考虑多种故障状态的机械系统可靠性评估方法研究

为解决传统可靠性分析方法在多状态且难以获得精确故障率的机械系统可靠性评估中的不足,以及T-S故障树存在计算复杂、不能逆向推理等问题,提出一种将T-S故障树和区间模糊多态贝叶斯网络相结合的系统可靠性评估方法.将T-S故障树映射成贝叶斯网络,在模糊贝叶斯网络可靠性分析方法中引入区间理论,对模糊子集边界值进行模糊化处理,构建...     

基于模糊贝叶斯网络的多态系统可靠性分析及在液压系统中的应用

为使贝叶斯网络能够对模糊信息和不确定信息进行处理,提出一种新的基于模糊贝叶斯网络的多态系统可靠性分析方法。该方法将模糊集合理论引入到贝叶斯网络可靠性分析中,考虑部件故障状态、部件故障率的模糊性以及部件间故障逻辑关系的不确定性,使贝叶斯网络具有处理模糊信息的能力。该方法采用模糊数描述系统和部件的故障状态,利用模糊子集描述部件的故障率,运用贝叶斯网络的条件概率表描述部件间的不确定联系。该方法应用到载重车液压悬架系统的可靠性分析实例中,分析结果表明该方法在进行系统可靠性分析时能够充分利用系统的模糊信息和不确定信息,从而提高系统可靠性分析的效率。     

基于T-S故障树和贝叶斯网络的模糊可靠性评估方法

针对贝叶斯网络方法存在的贝叶斯网络模型和节点条件概率表难以构造、根节点故障率和故障概率数据难以精确获取等不足,以及T-S故障树分析方法存在的计算复杂、不能进行反向推理等不足,提出基于T-S故障树和贝叶斯网络的模糊可靠性评估方法:利用T-S故障树构造贝叶斯网络模型、T-S门规则构造节点条件概率表;用模糊数描述节点的多种故障状态,模糊子集描述节点各故障状态下的故障率、故障概率;结合贝叶斯网络推理给出在仅知根节点故障状态条件下,叶节点各故障状态的发生概率、根节点状态重要度;以及已知根节点各故障状态的故障率、故障概率模糊子集条件下,叶节点各故障状态的故障率、故障概率模糊子集,以及根节点模糊重要度、后验概率。通过与文献[5]的T-S故障树分析方法、文献[10]的贝叶斯网络方法对比,验证所提方法的可行性。对巷道运输车液压系统进行模糊可靠性评估,计算根节点状态重要度等可靠性指标,为提高系统可靠性和进行故障诊断提供依据。     

多特征信息融合的贝叶斯网络故障诊断方法研究

针对轴向柱塞泵故障特征的模糊性和不完备性特点,提出一种多特征信息融合与贝叶斯网络相结合的故障诊断方法。该方法从柱塞泵采集的振动信号中提取出频域和幅域的多个故障特征,并将这些特征当作来自多个不同传感器的多源信息。利用贝叶斯参数估计算法进行多特征信息融合。通过构造贝叶斯网络并建立贝叶斯分类器来简化融合后的结果,通过最大后验概率估计值的计算进行故障识别。经过轴向柱塞泵多故障模式的诊断实验,验证了该方法能够有效地实现柱塞泵柱塞松靴和脱靴故障的诊断。     

动车组受电弓系统失效风险分析

针对系统失效风险分析过程中数据缺失、多源异构和认知不确定的实际情况,提出了利用模糊故障树构建多态模糊贝叶斯网络来对系统失效风险进行分析,根据各根节点模糊故障率计算出中间节点和叶节点不同故障状态的模糊可能性,同时对各根节点灵敏度进行分析,并对其实际意义进行了说明,最后根据所提方法对动车组受电弓系统进行了失效风险分析。分析结果表明,网压互感器破损、疲劳性裂纹、控制阀板风管破损为高风险事件,与实际情况一致,同时该方法也扩展了贝叶斯网络在实际工程中的应用。     

基于贝叶斯网络和灰关联法的多态液压系统故障诊断

提出基于贝叶斯网络和灰关联法并综合考虑根节点后验概率和故障诊断处理成本的故障诊断方法。考虑根节点故障状态的多态属性,利用贝叶斯网络推理求得根节点后验概率,利用模糊子集描述故障诊断处理成本,通过灰关联法建立故障诊断决策矩阵,计算故障诊断决策方案的灰关联度,进而确定故障决策方案的搜索序列以得出系统故障原因。通过液压系统实例,分别求解出半故障状态和故障状态下的故障诊断序列,同时也验证该方法的可信度和可行性。     

基于语义推理和数据融合的IETM综合诊断系统

为满足复杂装备对故障诊断的需求,面向智能交互式电子技术手册(interactive electronic technical manual,IETM),提出了结合模糊语义推理和贝叶斯信念融合方法的综合诊断系统。对清晰的故障征兆,首先通过基于经验的人工判读进行直接诊断;同时利用IETM的模糊语义推理结合故障征兆开展快速诊断。对于核心在线监测部件或子系统,采用基于状态的智能维护,利用贝叶斯算法融合多分类器决策进行增强诊断。以动车组空气压缩机和牵引电机为例,实验验证了该综合诊断系统能够应对不同复杂程度的诊断需求,诊断准确且快速有效。     

变速器齿轮故障特征模糊熵提取方法研究

针对样本熵相似性度量函数的突变问题,提出了一种变速器齿轮故障特征模糊熵提取方法。模糊熵通过引入模糊隶属度函数代替样本熵中的硬阈值判据,可以减小模糊熵对参数的敏感度和依赖性。利用模糊熵作为变速器齿轮故障的特征值进行提取包括变速器齿轮正常、齿面轻度磨损、齿面中度磨损和断齿等4种工况的振动信号,依据不同的故障对应不同的模糊熵分布,对各种故障状态进行分类。变速器齿轮故障识别的实例验证了模糊熵较样本熵具有较好的故障分类能力。     

多源信息融合及其在齿轮泵故障诊断中的应用

针对齿轮泵故障信息的不确定性和模糊性,提出了一种多源信息融合的贝叶斯网络故障诊断方法。在探讨齿轮泵故障机理的基础上提取振动、流量和压力信号作为故障特征,构造故障贝叶斯网络,建立贝叶斯分类器进行多特征信息融合,利用最大后验概率准则判别故障类型。融合结果表明,该方法能够有效实现齿轮泵多种故障的诊断,具有广阔的应用前景。     

小波包和模糊熵特征融合的轴承故障诊断

进行轴承多种类型裂纹故障诊断时,为解决单一特征量诊断效率低的问题,提出了基于信号小波包分解的精细时频域分析和模糊熵的特征融合方法。首先对轴承振动信号进行小波包4层分解重构,确定小波包系数模糊熵和频带能量,精细提取振动信号的高低频故障信息特征;然后基于权重指标对模糊熵和频带能量进行融合,构造多种故障状态下轴承信号的特征向量;最后选择适合小样本分类的支持向量机对轴承裂纹故障进行诊断。试验数据处理结果表明,轴承不同裂纹故障状态下,融合特征的方法诊断效率更高,相较于单一特征量识别准确率提高5.0%以上,对10种裂纹故障诊断正确率达到98.0%。