[发明专利]一种多传感器数据融合的设备故障诊断方法及装置

权利要求书

1.一种多传感器数据融合的设备故障诊断方法，其特征在于，包括：

根据预先确定的故障模式构造设备的故障辨识框架；

获取由多个传感器采集到的设备运行状态数据，并将所述设备运行状态数据转化为数字信号；

利用预先构建的自适应故障诊断模型对所述数字信号进行故障特征提取，并根据提取得到的故障特征矩阵利用基本概率赋值法计算各个故障模式的BPA值，得到设备的初级诊断证据体；

对DS理论冲突因子与预设的阈值进行大小关系比较，根据比较结果选取对应的融合规则对所述初级诊断证据体进行决策融合得到设备的故障诊断结果。

2.根据权利要求1所述的多传感器数据融合的设备故障诊断方法，其特征在于，所述获取由多个传感器采集到的设备运行状态数据，并将所述设备运行状态数据转化为数字信号，具体为：

获取由多个传感器采集到的设备运行状态数据，根据所述设备运行状态数据生成时域信号；

利用预设的信号处理单元对所述时域信号进行数模转换得到所述数字信号。

3.根据权利要求1所述的多传感器数据融合的设备故障诊断方法，其特征在于，所述自适应故障诊断模型由多组BiLSTM网络组成。

4.根据权利要求1所述的多传感器数据融合的设备故障诊断方法，其特征在于，所述利用预先构建的自适应故障诊断模型对所述数字信号进行故障特征提取，并根据提取得到的故障特征矩阵利用基本概率赋值法计算各个故障模式的BPA值，得到设备的初级诊断证据体，具体包括：

利用预先构建的自适应故障诊断模型对所述数字信号进行故障特征提取，得到原始特征矩阵；

通过预设的注意力模块对所述原始特征矩阵的进行权重参数优化，并根据优化后的特征权重进行加权计算得到故障特征矩阵；

根据所述故障特征矩阵利用基本概率赋值法计算各个故障模式的BPA值，得到设备的初级诊断证据体。

5.根据权利要求4所述的多传感器数据融合的设备故障诊断方法，其特征在于，所述通过预设的注意力模块对所述原始特征矩阵的进行权重参数优化，并根据优化后的特征权重进行加权计算得到故障特征矩阵，具体为：

通过预设的注意力模块计算所述原始特征矩阵中每一特征的特征权重参数；

利用Softmax函数对所述特征权重参数进行归一化处理，得到优化的特征权重参数；

采用所述优化的特征权重参数对所述原始特征矩阵进行加权计算得到所述故障特征矩阵。

6.根据权利要求1所述的多传感器数据融合的设备故障诊断方法，其特征在于，在所述得到设备的初级诊断证据体之后，在所述对DS理论冲突因子与预设的阈值进行大小关系比较之前，还包括：

根据预设的零因子修正策略对所述初级诊断证据体中值为0的项进行修正。

7.根据权利要求1所述的多传感器数据融合的设备故障诊断方法，其特征在于，在所述得到设备的初级诊断证据体之后，在所述对DS理论冲突因子与预设的阈值进行大小关系比较之前，还包括：

采用马氏距离函数和德尔菲法对所述初级诊断证据体的BPA值进行修正。

8.一种多传感器数据融合的设备故障诊断装置，其特征在于，包括：

框架构造模块，用于根据预先确定的故障模式构造设备的故障辨识框架；

信号转化模块，用于获取由多个传感器采集到的设备运行状态数据，并将所述设备运行状态数据转化为数字信号；

初级诊断模块，用于利用预先构建的自适应故障诊断模型对所述数字信号进行故障特征提取，并根据提取得到的故障特征矩阵利用基本概率赋值法计算各个故障模式的BPA值，得到设备的初级诊断证据体；

融合诊断模块，用于对DS理论冲突因子与预设的阈值进行大小关系比较，根据比较结果选取对应的融合规则对所述初级诊断证据体进行决策融合得到设备的故障诊断结果。