图

. + /( 2 0 * /( ( 0% ) ( 04 )
%

( "$ )

4 *"

然后, 按式 (%) 计算测试样本与标准故障模式 % 的关于属 性 0 4 的关联系数 # ( , 在这里以各个聚类中心作为各 % 04 ) 标准故障模式的标准值。 这样测试样本与标准故障模式 % 的关联度可以按式 ( "& ) 计算:
3

图 (! 喘振产生的典型波形图
04

5% *

+2
4 *"

6# ( % 04 )

( "& )

在计算了测试样本与所有标准故障模式的关联度 后, 可以根据测试样本与所有标准故障模式的关联度的 大小来判断故障所在之处。

#$ 应用实例
某大型旋转机械, 常有转子不平衡、 转子不对中、 油
[ "" ] 膜振荡、 喘振和碰摩等故障 , 各种故障其典型振动波

图 8! 碰摩产生的典型波形图

万方数据 形如图 $ 7 8 所示, 这里分别对各种故障下的 % 个频段上

% !"#$

仪% 器% 仪% 表% 学% 报

第"# 卷

的幅值进行测量, 如表 ! 所示 ( !! 表示 &’ &! ( &’ $& ", !" 表示 &’ $! ( &’ ) ", !* 表示 &’ )! ( &’ ++ ", !$ 表示 ! ", !) 表

示 " ", !, 表示 * ( ) ", !# 表示 ) ") 。

表 !" 标准故障学习样本
样本 编号 ! " * $ ) , # + !& !! !" !* !$ !) !, !# !!+ "& !! &’ !!& &’ !&, &’ &$) &’ &$, &’ !*& &’ &-# &’ !$, &’ &+, &’ *$, &’ &") &’ *+) &’ "!! &’ &)# &’ &-$ &’ &#* &’ *), &’ !$" &’ &+! &’ &-" &’ !$+ + * ) ! ) ) " # ! " ) " # & " ! ! ! !" &’ &&, &’ !$, &’ &,$ &’ &"" &’ !&# &’ &&+ &’ &!" &’ &*" &’ "*+ &’ "!+ &’ )"" &’ "!! &’ "!, &’ "#&’ **& &’ *&" &’ &$* &’ &,* &’ !!, &’ !&+ & $ * + # ) $ & " $ & # # & # # ! * !* &’ !!$ &’ !!# &’ &+" &’ &-) &’ !*&’ !"&’ &#&’ &,& &’ &-" &’ &## &’ !&+ &’ &"& &’ &** &’ &)! &’ &*! &’ &-, &’ &*" &’ &," &’ !!# &’ &+$ ) # # & + # & + , & + " # ! # & ) " 条% 件% 属% 性 !$ &’ +,! &’ +), &’ #*+ &’ )-+ &’ "&+ &’ )!" &’ "-" &’ )&! &’ ",! &’ "*& &’ !+&’ *)&’ )+* &’ "$) &’ *-* &’ !-&’ -*! &’ )*" &’ $$# &’ *-& " & * & , & ! & # ) # * " # + * , , , !) &’ &*" &’ &&, &’ &,$ &’ &#+ &’ $"$ &’ *$* &’ ))) &’ *$! &’ !!) &’ &)& &’ &,$ &’ &#) &’ &-# &’ !$$ &’ &#& &’ &+! &’ &-* &’ &"& &’ !$&’ &)* * ! ) & # ! $ " * & ! , * ) $ ! , !, &’ &)& &’ &$$ &’ "!! &’ "+&’ !"& &’ &&! &’ &*! &’ !*! &’ !") &’ !&&’ !&* &’ &", &’ !*+ &’ &-$ &’ &)! &’ !*& &’ !*! &’ &,! &’ *)&’ *$+ $ , # & * & * + & # , , ) ) ! # * ) + !# &’ &"$ &’ &)& &’ &&! &’ &*! &’ &#, &’ !*& &’ !", &’ &)& &’ &)&’ !"* &’ &-, &’ &,, &’ &,+ &’ *$+ &’ ""&’ "## &’ &,* &’ &-$ &’ &+# &’ !,+ * ) $ + # + * " , * ) ! , + # ! # & * + 决策属性 不平衡 不平衡 不平衡 不平衡 不对中 不对中 不对中 不对中 油膜振荡 油膜振荡 油膜振荡 油膜振荡 喘振 喘振 喘振 喘振 碰摩 碰摩 碰摩 碰摩

% % 上述学习样本通过模糊聚类后, 得到的属性值离散化后的学习样本如表 " 所示。
表 #" 属性值离散化后的学习样本
样本 编号 ! " * $ ) , # + !& !! ! ! ! ! ! ! ! ! " ! !" ! ! ! ! ! ! ! ! " " 条% 件% 属% 性 !* !$ !) ! ! ! ! ! ! ! ! ! ! $ $ * * ! * ! * ! ! ! ! ! ! " " * " ! ! !, ! ! " * " ! ! " " " !# ! ! ! ! ! ! ! ! ! ! 决策属性 不平衡 不平衡 不平衡 不平衡 不对中 不对中 不对中 不对中 油膜振荡 油膜振荡 样本 编号 !! !" !* !$ !) !, !# !!+ "& !! " ! ! ! ! " ! ! ! ! !" * " " " " " ! ! ! ! 条% 件% 属% 性 !* !$ !) ! ! ! ! ! ! ! ! ! ! ! " * ! " ! $ * " " ! ! ! ! ! ! ! ! ! ! !, " ! " " ! " " ! * * !# ! ! ! " " " ! ! ! ! 决策属性 油膜振荡 油膜振荡 喘振 喘振 喘振 喘振 碰摩 碰摩 碰摩 碰摩

% % 经聚类后, 得到标准故障聚类中心如表 * 所示。
表 $" 标准故障聚类中心
!! &’ &## &’ !!) &’ "$$ &’ !$" &’ !!, " * , + ! !" &’ &)+ &’ &$& &’ "+&’ "-" &’ &-* + $ ! & " !* &’ !&" &’ !&! &’ &#" &’ &)& &’ &#, ) , , # , !$ &’ -!! &’ *#, &’ "," &’ *)" &’ )$$ $ " & !) &’ &$) &’ $!, &’ &#, &’ &+&’ &#, # " " ) , !, &’ !)! &’ &#! &’ &+! &’ !&! &’ "") " ! & ) $ !# &’ &"# &’ &+, &’ &-* &’ "*! &’ !&* & & , * # 聚类 不平衡 不对中 油膜振荡 喘振 碰摩

% % 下面对由属性值离散化后的学习样本集构成的决策表进行约简。该决策表的可分辨矩阵如表 $ 所示。
表 %" 可分辨矩阵
!) ! $), * $) $ $), !, !# !$) $) $), ), $), ) 万方数据 ), $), ), !+ ! "$, !"$ ! "$, !!& "$, "$ "$, !!! ! "$, !"$ ! "$, !!" "$ "$, "$, !!* "$, " ", !!$ " $,# "$# " $,# !!) "$# " $,# " $,# !!, !" $,# ! "$# !" $,# !!# , $ $, !!$ , , !!+ $, $, $

! 第 "# 期

齐继阳 等: 设备故障智能诊断方法的研究

! "$%& 续表

!& & ’ % ( ) "# "" "$ "* "+ "& "’

!’

!%

!(

!) "$& "$ +&’ " $&’ " $+&

!"# $& $ +&’ $&’ $*&

!"" "$& "$ +&’ " $&’ " $+&

!"$ $ +&’ $+& $+& $ +&’

!"* $+& $&’ $ +&’ $& "+ + "$+ +’

!"+ $&% $+ &’% $ &’% $ +&% "% % "$% +’%

$+ $ $ $+ " "$

!"& &’% +&% +&% &’% +’% +’% +’% %

" "$+ "$ "$

"

!"’ $&% &’% &’% +&% % "% $% +’%

!"% +& +&’ +&’ +& "$+ $+ "$+ $+’ $+ $+% $+’ % "$+ %

" "

$ "$

!"( +&’ & +& &’ $+’ $+’ $+’ $+ $’ +’% $+% +’%

" "

$ "$

!") +&’ +&’ +&’ +&’ $+’ $+’ $+’ $’ $+’ +’% $’% +’%

! ! 由定义 % 可知, 其最小约简为 ( !$ ,!+ ,!& ,!’ ,!% ) , 因 此, 可以通过以上 & 个属性来区别不同的故障类型。 通过式 ("#) 和 ("") 来求得属性 !$ 、 !+ 、 !& 、 !’ 、 !% 的重要 #, &’* %、 #, $%% *、 #, +’( $、 #, *+’ ’ 和 程度分别是 #, *#* +、 #, "%’ )。按式 ("*) 可得各特征参数的权重系数向量为: "(#, "&+ ), #, $(% %, #, "+" &, #, $*) #, #, "%’ )) 。 由于 !$ 、 !+ 、 !& 、 !’ 、 !% 是最小特征参数集, 因此可以 按这 & 个参数, 用上述介绍的方法分别计算出它与标准 故障序列的关联度, 再根据最大关联度原则, 可以判断故 障原因。 !+ 、 !& 、 !’ 、 !% 的值分别 假设某时刻测得的属性 !$ 、 为 #, #’% " 、 #, *(# ’ 、 #, &*’ # 、 #, #)) 、 #, #(% ,按式 (%) 和 ( "+ ) ,得 各 种 故 障 的 关 联 度 为: ( #, ’+% % ,#, )"$ # , #, %*’ * , #, %+% $+ , #, ’)& () ) , 根据最大关联度原则, 可 以判断故障原因为转子不对中。 为了验证该方案的可行性, 本文通过对另外 $# 组故 障数据运用该方法进行了分析, 结果有 "% 组故障能正确 诊断, 由此可见, 该方案的诊断结果是比较可靠的。

[$ ] ! M01N O 6,73 H /, 0 EA:?F BD<LC9BD= K9:;< E9@P>@? IEA<A<GID BGB<DQ KAE K9:;< =>9?@AB>B [ H] , 5@?>@DDE>@? 9IL I;>J9<>A@B AK 9E<>K>J>9; >@<D;;>?D@JD, $##+ , "%( ( ) : )#)L)"%, [* ] ! M01N R 6,6S1N 2 T, 1AUD; ?EDG QA=D; KAE <FD IEDL =>J<>A@ AK <ED@= AK =>BBA;UD= ?9BDB >@ A>;LK>;;D= IAVDE 9IL I9E9<:B [ H] , 5;DJ<E>J TAVDE 4GB<DQB /DBD9EJF, $##* , ’% (") : &*L&(, [+ ] ! .51N W T,4X1N 8 N,8S5 Y 8, .9:;< =>9?@AB>B C9BD= A@ >@<D?E9<>A@ AK K:ZZG JLQD9@B,EA:?F BD<B 9@= 9L =9I<>UD @D:EALK:ZZG >@KDED@JD BGB<DQ [ H] , [E9@B9J<>A@B AK 24325, $##* , $" (+) : $("L$(%, [& ] ! 2651 0 T,731 2 2, .:ZZG 9IIEA9JFDB KAE K9:;< =>9?@AL B>B AK <E9@BKAEQDEB [ H] , .:ZZG 4D<B 9@= 4GB<DQB,$##" , ""( (") : "*)L"&$, [’ ] ! 罗党, 一种模糊 /A:?F 决策方法 [ H] , 中国工程科学, $##+ , ’ ( "$ ) : *$L*’, [% ] ! 于达仁, 胡清华, 鲍文, 融合粗糙集和模糊聚类的连 续数据知识发现 [ H] , 中国电机工程学报,$##+ ,$+ (’) : $#&L$"#, [( ] ! M072W0\ ],R0440/[ Y 7, /A:?F BD<B <FDAEG[ H ] , 2FDQAQD<E>JB 9@= >@<D;;>?D@< ;9CAE9<AEG BGB<DQB,"))) , +% (") : "L"’, [) ] ! 庄恒扬, 沈新平, 陆建飞,等, 模糊聚类计算方法的理 论分析 [ H] , 江苏农学院学报, "))( , ") (*) : *%L+", [ "# ] ! 潘晓琳, 一种改进的人力资源价值灰色评级方法 [ H] , 重 庆师范大学学报: 自然科学版, $##+, $" (") : &)L’", [ "" ] ! 孙海军, 蒋东翔, 钱立军,等, 基于粗糙集理论的旋转机 械故障诊断方法 [ H] , 动力工程, $##+, $+ (") : %*L%’, ! ! 作者简介 ! ! 齐继阳, 男, ")’) 年出生,博士,主要研 究方向为现代集成制造系统。 5LQ9>;:^>_GJ@‘ "’*, JAQ

!" 结" " 论
在近十来年的研究中, 人们试图把模糊聚类、 灰色系 统理论与粗糙集理论的研究成果引入设备的故障诊断 中, 但模糊聚类缺乏柔性, 灰色系统理论无法去除故障诊 断中冗余的特征参数, 不能区分各特征参数的重要性, 而 粗糙集理论又不能处理连续变量, 因而制约了它们在故 障诊断中的应用。在本文中, 它们被有机地结合起来, 应 用于设备故障诊断中。通过实例验证, 将它们结合起来, 应用于设备的故障诊断中是一种行之有效的方法, 为智 能故障诊断提供了理论基础。 ! ! 参考文献
[" ] ! ./01234 5 6,4651 7 8, .9:;< =>9?@AB>B C9BD= A@ EA:?F BD< <FDAEG[ H ] , 5@?>@DDE>@? 9II;>J9<>A@B AK 9E<>K>L

万方数据 J>9; >@<D;;>?D@JD, $##* , "’ (") : *)L+*,


相关文章:
电子设备智能故障诊断系统的研究_图文.ppt
电子设备智能故障诊断系统的研究_工学_高等教育_教育专区。基于智能算法的故障诊断方法 电子设备 智能故障诊断系统的研究 一. 课题的研究背景二. 课题的研究方法 三...
智能故障诊断方法研究与仿真_图文.doc
智能故障诊断方法研究与仿真_电子/电路_工程科技_专业资料。智能故障诊断方法研究...17 i 摘要 随着社会科技的发展,生产系统中对设备的可靠性和安全要求越来越高,...
轨道电路智能故障诊断方法研究_图文.pdf
轨道电路智能故障诊断方法研究 - 轨道电路是铁路信号系统最重要的基础组成设备之一
机械设备故障智能诊断系统研究_图文.pdf
机械设备故障智能诊断系统研究 - 沈阳工业大学 硕士学位论文 机械设备故障智能诊断系统研究 姓名:李小彭 申请学位级别:硕士 专业:固体力学 指导教师:白秉三;罗跃纲 ...
现代设备故障智能诊断研究进展_图文.pdf
现代设备故障智能诊断研究进展 - 201442 3月年 5期 第卷 第 机床与液
基于RS-FNN的核电厂设备智能故障诊断方法的研究_图文.pdf
基于RS-FNN的核电厂设备智能故障诊断方法的研究 - 第28卷2OO7 第l期
智能故障诊断技术研究综述_金鑫_图文.pdf
智能故障诊断技术研究综述_金鑫 - 理论与方法 2009 年 7 月第 28 卷 第7期 智能故障诊断技术研究综述 金 鑫1 , 2 任献彬 1 周 亮1 ( 1. 海军航空工....
卷烟包装设备故障监测与智能诊断系统研究_图文.doc
卷烟包装设备故障监测与智能诊断系统研究 - 龙源期刊网 http://www.qikan.com.cn 卷烟包装设备故障监测与智能诊断系统研究 作者:曹兴强 李超 来源:《现代商贸工业...
智能故障诊断技术研究综述_图文.pdf
智能故障诊断技术研究综述_信息与通信_工程科技_专业资料。电子信息类专业硕士论文资料参考 理论与方法 2009 年 7 月第 28 卷 7 期第 智能故障诊断技术研究综述...
第5章 智能故障诊断的实现方法_图文.ppt
第5章 智能故障诊断的实现方法 - 智能故障诊断技术 主讲人:沈志熙 shenzhixi@cqu.edu.cn 重庆大学自动化学院 1 第五章 智能故障诊断的实现方法 ? ? ? ? ?...
机械故障诊断技术与方法._图文.ppt
邮编:102200 石油大学(北京)故障诊断研究中心油液分析 诊断技术 声发射 诊断技术...柔性生产方式风险管理智能设备诊断技术 ? 设备诊断相关信息的集成化、智能...
风电机组故障智能诊断技术及系统研究_图文.pdf
技术故障, 更换 风机并运 直接导致设备供应商年度亏损近 至陆上维修, 4 000...智能诊断方法主要包括模 糊逻辑 、专 家系统 、 神经网络 、遗传算法等。 ...
基于PHM技术的智能开关柜故障监测及诊断方法研究_图文.pdf
基于PHM技术的智能开关柜故障监测及诊断方法研究 - 开关柜作为电力系统中线路开合、电力设备控制和保护的重要设备,在发电、输电和配电的各环节中广泛运用,开关柜的...
基于HSMM的齿轮故障诊断方法研究_图文.pdf
基于HSMM的齿轮故障诊断方法研究 - 智能故障诊断技术是机械设备故障诊断领域的发展趋势,作为智能诊断技术的一种,基于隐马尔科夫模型的智能故障诊断方法具有极强的对...
机电设备故障诊断方法研究现状与发展趋势_图文.pdf
机电设备故障诊断方法研究现状与发展趋势 - 2010年第 5期 煤 炭 工 程 研究探讨 机电设备故障诊断方法研究现状与发展趋势 薛光辉, 吴摘 淼 100083) ( 中国矿...
基于多智能体的高炉故障诊断方法研究_图文.pdf
基于多智能体的高炉故障诊断方法研究 - 钢铁行业是关系国计民生的基础行业。高炉作为生产生铁的关键设备,它的正常冶炼关系到生铁质量和整个钢厂的经济效益。随着近些年...
基于Visual_Basic_6_0的故障智能诊断系统设计方法的研究_图文_....pdf
基于Visual_Basic_6_0的故障智能诊断系统设计方法的研究_IT/计算机_专业资料。...对 于复杂 设备 系统 其诊断 系统要 求知识 实体 既能表达 领域 对 , 、 ...
机载电子设备智能故障诊断技术研究.pdf
机载电子设备智能故障诊断技术研究 - 智能故障诊断在现代飞行器及先进的武器装备及其电子设备的设计、生产和维护过程中都介绍了现有电子设备智能故障诊断方法,包括基于...
机械设备故障监测与智能诊断_图文.pdf
机械设备故障监测与智能诊断_理学_高等教育_教育专区。文献 自动亿与仪器仪表 ...与故障诊断系统研究[学位论文]硕士 2006 3.崔立 滚动轴承失效监测方法研究与...
机电设备故障诊断方法研究现状与发展趋势_图文.pdf
机电设备故障诊断方法研究现状与发展趋势 - 2010年第5期 煤炭工程 机电设备故障诊断方法研究现状与发展趋势 薛光辉,吴淼 (中国矿业大学(北京)机电与信息工程学院,...