[发明专利]一种基于特征的复杂机电系统故障预报方法

摘要

本发明公开了一种复杂机电系统故障预报方法。该方法包括以下步骤：1、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；2、基于特征建立复杂机电系统的非线性模型；3、利用BP神经网络进行复杂机电系统故障分类与定位；4、基于复杂机电系统特征模型及置信规则库理论(belief rule base，BRB)建立其故障预报模型；5、利用混合方法实现对复杂机电系统的故障预报。本发明不仅可以实现复杂机电系统的故障预定位，还可实现故障综合评价，具有较高的预报精度，为复杂机电系统的安全可靠运行提供有力保障，还可以作为复杂机电系统最优维护与健康管理的有效参考分析，为节约复杂机电系统的维护开支打下基础，有很好的工程应用价值。

主权项

一种基于特征的复杂机电系统故障预报方法，它包含以下步骤：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：y(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；第四步，基于复杂机电系统非线性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，如式(4)所示：Then{(D₁,β_1,k),…(D_M,β_M,k)}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)基于特征建立复杂机电系统的BRB故障预报模型：对于子系统N_i的m个特征量，基于BRB建立特征量的预测模型，其中，根据公式(4)得出BRB_1,BRB_2,…,BRB_m，即每个特征量的BRB规则，构造BRB_(m+1)，即：(3)复杂机电系统特征量参数优化；第五步，利用混合方法实现对复杂机电系统的故障预报；在实现故障分类及定位后，将特征量输入到预报模型中，得到系统最终决策结果。