基於信息融合的機械故障機率盒診斷模型和算法研究

《基於信息融合的機械故障機率盒診斷模型和算法研究》是依託昆明理工大學，由杜奕擔任項目負責人的地區科學基金項目。

基本介紹

• 中文名：基於信息融合的機械故障機率盒診斷模型和算法研究
• 項目類別：地區科學基金項目
• 項目負責人：杜奕
• 依託單位：昆明理工大學

項目摘要

傳統基於信息融合的機械故障診斷存在特徵提取帶來的信息丟失問題和時空配準及異類融合難點問題。機率盒理論在處理不確定性問題上存在強大優勢，其套用已在經濟、生態、核物理等領域得到證實，但在故障診斷領域研究報導鮮見，本項目擬提出基於機率盒理論的信息融合故障診斷方法以解決上述難點問題。以滾動軸承、齒輪等典型零部件為具體研究對象。利用機率盒包含原始信息解決特徵提取帶來的信息丟失問題。建立以原始數據機率盒為主分量、特徵機率盒為次分量的故障機率盒模型，提出模型修正方法，以改善其緊緻性。提出以機率盒為融合對象的多貝葉斯、證據理論等融合方法，以解決時空配準難點問題，並改進融合算法，減小模式間重疊程度。以提高正確識別率為目標，提出基於遺傳算法、粒子群算法最佳化的Bayes決策、支持向量機等的機率盒故障診斷方法。本項目將為機率盒理論與故障診斷領域的交叉研究探索提供理論指導和依據，並進一步豐富機械故障診斷方法。

結題摘要

傳統基於信息融合的機械故障診斷在融合前都需要對原始信號進行特徵提取，這將導致原始信號豐富信息的丟失，並且很難有效的解決多源信息的時空配準問題，多數研究都局限於同類信息。機率盒建模能將諸多主觀和客觀的不確定因素考慮進去，彌補傳統特徵提取方法丟棄豐富機率統計信息的缺陷。本項目利用機率盒理論在處理不確定性問題上的強大優勢來實現基於信息融合的機械故障診斷。 以滾動軸承、齒輪等典型零部件為具體研究對象。針對故障信號無確定機率分布類型的特點，分別提出了故障特徵機率盒建模和原始數據直接建模兩種改進算法，以解決特徵提取帶來的信息丟失問題。建立以原始數據機率盒為主分量、特徵機率盒為次分量的故障機率盒模型。提出模型修正方法，改善機率盒模型的緊緻性。提出以機率盒為融合對象的多貝葉斯、證據理論等融合方法，以解決時空配準難點問題，並改進融合算法，減小模式間重疊程度。以提高正確識別率為目標，提出基於遺傳算法、粒子群算法最佳化的Bayes 決策、支持向量機等的機率盒故障診斷方法。 以SVM為模式識別工具，對比傳統方法與機率盒建模方法，得到的總正確識別率分別為83.45%和93.33%。修正後的機率盒模型的總正確識別率提升至95.5%。以修正的機率盒為融合對象，採用改進的融合算法，總正確識別率提升至為99.5%。結果表明修正並改進融合後的機率盒模型的總正確識別率明顯高於傳統方法。 本項目將為機率盒理論與故障診斷領域的交叉研究探索提供理論指導和依據，並進一步豐富機械故障診斷方法。