买专利卖专利找龙图腾,真高效! 查专利查商标用IPTOP,全免费!专利年费监控用IP管家,真方便!
申请/专利权人:北京理工大学
摘要:本发明公开的基于RMSD‑DS的火炮反后坐装置故障诊断方法,属于火炮故障诊断领域。本发明首先确定火炮反后坐装置的典型故障模式和故障特性信号,通过高斯模型获取每种故障特性信号相对应证据的概率分配;然后通过构造RMSD相似系数和求解每个证据的可靠度定量描述每个证据在融合决策郭总中的重要程度,据此给证据分配权重,以此消除信息间的冲突影响;最后求解加权平均后的整合证据,应用DS融合规则对整合证据进行自身融合,得到最终的融合结果,实现火炮反后坐装置的故障诊断。本发明求解每种故障特性信号所对应证据的基本概率分配值的方法简易,故障诊断效果优越。本发明能够提高融合冲突信息时火炮反后坐装置故障诊断效率和精度。
主权项:1.基于RMSD-DS的火炮反后坐装置故障诊断方法,其特征在于,包括以下步骤:步骤一:确定火炮反后坐装置典型故障模式及故障特征信号;步骤二:采集、获取火炮反后坐装置在典型故障模式下对应的故障特征信号;步骤三:分析步骤二获取的在典型故障模式下对应的故障特征信号,并将所述故障特征信号数据分类为故障训练样本数据、故障待检样本数据;求解属于火炮反后坐装置不同故障模式的训练样本在不同故障特征信号上的平均值和标准差,然后构造属于不同故障模式的训练样本在不同故障信号上的高斯模型;所述步骤三包括以下步骤:步骤3.1:将步骤二获取的在典型故障模式下对应的故障特征信号,分类为故障训练样本数据、故障待检样本数据;基于步骤二获取的在典型故障模式下对应的故障特征信号,分别从各个故障模式中所对应的四种故障特性信号数据中选取预设比例的样本数据作为故障训练样本,剩余样本数据作为故障待检样本;步骤3.2:对于步骤3.1选定的故障训练样本,求解属于火炮反后坐装置不同故障模式的训练样本在不同故障特征信号上的平均值和标准差;对于选定的故障训练样本,求解属于不同故障模式的训练样本在不同故障特征信号上的平均值μFi和标准差σFi,平均值μFi的求解公式如式1所示,标准差σFi的求解公式如式2所示: 式1和式2中,F=X,Y,Z,代表三种故障模式;i=1,2,3,4,代表四种故障特征信号;j=1,2,…,N,代表数据序列;步骤3.3:根据步骤3.2求解得到的平均值和标准差,构造属于不同故障模式的训练样本在不同故障信号上的高斯模型;根据步骤3.2求解得到的平均值μFi和标准差σFi,构造属于不同故障模式的训练样本在在不同故障信号上的高斯模型,如公式3所示: 式3中,F=X,Y,Z,代表三种故障模式;i=1,2,3,4,代表四种故障特征信号;x代表样本数据,代表样本数据为x时的概率;故障特性信号为最大后坐位移Xmax时,故障模式为节制环磨损X、复进机漏气Y和制退杆活塞磨损Z上的高斯模型为: 故障特性信号为最大后坐速度Vmax时,故障模式为节制环磨损X、复进机漏气Y和制退杆活塞磨损Z上的高斯模型为:和 故障特性信号为最大复进速度Umax时,故障模式为节制环磨损X、复进机漏气Y和制退杆活塞磨损Z上的高斯模型为:和 得故障特性信号为复进到位速度Uend时,故障模式为节制环磨损X、复进机漏气Y和制退杆活塞磨损Z上的高斯模型为:和 公式4至公式15即为不同故障模式的训练样本在不同故障信号上的高斯模型;步骤四:根据步骤三构建的火炮反后坐装置故障模式高斯模型,求解火炮反后坐装置待检样本故障特征信号所对应证据的基本概率分配;所述步骤四包括以下步骤:步骤4.1:根据步骤3.3构建的火炮反后坐装置故障模式高斯模型,求解待检样本与每种故障信号下不同故障模式高斯模型的交点纵坐标;对于故障模式未知的一组待检样本,对应的数据可以表示为{F1,F2,F3,F4},其中F=X、Y、Z;下标中的1代表最大后坐位移Xmax,2代表最大后坐速度Vmax,3代表最大复进速度Umax,4代表复进到位速度Uend;故障特征信号为最大后坐位移Xmax时,待检样本与不同故障模式的高斯模型交点纵坐标求解公式为: 故障特征信号为最大后坐速度Vmax时,待检样本与不同故障模式的高斯模型交点纵坐标为: 故障特征信号为最大复进速度Umax时,待检样本与不同故障模式的高斯模型交点纵坐标为: 故障特征信号为复进到位速度Uend时,待检样本与不同故障模式的高斯模型交点纵坐标为: 步骤4.2:表示四种故障特征信号所对应证据的基本概率分配;每个待检样本中含有四种故障特征信号,每种故障特征信号对应一组证据,则每种故障特征信号所对应证据的基本概率分配函数可表示为mii=1,2,3,4;在步骤一中火炮反后坐装置故障模式有X,Y,Z三种,则一组证据的基本概率分配包含有miX、miY和miZ,其中miX表示在证据mi下待检样本属于故障模式X的基本概率分配,miY表示在证据mi下待检样本属于故障模式Y的基本概率分配,miZ表示在证据mi下待检样本属于故障模式Z的基本概率分配;步骤4.3:根据步骤4.1,获取得到待检样本与每种故障信号下不同故障模式高斯模型的交点纵坐标,分别求解待检样本的每种故障特性信号所对应证据的基本概率分配;故障特征信号为最大后坐位移Xmax时所对应证据m1的基本概率分配函数求解公式为: 故障特征信号为最大后坐速度Vmax时对应证据m2的基本概率分配函数为:m2X,m2Y,m2Z; 故障特征信号为最大复进速度Umax时对应证据m3的基本概率分配函数为:m3X,m3Y,m3Z; 故障特征信号为复进到位速度Uend时对应证据m4的基本概率分配函数为:m4X,m4Y,m4Z; 步骤五:根据步骤四求解得到的火炮反后坐装置待检样本故障特征信号所对应证据的基本概率分配,在火炮反后坐装置故障模式框架下,定义并求解各个证据之间的冲突因子,并根据求解的所有冲突因子,构造冲突因子矩阵;在火炮反后坐装置故障模式框架下,定义并求解各个证据间的均方根偏移RMSD距离;以所述冲突因子和归一化RMSD距离的几何均值作为RMSD冲突系数的取值,构造RMSD冲突系数;根据构造RMSD冲突系数,求解并构造RMSD相似系数,通过构造的RMSD相似系数便于定义后续步骤六的可靠度;所述步骤五包括以下步骤:步骤5.1:在火炮反后坐装置故障模式框架下,定义并求解各个证据之间的冲突因子,并根据求解的所有冲突因子,构造冲突因子矩阵;所述各个证据之间的冲突因子即每两组证据之间的冲突因子;为方便给出求解冲突因子的公式,在火炮故障模式框架Θ={X,Y,Z}下,定义m1和m2为两组证据,对应的故障模式分别表示为F′{F′=X,Y,Z}和F″{F″=X,Y,Z},则证据m1和m2的冲突因子如式40所示: 根据公式40得各证据间的冲突因子矩阵为: 不过冲突因子存在缺陷,根据公式40可知两个证据相同时求解得到的冲突因子不为0,因此需通过后续步骤5.2引入证据间的RMSD距离来修正冲突因子,在后续步骤5.3中构造冲突系数,即RMSD冲突系数;步骤5.2:在火炮反后坐装置故障模式框架下,定义并求解各个证据之间的RMSD距离,并根据求解的所有RMSD距离,构造RMSD距离矩阵,求解归一化后的RMSD距离矩阵;定义m1和m2为两组证据,对应的故障模式分别表示为F′{F′=X,Y,Z}和F″{F″=X,Y,Z},则定义证据m1和m2间的RMSD距离为: 根据公式42求解得到各证据间的RMSD距离矩阵,如式43所示: 然后寻找RMSD距离矩阵中的最大值RMSDmax=max{RMSD},接下来对RMSD距离矩阵进行归一化处理,即RMSD距离矩阵的每个元素除以RMSDmax,得到归一化之后的RMSD距离矩阵,如式44所示: 步骤5.3:定义以步骤5.1所述冲突因子和步骤5.2中所述归一化RMSD距离的几何均值作为RMSD冲突系数的取值,构造RMSD冲突系数;以步骤5.1得到的冲突因子和步骤5.2得到的归一化RMSD距离的几何均值作为RMSD冲突系数的取值,定义证据m1和m2的RMSD冲突系数表示为: 式45中,Km1,m2代表证据m1和m2的冲突因子,代表证据m1和m2归一化后的RMSD距离;根据公式45得RMSD冲突系数矩阵为: 步骤5.4:以步骤5.3中所述的RMSD冲突系数为基础,求解并构造RMSD相似系数;步骤5.3中构造的RMSD冲突系数代表证据间的冲突程度,取值范围为[0,1],则用1减去RMSD冲突系数则可以代表证据间的相似程度,定义证据m1和m2的RMSD相似系数表示为: 根据公式47可得RMSD相似系数矩阵为: 步骤六:定义每个证据的可靠度为该证据与其他证据的RMSD相似系数之和,并根据所述定义确定每个证据的可靠度;分析每个证据的可靠度,定义每个证据的权重为该证据的可靠度与所有证据可靠度之和的比值,并求解每个证据的权重;根据每个证据可靠度对所有证据进行权重分配,降低信息之间的冲突性,然后通过加权平均后得到整合证据,便于后续步骤七的融合,提高故障诊断正确率;步骤七:在火炮故障模式框架,利用DS证据理论方法对步骤六得到的整合证据进行自身融合,得到对应火炮反后坐装置故障模式的发生概率;遍历所有火炮反后坐装置故障模式的发生概率,确定最大基本概率分配值所对应的故障模式即为最终诊断的故障模式,即基于RMSD-DS实现对火炮反后坐装置故障的高精度效率诊断。
全文数据:
权利要求:
百度查询: 北京理工大学 基于RMSD-DS的火炮反后坐装置故障诊断方法
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。