[发明专利]一种基于特征的复杂机电系统故障预报方法

说明书

技术领域

本发明属于可靠性工程技术领域，涉及一种对工程上广泛应用的复杂机电系统(例如数控机床、轨道车辆照明系统、航空发动机等)的故障进行故障预报的方法。

背景技术

目前，现有的对复杂机电系统的故障预报方法大都基于定量知识来进行系统的故障预报，这就要求建立被测系统的数学解析模型。然而，复杂机电系统一般具有多层子系统、强耦合、时变性、非线性等特点，难以建立其准确的数学模型。因此，传统的基于系统解析模型的定量故障预报方法很难对复杂机电系统进行准确的故障预报。

由于复杂机电系统在运行过程中会有各种定性知识，通过这种定性知识并结合一定的定量信息，利用这种方法可以不需要建立复杂机电系统的数学解析模型，综合利用了系统运行中的各种知识，提高了复杂机电系统故障预报的精度。因此，可以基于特征建立复杂机电系统的非线性模型，利用混合方法对复杂机电系统进行故障预报，来提高预报的准确性与实用性。

发明内容

本发明的目的是：提供一种基于特征的复杂机电系统建模方法，充分利用其在运行过程中得到的各种定量和定性知识，科学预报复杂机电系统行为的方法，以解决传统的基于数学解析模型进行系统故障预报的方法难以建立完整准确的数学解析模型而不能准确预报的问题。

本发明的技术方案是：一种基于特征的复杂机电系统故障预报方法，方法结构件说明书附图1，它包括以下步骤：

第一步，分析复杂机电系统的故障类型及故障机理，确定复杂机电系统的特征量。

按照复杂机电系统自身特点及功能进行分层，将复杂机电系统分成不同的子系统，在分析每个子系统工作机理的基础上，对其可能发生的故障进行分类分析，分析故障发生的原因及现象；确定复杂机电系统的特征量：就像人体系统的温度、血压等指标能够反映其健康状态一样，复杂机电系统也有能够反映其运行状态的特征量，在深入分析复杂机电系统工作机理和故障机理的基础上，确定复杂机电系统的子系统及每个子系统的特征量。

第二步，基于特征建立复杂机电系统的非线性模型。

设一个复杂机电系统由n个子系统组成，那么这个复杂机电系统的运行状态可表示为：

f(t)＝g(N₁(t),N₂(t),…,N_n(t))(1)

另外，设任意一个子系统N_i的特征量有m个，则此子系统N_i的运行状态为：

f(N_i(t))＝g′(a₁(t),a₂(t),…,a_m(t))(2)将公式(2)代入到公式(1)即可得到基于特征的复杂机电系统非线性模型：

y(t)＝g(f)(3)

第三步，利用BP神经网络进行复杂机电系统故障分类与定位。

建立复杂机电系统的两级BP神经网络，实现故障定位和故障类型辨识。以子系统N_n(t)特征数据训练总网络；用典型的a_m(t)故障特征数据分别训练分网络。故障信号首先经过总网络，实现故障部位定位；然后再将此故障信号输入相应部位的分网络，进行故障类型识别。复杂机电系统两级BP神经网络结构见说明书附图2。

第四步，基于复杂机电系统特征模型及置信规则库理论(BRB)建立其故障预报模型。

设复杂机电系统的各个特征量之间都是相互独立的：

(1)对子系统N_i进行BRB规则的建立：

对子系统N_i选取合适的特征量a₁(t),a₂(t),…,a_m(t)，基于BRB建立每个特征量的BRB规则，以任意一个特征量a_m为例，如式(4)所示：

上式中，a＝[a₁,a₂,...,a_m]表示系统前提属性的集合；表示由第k条规则输入参考值所构成的集合；D＝[D₁,D₂,...,D_M]表示结果向量；β^k＝[β_1,k,β_2,k,...,β_M,k]表示由置信度构成的向量；

(2)基于BRB建立特征量的故障预报模型：