[发明专利]基于正态云模型区间证据融合的电机轴系故障风险模式辨识方法

权利要求书

1.基于正态云模型区间证据融合的电机轴系故障风险模式辨识方法，其特征在于该方法包括以下各步骤：

(1)设定轴系的转速为ρ转/分钟，1000≤ρ≤2500，令轴系系统的故障风险模式组成的故障集合为Θ＝{X,Y,Z}，其中X表示电机轴系中的不平衡故障，Y表示电机轴系中的不对中故障，Z表示电机轴系中的基座松动故障；

(2)通过分别安装在轴系支撑座水平和垂直方向上的振动加速度传感器和振动位移传感器，按设定时间间隔，连续采集时域振动序列，通过傅里叶变换获取振动加速度1～3倍频下的幅值，以及时域振动位移平均幅值，将其作为故障特征；

设定轴系系统处于故障风险模式U,U∈{X,Y,Z}下，依次采集振动加速度1倍频、2倍频、3倍频的幅值以及时域振动位移平均幅值这4种故障特征的数据，记为F_U,其中i＝1,2,3,4依次表示以上4种故障特征，N表示采集到的数据样本个数，50≤N≤500；

(3)设定故障风险模式U在第i种故障特征下的样板模式云模型为构成样板模式云模型的云滴记为其中g＝1,2,…G，G代表生成云滴的总数，1000≤G≤5000，构建4种故障特征下3种故障风险模式的样板模式云模型；

(4)在线获取一组待检样本数据，记为F_i,其中N₁≤N，表示在线数据样本总数；

(5)用F_i代替步骤(3)中的故障风险模式U在故障特征i下的数据，然后重复步骤(3)的整个计算过程，得到在4种故障特征下的待检模式云模型：{C₁,C₂,C₃,C₄},C_i＝{d_i,1,...,d_i,g,...,d_i,G|d_i,g＝{c_i,g,μ(c_i,g)}}；

(6)在故障特征i下，计算样板模式云模型与待检模式云模型C_i的匹配度，进而获得待检模式云模型C_i支持3种故障风险模式发生的区间证据；

(7)将步骤(6)中得到的区间证据利用证据推理规则进行融合；

(8)根据步骤(7)得到H⁴次融合结果，并计算融合后所得θ的区间证据为

M(θ)＝[a_θ,b_θ] (1)

根据式(1)-(3)则可以得到融合后的正态云模型区间证据，如表1所示：

表1融合结果表

(9)根据表1中所示区间证据给出故障风险模式辨识准则，亦即满足以下2个条件即可判定待检样本F_i指向的故障风险模式为θ,θ∈{X,Y,Z,Θ}：

①M(θ),(θ≠Θ)区间证据的左右端点分别大于其它故障风险模式对应区间证据的左右端点；

②M(Θ)的右端点小于0.3。

2.根据权利要求1所述的基于正态云模型区间证据融合的电机轴系故障风险模式辨识方法，其特征在于：所述的1倍频为(ρ/60)Hz，2倍频为(ρ/30)Hz，3倍频为(ρ/15)Hz。

3.根据权利要求1所述的基于正态云模型区间证据融合的电机轴系故障风险模式辨识方法，其特征在于：振动加速度传感器和振动位移传感器以Δt＝16s为时间间隔，连续采集时域振动序列。