CN110061789A - 灰色关联分析与改进ds推理的电子设备故障诊断方法 - Google Patents
灰色关联分析与改进ds推理的电子设备故障诊断方法 Download PDFInfo
- Publication number
- CN110061789A CN110061789A CN201910371985.1A CN201910371985A CN110061789A CN 110061789 A CN110061789 A CN 110061789A CN 201910371985 A CN201910371985 A CN 201910371985A CN 110061789 A CN110061789 A CN 110061789A
- Authority
- CN
- China
- Prior art keywords
- fault
- subspace
- grey
- failure
- characteristic parameters
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04B—TRANSMISSION
- H04B17/00—Monitoring; Testing
- H04B17/10—Monitoring; Testing of transmitters
- H04B17/15—Performance testing
- H04B17/17—Detection of non-compliance or faulty performance, e.g. response deviations
Landscapes
- Physics & Mathematics (AREA)
- Electromagnetism (AREA)
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Test And Diagnosis Of Digital Computers (AREA)
Abstract
灰色关联分析与改进DS推理的电子设备故障诊断方法,涉及故障诊断技术领域。本发明是为了解决现有技术不能采用简单的方式并准确的实现节点测试设备的故障诊断与故障预测能力的问题。提取被测电子设备的故障特征构建每个故障特征的参数子空间;采用灰色关联分析方法计算每个故障特征的参数子空间内每个故障特征参数与故障类型样本中特征参数的灰色关联度;从多个灰色关联度中选取关联度最大的特征参数对应的故障,作为被测电子设备的初步故障类型;对每个灰色关联度进行概率赋值,得到每个故障类型的基本概率赋值,采用改进的DS证据推理融合方法对基本概率赋值进行融合,获得被测电子设备最终的故障类型。它用于诊断电子设备故障。
Description
技术领域
本发明涉及灰色关联分析与改进DS推理的电子设备故障诊断方法,特别是涉及一种电子设备故障诊断方法,属于故障诊断技术领域。
背景技术
对信息化程度高、内部关系复杂且相互影响的复杂的电子信息***来说,当***出现问题时很难精确地描述故障,使得故障原因与症状之间的关系呈现随机性和不确定性,利用通过测量输出信号是否在其合格范围内判断被测对象是否存在故障难以准确定位故障。信息融合通过对多源信息采用一定的规则进行分析、综合处理、实现对信息来源的一致性描述。在故障诊断中应用较多的信息融合方法有神经网络、贝叶斯推理、DS证据推理等。在对电子信息***的实际故障诊断过程中,可利用的故障样本信息及设备的状态信息有限,且先验信息具有多源异类的特点。由于贝叶斯推理需要知道先验概率,神经网络需要丰富样本完成训练,而DS证据推理在其理论中考虑了不确定和不可知因素,采用模糊规则完成不确定性条件下的推理,因此DS证据推理应该是一种更适合于电子信息***故障诊断特点的方法。由于DS证据理论存在处理冲突项不当的问题,在应用中受到限制。
发明内容
本发明是为了解决现有技术不能采用简单的方式并准确的实现节点测试设备的故障诊断与故障预测能力的问题。现提供灰色关联分析与改进DS推理的电子设备故障诊断方法。
灰色关联分析与改进DS推理的电子设备故障诊断方法,所述方法包括以下步骤:
步骤一、提取被测电子设备的故障特征,构建每个故障特征的参数子空间;
步骤二、采用灰色关联分析的方法,计算每个故障特征的参数子空间内每个故障特征参数与故障类型样本中特征参数的灰色关联度;
步骤三、从得到的多个灰色关联度中选取关联度最大的特征参数对应的故障,作为被测电子设备的初步故障类型;
步骤四、对步骤二中的每个灰色关联度进行概率赋值,并对步骤三得到的最大关联度赋以最大的概率,得到每个故障特征参数子空间中每个故障类型的基本概率赋值,采用改进的DS证据推理融合方法对得到的基本概率赋值进行融合,获得被测电子设备最终的故障类型。
本发明的有益效果为:
本申请首先将故障特征参数分类,建立各个故障特征参数子空间,采用灰色关联分析的方法对子空间内的参数进行初步诊断。并将初步诊断后的结果故障集作为证据体进行决策层融合,计算证据距离确定各证据的信任度,然后以平均权重为阈值,仅选取权重小于平均权重的证据作为冲突证据进行折扣度修正,降低对冲突证据的信任程度,增加它的不确定度,同时保留其余所有原始证据。最终依据标准的DS组合规则对预处理后的证据进行合成,获得被测电子设备的故障类型。
与现有技术相比,本申请可在故障样本少、状态信息有限、故障原因与症状存在不确定性的情况下对电子信息***进行故障诊断。
附图说明
图1为具体实施方式一所述的灰色关联分析与改进DS推理的电子设备故障诊断方法的诊断原理框图。
具体实施方式
具体实施方式一:参照图1具体说明本实施方式,本实施方式所述的灰色关联分析与改进DS推理的电子设备故障诊断方法,所述方法包括以下步骤:
步骤一、提取被测电子设备的故障特征,构建每个故障特征的参数子空间;
步骤二、采用灰色关联分析的方法,计算每个故障特征的参数子空间内每个故障特征参数与故障类型样本中特征参数的灰色关联度;
步骤三、从得到的多个灰色关联度中选取关联度最大的特征参数对应的故障,作为被测电子设备的初步故障类型;
步骤四、对步骤二中的每个灰色关联度进行概率赋值,并对步骤三得到的最大关联度赋以最大的概率,得到每个故障特征参数子空间中每个故障类型的基本概率赋值,采用改进的DS证据推理融合方法对得到的基本概率赋值进行融合,获得被测电子设备最终的故障类型。
本实施方式中,通过对电子信息***设备显式故障与状态监视数据的关联性分析判断设备故障模式。
实施例:
灰色关联分析与改进DS推理的电子设备故障诊断方法,包括以下步骤:
步骤一、选择灰色关联分析的故障特征参数,构建故障特征参数子空间;
该发射机包括调制器故障F1、本振单元故障F2、滤波器故障F3、功放故障F4四种标准故障类型。故障特征参数子空间1由调制器电压U1、本振电压U2、滤波器电压U3和功放电压U4组成,这些参数反映了电气特征。故障特征参数子空间2由输出功率W、输出信号频率F和输出信号幅值D组成,这些参数反映设备的整体工作性能。
取得各标准故障模式的样本,得到故障特征参数子空间1的灰色关联分析的参考序列X为:
同理得到故障特征参数子空间2的灰色关联分析的参考序列Y为:
步骤二、确立识别框架;
由待诊断样本,得到故障特征参数子空间1的灰色关联分析的比较序列Xc=[13.15.2 8.1 5.0],故障特征参数子空间2的灰色关联分析的比较序列Yc=[8.2 3000 16]。
故障特征参数子空间1的灰色关联分析结果如表1所示:
表1中的数据ξ(U1)、ξ(U2)、ξ(U3)、ξ(U4)分别表示待检测样本与各故障类型的各电压值U1、U2、U3、U4的灰色关联度,其中ρ=0.5。
以4种故障类型下的灰色关联度γ作为局部诊断结果。诊断结果为γ1=0.6667,γ2=0.6667,γ3=0.6667,γ4=0.9000。从诊断结果可初步判断待检测的故障类型为功放故障。
表1故障特征参数子空间1的灰色关联系数
以故障特征参数子空间2的局部诊断结果如表2所示。表中的数据ξ(W)、ξ(F)、ξ(D)分别表示待检测样本与各标准故障类型样本的功率W、频率F和幅值D的灰色关联系数。
表2故障特征参数子空间2的灰色关联系数
上述局部诊断结果为γ1=0.5152,γ2=0.6823,γ3=0.5649,γ4=0.9417。从诊断结果可初步判断待检测故障类型为功放故障。
由上述的两个局部诊断结论可初步判断该待测样本处于功放故障状态,两个样本子空间的诊断结论一致,由此可以看出灰色关联分析有效地处理了以故障样本少、状态信息有限为特点的故障诊断问题。
步骤三、单个故障特征子空间的基本概率赋值函数计算;
利用式(1)式(2)对单个故障特征子空间的基本概率赋值函数进行计算:
m(Θ)=1-max(γi)(i=1,2,...,n) (1)
步骤四、多个故障特征子空间的证据组合;
全局诊断的结果如表3所示。表3中m(F1)、m(F2)、m(F3)、m(F4)分别代表四种标准故障类型的基本概率赋值。m(Θ)代表不确定性。
表3局部诊断与DS全局诊断的结果比较
从表3可以看出,经过改进DS方法的全局诊断后,诊断结果向F4命题聚焦,不确定性较两个局部诊断结果有所降低,可以更确定地判断测量样本的故障类型为功放故障。全局的诊断结果具有更高的置信度。测量样本的实际情况为功放故障,与局部诊断和全局诊断的结论一致。综上所述,本专利提出的故障诊断方法有效处理了电子信息***存在的故障样本少、状态信息有限、测试信息来源不同的诊断问题。
具体实施方式二:本实施方式是对具体实施方式一所述的灰色关联分析与改进DS推理的电子设备故障诊断方法作进一步说明,本实施方式中,对步骤二中的每个灰色关联度进行概率赋值,得到每个故障特征参数子空间中每个故障类型的基本概率赋值m(Ai)为:
式中,γi为故障特征参数子空间与各故障类型样本的灰色关联度,m(Θ)代表不确定性,m(Θ)=1-max(γi)(i=1,2,...,n),max(γi)为故障特征参数子空间与各故障类型样本的灰色关联度中的最大值。
本实施方式中,根据电子设备故障数据计算各故障特征子空间中故障样本的灰色关联度,将灰色关联分析的结果转换为DS证据理论的的基本概率分配,在分配概率的过程中本发明保留了DS证据推理表述不确定性的能力。
具体实施方式三:本实施方式是对具体实施方式一所述的灰色关联分析与改进DS推理的电子设备故障诊断方法作进一步说明,本实施方式中,采用改进的DS证据推理融合方法对得到的基本概率赋值进行融合,获得电子设备的故障类型的过程为:
计算每个故障特征参数子空间内每个故障类型的基本概率赋值与平均值之间的距离,根据得到的每个距离值确定信任度,将所述的信任度作为权重值,然后以平均权重作为阈值,从得到的多个权重值中选取权重值小于阈值的值作为冲突值进行折扣度修正,最终依据标准的DS证据推理融合方法对修正后的值进行融合,最终确定被测电子设备的故障类型。
本实施方式中,修正的作用是降低对冲突值的信任程度,增加它的不确定度。
基于冲突证据修正的DS改进方法:
本申请提出的基于冲突证据修正的DS改进方法的基本思想是:首先将每个故障特征参数子空间内每个故障类型的基本概率赋值作为证据,通过计算证据距离确定各证据的信任度,然后以平均权重为阈值,仅选取权重小于平均权重的证据作为冲突证据进行折扣度修正,降低对冲突证据的信任程度,增加它的不确定度,同时保留其余所有原始证据。最终依据标准的Dempster组合规则对预处理后的证据进行合成。以下是该方法的具体实现过程。
(1)确定证据权重
规定Θ是一个完备辨识框架,由两两互斥的命题A1,A2,…,Am(m>2)组成(命题指每个子空间),假定每个命题一共有n组证据。用m(Ak)表示命题Ak的基本概率赋值。
第一步,确定每个命题Ak的n组证据的平均基本概率赋值它反映了所有证据对命题的平均支持程度,计算公式见式(4-2)。
第二步,依次计算第i个证据体的基本概率分配与平均基本概率分配之间的距离di,公式见式(4-3)。
然后根据距离的大小分配证据体的权重ωi,分配的权重与证据距离成反比,即认为与平均证据差异越大的证据与多数证据的冲突越大。公式见式(4-4)和式(4-5)。
此方法相比于同类型计算证据权重的方法公式更简单直观,计算量大大减小,并且能很好地反映证据间的冲突程度。
(2)确定冲突证据
本申请只选取冲突证据进行折扣修正,主要原因如下:
第一,造成证据间的冲突主要是个别冲突证据。只要正确处理好这部分冲突证据,就能取得较好的效果。对每个证据都进行处理将丢失所有的原始数据,同时也损失了可信度与可靠性。
第二,从计算的角度来看,对每个证据都进行修正,计算量较大。仅对冲突证据修正,能够更快地识别正确焦元。
考虑到证据的平等性,若有n组证据,则分配给每个证据的平均权重1/n。以该平均权重为阈值,如果某证据体i通过前文方法求得的权重ωi≥1/n,则认为该证据为非冲突证据,保留该证据。若某证据体i的权重ωi<1/n,则认为该证据为冲突证据,需要对其进行修正。
(3)证据的修正与融合
冲突证据i的修正系数的计算公式如式(4-6)所示。
确定修正系数后,按式(4-7)和式(4-8)修正。
mi'(Θ)=discount*mi(Θ)+1-discount (4-8)
最终,按照Dempster组合规则合成修正后的冲突证据与其余原始证据,然后依据融合结果做出决策。因为修正系数discount<1,所以修正后证据的基本概率赋值一定会有所下降,同时它的不确定度也会有所增加。由于保留了原始证据的数据,因此冲突证据经预处理后在Dempster组合规则的证据合成中所起的作用是有所下降的,达到了减弱冲突的目的。
具体实施方式四:本实施方式是对具体实施方式一所述的灰色关联分析与改进DS推理的电子设备故障诊断方法作进一步说明,本实施方式中,被测电子设备为发射机,
对发射机的故障特征参数进行分类,构建2个故障特征参数子空间,一个故障特征参数子空间由调制器电压U1、本振电压U2、滤波器电压U3和功放电压U4组成;
另一个故障特征参数子空间由输出功率W、输出信号频率F和输出信号幅值D组成;
故障类型为调制器故障F1、本振单元故障F2、滤波器故障F3和功放故障F4。
Claims (4)
1.灰色关联分析与改进DS推理的电子设备故障诊断方法,其特征在于,所述方法包括以下步骤:
步骤一、提取被测电子设备的故障特征,构建每个故障特征的参数子空间;
步骤二、采用灰色关联分析的方法,计算每个故障特征的参数子空间内每个故障特征参数与故障类型样本中特征参数的灰色关联度;
步骤三、从得到的多个灰色关联度中选取关联度最大的特征参数对应的故障,作为被测电子设备的初步故障类型;
步骤四、对步骤二中的每个灰色关联度进行概率赋值,并对步骤三得到的最大关联度赋以最大的概率,得到每个故障特征参数子空间中每个故障类型的基本概率赋值,采用改进的DS证据推理融合方法对得到的基本概率赋值进行融合,获得被测电子设备最终的故障类型。
2.根据权利要求1所述的灰色关联分析与改进的DS推理的电子设备故障诊断方法,其特征在于,对步骤二中的每个灰色关联度进行概率赋值,得到每个故障特征参数子空间中每个故障类型的基本概率赋值m(Ai)为:
式中,γi为故障特征参数子空间与各故障类型样本的灰色关联度,m(Θ)代表不确定性,m(Θ)=1-max(γi)(i=1,2,...,n),max(γi)为故障特征参数子空间与各故障类型样本的灰色关联度中的最大值。
3.根据权利要求1所述的灰色关联分析与改进DS推理的电子设备故障诊断方法,其特征在于,采用改进的DS证据推理融合方法对得到的基本概率赋值进行融合,获得电子设备的故障类型的过程为:
计算每个故障特征参数子空间内每个故障类型的基本概率赋值与平均值之间的距离,根据得到的每个距离值确定信任度,将所述的信任度作为权重值,然后以平均权重作为阈值,从得到的多个权重值中选取权重值小于阈值的值作为冲突值进行折扣度修正,最终依据标准的DS证据推理融合方法对修正后的值进行融合,最终确定被测电子设备的故障类型。
4.根据权利要求1所述的灰色关联分析与改进DS推理的电子设备故障诊断方法,其特征在于,被测电子设备为发射机,
对发射机的故障特征参数进行分类,构建2个故障特征参数子空间,一个故障特征参数子空间由调制器电压U1、本振电压U2、滤波器电压U3和功放电压U4组成;
另一个故障特征参数子空间由输出功率W、输出信号频率F和输出信号幅值D组成;
故障类型为调制器故障F1、本振单元故障F2、滤波器故障F3和功放故障F4。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910371985.1A CN110061789A (zh) | 2019-05-06 | 2019-05-06 | 灰色关联分析与改进ds推理的电子设备故障诊断方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910371985.1A CN110061789A (zh) | 2019-05-06 | 2019-05-06 | 灰色关联分析与改进ds推理的电子设备故障诊断方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110061789A true CN110061789A (zh) | 2019-07-26 |
Family
ID=67322231
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910371985.1A Pending CN110061789A (zh) | 2019-05-06 | 2019-05-06 | 灰色关联分析与改进ds推理的电子设备故障诊断方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110061789A (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111150410A (zh) * | 2020-01-17 | 2020-05-15 | 哈尔滨工业大学 | 基于心电信号与肌电信号融合的心理压力评测方法 |
CN111694342A (zh) * | 2020-06-12 | 2020-09-22 | 中国船舶重工集团公司第七0三研究所 | 一种基于相似度的工业锅炉故障诊断方法 |
CN111723341A (zh) * | 2020-06-15 | 2020-09-29 | 中国船舶重工集团公司第七0三研究所 | 一种用于锅炉故障诊断的多子集概率处理方法 |
CN116015492A (zh) * | 2022-12-26 | 2023-04-25 | 中国人民解放军32181部队 | 一种无线电台故障诊断方法、***及设备 |
CN116680653A (zh) * | 2023-06-13 | 2023-09-01 | 中国人民解放军海军大连舰艇学院 | 基于ds证据推理的舰载拖曳电子装备故障现场诊断方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105373700A (zh) * | 2015-10-30 | 2016-03-02 | 哈尔滨工程大学 | 一种基于信息熵和证据理论的机械故障诊断方法 |
CN109190717A (zh) * | 2018-10-30 | 2019-01-11 | 哈尔滨工业大学 | 一种基于ICA与kNN的多源传感器故障检测方法 |
CN109472317A (zh) * | 2018-11-22 | 2019-03-15 | 哈尔滨工业大学 | 多维信号的实时故障检测与实时故障隔离方法 |
-
2019
- 2019-05-06 CN CN201910371985.1A patent/CN110061789A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105373700A (zh) * | 2015-10-30 | 2016-03-02 | 哈尔滨工程大学 | 一种基于信息熵和证据理论的机械故障诊断方法 |
CN109190717A (zh) * | 2018-10-30 | 2019-01-11 | 哈尔滨工业大学 | 一种基于ICA与kNN的多源传感器故障检测方法 |
CN109472317A (zh) * | 2018-11-22 | 2019-03-15 | 哈尔滨工业大学 | 多维信号的实时故障检测与实时故障隔离方法 |
Non-Patent Citations (3)
Title |
---|
CHEN YINSHENG 等: "Status Self-Validation of Sensor Arrays Using Gray Forecasting Model and Bootstrap Method", 《IEEE TRANSACTIONS ON INSTRUMENTATION AND MEASUREMENT》 * |
YE JING 等: "Grey fixed weight cluster model of interval grey numbers based on central-point triangular whitenization weight function", 《2015 IEEE INTERNATIONAL CONFERENCE ON GREY SYSTEMS AND INTELLIGENT SERVICES (GSIS)》 * |
邓锦宇: "一种具有故障诊断与预测功能的信息化节点测试设备研制", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111150410A (zh) * | 2020-01-17 | 2020-05-15 | 哈尔滨工业大学 | 基于心电信号与肌电信号融合的心理压力评测方法 |
CN111150410B (zh) * | 2020-01-17 | 2022-11-11 | 哈尔滨工业大学 | 基于心电信号与肌电信号融合的心理压力评测方法 |
CN111694342A (zh) * | 2020-06-12 | 2020-09-22 | 中国船舶重工集团公司第七0三研究所 | 一种基于相似度的工业锅炉故障诊断方法 |
CN111723341A (zh) * | 2020-06-15 | 2020-09-29 | 中国船舶重工集团公司第七0三研究所 | 一种用于锅炉故障诊断的多子集概率处理方法 |
CN116015492A (zh) * | 2022-12-26 | 2023-04-25 | 中国人民解放军32181部队 | 一种无线电台故障诊断方法、***及设备 |
CN116680653A (zh) * | 2023-06-13 | 2023-09-01 | 中国人民解放军海军大连舰艇学院 | 基于ds证据推理的舰载拖曳电子装备故障现场诊断方法 |
CN116680653B (zh) * | 2023-06-13 | 2024-01-30 | 中国人民解放军海军大连舰艇学院 | 基于ds证据推理的舰载拖曳电子装备故障现场诊断方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110061789A (zh) | 灰色关联分析与改进ds推理的电子设备故障诊断方法 | |
CN106769052B (zh) | 一种基于聚类分析的机械***滚动轴承智能故障诊断方法 | |
CN109857835A (zh) | 一种基于认知诊断理论的自适应网络安全知识测评方法 | |
CN108332970A (zh) | 一种基于ls-svm和d-s证据理论的轴承故障诊断方法 | |
CN111553178A (zh) | 转动机械振动特性的智能识别方法 | |
CN109389325B (zh) | 基于小波神经网络的变电站电子式互感器状态评估方法 | |
Erginel | Fuzzy rule-based $\tilde p $ and $ n\tilde p $ control charts | |
CN101871994A (zh) | 多分数阶信息融合的模拟电路故障诊断方法 | |
US20230080214A1 (en) | System and method for analysis of integrated circuit testing anomalies based on deep learning | |
CN113325357A (zh) | 基于输出时间序列差分的电压互感器误差评估方法及*** | |
CN117195505A (zh) | 一种用于电能表信息化评价校准模型的测评方法及*** | |
CN113782113B (zh) | 一种基于深度残差网络下的变压器油中气体故障识别方法 | |
CN112163474B (zh) | 一种基于模型融合的齿轮箱智能诊断方法 | |
CN107798149A (zh) | 一种飞机维修性评估方法 | |
CN116304789A (zh) | Vp倾斜仪故障诊断方法及装置 | |
CN111638427B (zh) | 一种基于核胶囊神经元覆盖的变压器故障检测方法 | |
CN110967184B (zh) | 基于振动信号分布特征识别的变速箱故障检测方法和*** | |
CN103514288B (zh) | 客户端类别识别方法和*** | |
CN117874643B (zh) | 基于小数据集的转子故障贝叶斯网络诊断方法及*** | |
Ramuhalli et al. | Fuzzy ARTMAP network with evolutionary learning | |
Ye et al. | A hybrid intelligent system for fault diagnosis of advanced manufacturing system | |
CN116740408A (zh) | 一种数据均衡的桥梁数据异常检测方法及装置 | |
CN113743534B (zh) | 基于深度残差网络下的变压器油中气体复合成像识别方法 | |
Pous et al. | Extending a fault dictionary towards a case based reasoning system for linear electronic analog circuits diagnosis | |
Wei et al. | Research on maintenance information fusion method based on goodness of fit |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190726 |
|
RJ01 | Rejection of invention patent application after publication |