论文部分内容阅读
随着工业智能制造产业的迅速发展,由于工业设备长久地受到振动和冲击,使得零件磨损老化,从而导致工业设备故障频发。一方面故障现象与故障原因之间通常没有一一对应的关系,诊断过程存在模糊性;另一方面,故障的产生是多种故障特征共同作用的结果,不同故障特征对同一故障的识别能力不同,需要进行全面的决策分析。因此,把模糊多属性决策理念应用于故障诊断方法中,具有较强的探索性。本文以汽轮机和滚动轴承为研究对象,主要研究基于模糊多属性决策的工业设备故障诊断方法,这其中主要包括三方面的问题:一是如何处理模糊故障特征数据;二是如何选择最优故障特征;三是如何进行故障模式聚类。针对这三个问题,本文的研究工作如下:(1)针对故障特征值不能用精确值表示的问题,本文提出了一种基于有序三角模糊数的贴近度故障诊断方法。该方法首先以有序三角模糊数的理论为基础,改进海明贴近度公式、最大最小贴近度公式和欧氏贴近度公式;然后,通过比较测试样本与每种故障模式的贴近度大小来确定故障发生的原因。将新方法应用于汽轮机故障诊断中,实验结果证明,该方法有效地降低了故障诊断难度。(2)针对单一评价准则特征选择方法不能全面地评价每个故障特征对故障模式识别度的问题,本文提出了一种基于灰色关联折衷多属性决策(GCVIKOR)的故障特征选择方法。该方法首先引入灰色关联度对折衷法(VIKOR)进行改进;然后,综合Relief F算法、离散度比值法和距离法三种评价准则,建立多特征多准则(属性)的决策体系;最后,根据综合值的大小确定最优故障特征。将新方法应用于滚动轴承故障特征选择中,实验结果证明,与其他故障特征选择方法相比,该方法有效地提升了故障特征选择精度。(3)针对传统模糊C均值聚类算法(FCM)对于初始化聚类原型特别敏感而易陷入局部最优,并且在构造模糊隶属度函数时使用距离方法,没有考虑总体变异对距离远近的影响,降低了故障模式聚类精度的问题,本文提出了一种基于粒子群(PSO)的贴近度模糊C均值故障诊断方法(PSO-NFCM)。该方法首先使用PSO算法确定训练样本的聚类中心;然后,引入贴近度改进模糊隶属度公式,比较测试样本与聚类中心的模糊隶属度大小;最后,进行故障模式聚类。在特征选择的基础上,将新方法应用于滚动轴承故障模式识别中,实验结果证明,与传统方法相比,该方法有效地提升了故障诊断的正确率。