[发明专利]基于模糊贴近度和粒子滤波的故障预报方法

说明书

技术领域

本发明涉及一种基于模糊贴近度和粒子滤波的故障预报方法。

背景技术

对运行中的设备和系统提早进行故障预报，是事前采取应对措施、避免故障带来损失的重要途径。粒子滤波方法提供了有效的技术解决连续信号处理中的状态估计问题，其主要优点适用于系统是非线性或具有非高斯噪声的情况。对于预测设备在何时出现故障的问题，潜在的故障与故障征兆之间常常是一种不确定的关系，而判断是否出现故障则具有模糊性，因此可以采用模糊数学方法来进行研究。目前国内外研究人员已将粒子滤波和模糊数学中的模糊贴近度各自独立用于故障检测和预报之中，例如采用随机摄动粒子的粒子滤波方法、基于高斯混合模型的粒子滤波方法和使用转移概率核的粒子滤波方法已用于三容水箱系统的故障预报，粒子滤波结合状态空间方程的方法已用于飞行器齿轮盘裂纹故障的检测，粒子滤波结合衰减状态模型的方法已用于轴承故障的检测，以及并行计算的粒子滤波方法已用于移动机器人的故障检测等。对于模糊贴近度的应用，在某机械系统故障预测中使用了灰色预测模型GM(1,1,k)，其中的k是利用模糊贴近度来进行优化，但模糊贴近度并未直接作为预测方法；对于某船舶机舱设备的早期故障诊断，使用了模糊贴近度的方法来提高故障诊断的准确性。可以看出，上述故障预报/诊断方法或者使用粒子滤波、或者使用模糊贴近度，尚未有将模糊贴近度和粒子滤波相结合进行故障预报的方法。

发明内容

本发明的目的在于提供一种基于模糊贴近度和粒子滤波的故障预报方法，该方法在实时监测系统运行时，若该正常隶属度集合与异常模糊子集的贴近度大于其与正常模糊子集的贴近度时，则预报有故障发生，以实现故障的早期预报。

为实现上述目的，本发明的技术方案是：一种基于模糊贴近度和粒子滤波的故障预报方法，包括如下步骤，

S1、系统正常运行时的统计计算

在系统正常运行时，获得观测序列{y_t}，其中t＝1,2,3,…m，并计算其均值ε和标准差σ；在当前时刻t，采用经典的粒子滤波算法估计系统未来运行的预测序列

S2、正常隶属度函数

假设k个连续的观测数据服从高斯分布，则设计正常隶属度函数如下：

其中，x为观测变量，分母中的常数10可控制x取值在3个标准差之内时G(x)>0.5；

S3、正常模糊子集

设系统在初始运行阶段处于正常状态，将初始正常运行时的k个连续观测数据{y₁,y₂,…,y_k}代入正常隶属度函数的公式，求得正常模糊子集A_k＝{G(y₁),G(y₂),…,G(y_k)}；

S4、异常隶属度函数

假设k个连续的观测数据服从高斯分布，则设计异常隶属度函数如下：

其中，x为观测变量，当k个连续观测数据的均值大于等于ε时，公式中的正负号采用加号；当k个连续观测数据的均值小于ε时，公式中的正负号采用减号；

S5、异常模糊子集

设系统在初始运行阶段处于正常状态，将初始正常运行时的k个连续观测数据{y₁,y₂,…,y_k}代入异常隶属度函数的公式，求得异常模糊子集B_k＝{G′(y₁),G′(y₂),…,G′(y_k)}；

S6、预测数据的正常隶属度集合

将k个连续的预测序列代入正常隶属度函数的公式，求得预测序列的正常隶属度集合D_k＝{G(y_t+1),G(y_t+2),…,G(y_t+k)}；

S7、分别计算D_k与A_k和B_k的贴近度

计算贴近度σ(D_k,A_k)和σ(D_k,B_k)所采用的集合Q和R之间的海明贴近度公式如下：

其中μ_Q(x_i)与μ_R(x_i)分别为隶属度集合Q和R中的第i个隶属度；贴近度越大，说明集合Q和R越相似；反之，贴近度越小，集合Q和R越不相似；