本發(fā)明涉及故障診斷
技術(shù)領(lǐng)域：
，具體是一種旋轉(zhuǎn)機(jī)械復(fù)合故障診斷方法。
背景技術(shù)：
：隨著旋轉(zhuǎn)機(jī)械設(shè)備復(fù)雜性的不斷提高，人們對(duì)其可靠性與安全性也提出了更高的要求。通過(guò)故障診斷技術(shù)對(duì)機(jī)械的健康狀態(tài)進(jìn)行分析，判斷出發(fā)生故障的類(lèi)型，為設(shè)備進(jìn)行及時(shí)有效地維護(hù)和健康管理提供了科學(xué)依據(jù)。在旋轉(zhuǎn)機(jī)械故障診斷研究中，通常采用時(shí)域或頻域分析方法對(duì)振動(dòng)監(jiān)測(cè)數(shù)據(jù)進(jìn)行故障診斷。然而旋轉(zhuǎn)機(jī)械在發(fā)生故障時(shí)，振動(dòng)監(jiān)測(cè)信號(hào)往往存在大量的非線性、隨機(jī)、不可遍歷的信息，給故障信號(hào)的分析帶來(lái)很大的困難?？紤]到振動(dòng)時(shí)域信號(hào)是最基本、最原始的信號(hào)，如果能夠直接通過(guò)這類(lèi)時(shí)域信號(hào)提取故障特征，進(jìn)行故障診斷，對(duì)于保持信號(hào)的基本特征將非常有利。在時(shí)域分析中，能較好的反映故障信息的就是振動(dòng)信號(hào)的概率密度函數(shù)。通過(guò)振動(dòng)信號(hào)的概率密度函數(shù)，目前已經(jīng)衍生出了幅值域中得有量綱指標(biāo)(如均值、均方根值等)和無(wú)量綱指標(biāo)(如波形指標(biāo)、裕度指標(biāo)、脈沖指標(biāo)等)。在實(shí)際中，有量綱指標(biāo)雖然對(duì)故障特征敏感，其數(shù)值會(huì)隨著故障的發(fā)展而上升，但也會(huì)因工作條件(如負(fù)載、轉(zhuǎn)速等)的變化而變化，并極易受干擾的影響，給工程應(yīng)用帶來(lái)一定的困難。相比之下，無(wú)量綱指標(biāo)對(duì)于振動(dòng)監(jiān)測(cè)信號(hào)中的擾動(dòng)不敏感，性能較為穩(wěn)定。特別地，這些無(wú)量綱指標(biāo)對(duì)信號(hào)的幅值和頻率的變化不敏感，即與機(jī)器的工作條件關(guān)系不大。因此，無(wú)量綱指標(biāo)在旋轉(zhuǎn)機(jī)械故障診斷中得到了廣泛的應(yīng)用。在無(wú)量綱指標(biāo)中，峭度指標(biāo)和脈沖指標(biāo)對(duì)沖擊型故障比較敏感，尤其是在故障發(fā)生早期，大幅值的脈沖比較少，其他指標(biāo)值增加不多，而峭度指標(biāo)和脈沖指標(biāo)值上升比較快，因此這兩個(gè)指標(biāo)對(duì)于旋轉(zhuǎn)機(jī)械的早期故障比較敏感。然而實(shí)際工況下，由于旋轉(zhuǎn)機(jī)械等大型設(shè)備結(jié)構(gòu)和工藝上的復(fù)雜性，往往發(fā)生的是復(fù)合故障，即設(shè)備的故障是多個(gè)單一故障并發(fā)的結(jié)果?，F(xiàn)有的相關(guān)研究主要集中在對(duì)單一故障的處理，而對(duì)于復(fù)合故障的診斷研究仍處于初級(jí)階段，相關(guān)的研究也非常缺乏，現(xiàn)有的診斷方法對(duì)這一問(wèn)題難以處理。其主要難點(diǎn)是：通過(guò)振動(dòng)監(jiān)測(cè)數(shù)據(jù)計(jì)算得到的各個(gè)無(wú)量綱指標(biāo)對(duì)應(yīng)的故障范圍之間存在很大的重合，即正常狀態(tài)的無(wú)量綱指標(biāo)的范圍和故障狀態(tài)的無(wú)量綱指標(biāo)范圍難以嚴(yán)格區(qū)分，從而造成診斷結(jié)果的不確定性。這個(gè)難點(diǎn)很大程度上增加了應(yīng)用現(xiàn)有故障診斷方法去解決這些問(wèn)題的復(fù)雜性和難度。要想解決這個(gè)問(wèn)題，就要求應(yīng)用一種有效的方法對(duì)不確定性信息可以進(jìn)行合理的、系統(tǒng)的、靈活的處理。技術(shù)實(shí)現(xiàn)要素：為了解決前面分析的問(wèn)題，實(shí)現(xiàn)旋轉(zhuǎn)機(jī)械復(fù)合故障的準(zhǔn)確診斷，本發(fā)明提供一種旋轉(zhuǎn)機(jī)械復(fù)合故障診斷方法，以解決上述
背景技術(shù)：
中提出的問(wèn)題。為實(shí)現(xiàn)上述目的，本發(fā)明提供如下技術(shù)方案：1、無(wú)量綱指標(biāo)早期的故障診斷技術(shù)多為基于有量綱的分析研究，如方根幅值、平均幅值、均方根值和峰值的分析，這些指標(biāo)易受機(jī)械載荷和轉(zhuǎn)速的影響。而無(wú)量綱指標(biāo)具有對(duì)幅值和頻率變化不敏感的特性，與機(jī)器的運(yùn)動(dòng)條件無(wú)關(guān)，因此在故障診斷中得到了廣泛應(yīng)用。無(wú)量綱指標(biāo)只依賴(lài)于概率密度函數(shù)，是一種較好的診斷參數(shù)，其參數(shù)定義為：式中：x代表振動(dòng)幅值；p(x)代表振動(dòng)幅值的概率密度函數(shù)。若l＝2,m＝1，則有波形指標(biāo)若l→∞,m＝1，則有脈沖指標(biāo)若l→∞,則有裕度指標(biāo)若l→∞,m＝2，則有峰值指標(biāo)此外，峭度指標(biāo)為2、貝葉斯判別方法所謂判別方法就是對(duì)空間的一種劃分，一種劃分對(duì)應(yīng)一種判別方法，不同的劃分就是不同的判別方法。貝葉斯的統(tǒng)計(jì)思想總是假定對(duì)研究的對(duì)象已有一定的認(rèn)識(shí)，常用先驗(yàn)概率分布來(lái)描述這種認(rèn)識(shí)；然后抽取一個(gè)樣本，用樣本來(lái)修正已有的認(rèn)識(shí)(先驗(yàn)概率分布)，得到后驗(yàn)概率分布。各種統(tǒng)計(jì)推斷都通過(guò)后驗(yàn)概率分布來(lái)進(jìn)行，將貝葉斯思想用于判別分析就得到貝葉斯判別法。貝葉斯判別方法是通過(guò)計(jì)算得出屬于某一類(lèi)的概率，具有最大概率的類(lèi)便是該對(duì)象所屬的類(lèi)。一般情況下在貝葉斯分類(lèi)中所有的屬性都潛在地起作用，即所有的屬性都參與分類(lèi)。設(shè)k有個(gè)類(lèi)別(C1，C2，…，Ck)。假設(shè)事先對(duì)所研究的問(wèn)題有一定的認(rèn)識(shí)，這種認(rèn)識(shí)常用先驗(yàn)概率來(lái)描述，即已知這個(gè)類(lèi)別各自出現(xiàn)的概率(驗(yàn)前概率)為(P(C1)，P(C2)，…，P(Ck))，其中P(Ci)＞0，P(C1)+P(C2)+…+P(Ck)＝1。先驗(yàn)概率是一種權(quán)重，所謂“先驗(yàn)”是指先于我們抽取樣品作判別分析之前。貝葉斯判別法要求給出P(Ci)的值。P(Ci)的賦值方法采用訓(xùn)練樣本中分類(lèi)樣品占的比例ni/n作為P(Ci)的值，其中ni是第i類(lèi)總體的樣品數(shù)，而n＝n1+n2+…nk。給定一個(gè)未知個(gè)體的輸入向量X，X＝(x1，x2，…xm)T，m為輸入向量屬性個(gè)數(shù)。如果X關(guān)于類(lèi)Ci的概率p(Ci|X)比其他所有類(lèi)C1，C2，…，Ck的概率都大，則Bayes決策規(guī)則便將X歸于類(lèi)別Ci，由Bayes定理：假定類(lèi)別先驗(yàn)概率已知，為作出決策，就必須估計(jì)類(lèi)條件密度，通常設(shè)類(lèi)條件密度是高斯正態(tài)分布函數(shù)，即：分別為第i類(lèi)均值向量和協(xié)方差矩陣，Xij為i類(lèi)第j個(gè)樣本，ni表示第i類(lèi)的樣本數(shù)。m為輸入向量X屬性個(gè)數(shù)。樣本X與各個(gè)類(lèi)別的距離可以表示為：則該樣本屬于第i個(gè)類(lèi)別的后驗(yàn)概率P(Ci|X)為把式(8)代入式(7)，并兩邊取對(duì)數(shù)：考慮到對(duì)于所有類(lèi)別，lg(P(X))均為常數(shù)，對(duì)分類(lèi)無(wú)影響，故式(13)可以寫(xiě)為：若對(duì)于所有的Ci，有l(wèi)g(P(Ci|X))＞lg(P(Cj|X))，j＝1，2…k則將樣本X歸于類(lèi)別Ci。貝葉斯判別方法根據(jù)已掌握的每個(gè)類(lèi)別的若干樣本的數(shù)據(jù)信息，總結(jié)出客觀事物分類(lèi)的規(guī)律性，建立判別函數(shù)，然后根據(jù)總結(jié)的判別函數(shù)，就能夠判別新樣本所屬類(lèi)別。由于貝葉斯判別方法在表示數(shù)據(jù)分布的不確定性方面具有優(yōu)勢(shì)，可以作為處理上面問(wèn)題的一種有效途徑。貝葉斯判別方法是根據(jù)貝葉斯準(zhǔn)則進(jìn)行判別分析的一種多元統(tǒng)計(jì)分析法。該方法將先驗(yàn)知識(shí)與樣本信息相結(jié)合、依賴(lài)關(guān)系與概率表示相結(jié)合來(lái)表示數(shù)據(jù)分布的不確定性。貝葉斯判別方法作為一種基于統(tǒng)計(jì)的分類(lèi)方法，對(duì)于解決系統(tǒng)不確定因素引起的故障診斷問(wèn)題具有很大的優(yōu)勢(shì)。本發(fā)明的一種旋轉(zhuǎn)機(jī)械復(fù)合故障診斷方法，步驟如下：(1)選擇具有故障的旋轉(zhuǎn)機(jī)械，收集機(jī)械設(shè)備的典型故障集；(2)將機(jī)械裝備的振動(dòng)進(jìn)行在線測(cè)試，獲得測(cè)試數(shù)據(jù)，進(jìn)行無(wú)量綱指標(biāo)的計(jì)算；(3)合理選擇特征量作為貝葉斯判別方法的屬性變量，通過(guò)旋轉(zhuǎn)機(jī)械復(fù)合故障的數(shù)據(jù)集合構(gòu)建貝葉斯判別規(guī)則；(4)利用構(gòu)建的規(guī)則對(duì)待區(qū)分復(fù)合故障進(jìn)行類(lèi)別概率計(jì)算，實(shí)現(xiàn)對(duì)旋轉(zhuǎn)機(jī)械復(fù)合故障的初步診斷；(5)采用故障類(lèi)型決策方法，實(shí)現(xiàn)對(duì)旋轉(zhuǎn)機(jī)械復(fù)合故障的診斷。與現(xiàn)有技術(shù)相比，本發(fā)明的有益效果是：該方法首先通過(guò)自主開(kāi)發(fā)的大型機(jī)組智能故障診斷系統(tǒng)計(jì)算無(wú)量綱指標(biāo)，構(gòu)建旋轉(zhuǎn)機(jī)械復(fù)合故障下各無(wú)量綱指標(biāo)數(shù)據(jù)庫(kù)。采用貝葉斯判別方法獲得對(duì)實(shí)現(xiàn)對(duì)各種故障模式的后驗(yàn)概率值，實(shí)現(xiàn)對(duì)復(fù)合故障的初步診斷；然后結(jié)合時(shí)間序列分析方法作為決策融合方法，對(duì)測(cè)試樣本數(shù)據(jù)進(jìn)行不同時(shí)間序列長(zhǎng)度的劃分，對(duì)貝葉斯判別方法獲得的初步故障診斷結(jié)果進(jìn)行信息融合，從而得到最終的診斷結(jié)果。附圖說(shuō)明圖1為旋轉(zhuǎn)機(jī)械復(fù)合故障診斷方法的流程示意圖。圖2為旋轉(zhuǎn)機(jī)械復(fù)合故障診斷實(shí)驗(yàn)平臺(tái)的實(shí)體圖。圖3為旋轉(zhuǎn)機(jī)械復(fù)合故障診斷系統(tǒng)的界面圖。圖4為大齒輪缺齒狀態(tài)下振動(dòng)信號(hào)時(shí)域波形圖。圖5a-5e為無(wú)量綱指標(biāo)對(duì)六種故障狀態(tài)的分類(lèi)圖。圖6-圖8為不同時(shí)間序列長(zhǎng)度測(cè)試樣本的準(zhǔn)確率對(duì)照?qǐng)D。具體實(shí)施方式下面將結(jié)合本發(fā)明實(shí)施例中的附圖，對(duì)本發(fā)明實(shí)施例中的技術(shù)方案進(jìn)行清楚、完整地描述，顯然，所描述的實(shí)施例僅僅是本發(fā)明一部分實(shí)施例，而不是全部的實(shí)施例?；诒景l(fā)明中的實(shí)施例，本領(lǐng)域普通技術(shù)人員在沒(méi)有做出創(chuàng)造性勞動(dòng)前提下所獲得的所有其他實(shí)施例，都屬于本發(fā)明保護(hù)的范圍?；谪惾~斯判別方法和無(wú)量綱指標(biāo)結(jié)合的旋轉(zhuǎn)機(jī)械復(fù)合故障診斷方法流程見(jiàn)圖1所示，步驟如下：(1)選擇具有故障的旋轉(zhuǎn)機(jī)械，收集機(jī)械設(shè)備的典型故障集；(2)將機(jī)械裝備的振動(dòng)進(jìn)行在線測(cè)試，獲得測(cè)試數(shù)據(jù)，進(jìn)行無(wú)量綱指標(biāo)的計(jì)算；(3)合理選擇特征量作為貝葉斯判別方法的屬性變量，通過(guò)旋轉(zhuǎn)機(jī)械復(fù)合故障的數(shù)據(jù)集合構(gòu)建貝葉斯判別規(guī)則；(4)利用構(gòu)建的規(guī)則對(duì)待區(qū)分復(fù)合故障進(jìn)行類(lèi)別概率計(jì)算，實(shí)現(xiàn)對(duì)旋轉(zhuǎn)機(jī)械復(fù)合故障的初步診斷；(5)采用故障類(lèi)型決策方法，實(shí)現(xiàn)對(duì)旋轉(zhuǎn)機(jī)械復(fù)合故障的診斷。旋轉(zhuǎn)機(jī)械多故障診斷實(shí)驗(yàn)平臺(tái)(見(jiàn)圖2)是廣東省石化裝備故障診斷重點(diǎn)實(shí)驗(yàn)室自主研發(fā)的一種用于機(jī)械狀態(tài)監(jiān)測(cè)和故障診斷的測(cè)試設(shè)備。此設(shè)備可模擬各種旋轉(zhuǎn)機(jī)械的常見(jiàn)故障，包括軸故障件(軸不對(duì)中、彎曲軸、裂紋軸)、軸承故障件(外圈磨損軸承、內(nèi)圈磨損軸承、缺滾珠軸承)和齒輪箱故障件(大齒輪缺齒、小齒輪缺齒)等，通過(guò)更換不同的故障件可以模擬旋轉(zhuǎn)機(jī)械多種故障狀態(tài)實(shí)驗(yàn)。本發(fā)明涉及的旋轉(zhuǎn)機(jī)械故障模擬實(shí)驗(yàn)主要是：大齒輪缺齒、大齒輪缺齒+軸承外圈磨損、大齒輪缺齒+軸承缺滾珠、大小齒輪均缺齒、軸承缺滾珠和軸承外圈磨損6種實(shí)驗(yàn)。對(duì)于以上旋轉(zhuǎn)機(jī)械故障實(shí)驗(yàn)，將采用自主研發(fā)的智能故障診斷系統(tǒng)(見(jiàn)圖3)分別采集它們的故障數(shù)據(jù)，利用智能故障診斷系統(tǒng)可以測(cè)量旋轉(zhuǎn)機(jī)械的振動(dòng)信號(hào)并在線計(jì)算出波形指標(biāo)、峰值指標(biāo)、裕度指標(biāo)、脈沖指標(biāo)和峭度指標(biāo)。圖4給出了大齒輪缺齒故障狀態(tài)下單個(gè)樣本的時(shí)域振動(dòng)波形圖，每種故障實(shí)驗(yàn)分別采集各200組振動(dòng)信號(hào)，其中每類(lèi)狀態(tài)前100組數(shù)據(jù)用于訓(xùn)練，后100組數(shù)據(jù)用于測(cè)試，將各無(wú)量綱指標(biāo)的100組數(shù)據(jù)中的最小值與最大值作為該指標(biāo)的取值范圍，如表1所示。為了方便，大齒輪缺齒、大齒輪缺齒+軸承外圈磨損、大齒輪缺齒+軸承缺滾珠、大小齒輪均缺齒、軸承缺滾珠和軸承外圈磨損分別用F1、F2、F3、F4、F5和F6表示。經(jīng)過(guò)上述的試驗(yàn)，我們可以作出五個(gè)無(wú)量綱指標(biāo)對(duì)6種故障狀態(tài)數(shù)據(jù)的分類(lèi)敏感性圖(見(jiàn)圖5)，其中橫坐標(biāo)為樣本數(shù)據(jù)個(gè)數(shù)，樣本段1～100，101～200，201～300，301～400，401～500，501～600，分別對(duì)應(yīng)F1、F2、F3、F4、F5和F6狀態(tài)，縱坐標(biāo)為各無(wú)量綱指標(biāo)。從圖中可以看出在同一個(gè)無(wú)量綱指標(biāo)的情況下，不同狀態(tài)的各取值范圍幾乎是重合的，現(xiàn)有的5個(gè)無(wú)量綱指標(biāo)對(duì)這六種單一和復(fù)合故障狀態(tài)不具有分類(lèi)能力。表1單個(gè)故障、復(fù)合故障無(wú)量綱指標(biāo)取值范圍在此階段中，將會(huì)根據(jù)旋轉(zhuǎn)機(jī)械的實(shí)際情況選取主要的診斷特征指標(biāo)，確定故障種類(lèi)數(shù)目；將通過(guò)訓(xùn)練樣本計(jì)算出各個(gè)類(lèi)別的先驗(yàn)概率、均值向量和協(xié)方差矩陣，設(shè)計(jì)貝葉斯判別函數(shù)，算出各待測(cè)點(diǎn)的后驗(yàn)概率，并進(jìn)行故障狀態(tài)的判定。分別把大齒輪缺齒、大齒輪缺齒+軸承外圈磨損、大齒輪缺齒+軸承缺滾珠、大小齒輪均缺齒、軸承缺滾珠和軸承外圈磨損故障狀態(tài)作為貝葉斯判別分析方法的6個(gè)類(lèi)別，假設(shè)各個(gè)類(lèi)別符合正態(tài)總體分布，5個(gè)無(wú)量綱指標(biāo)依序分別作為貝葉斯判別分析方法的判別因子。根據(jù)6個(gè)類(lèi)別的學(xué)習(xí)樣本數(shù)據(jù)確定先驗(yàn)概率為：Prior(F1)＝Prior(F2)＝Prior(F3)＝Prior(F4)＝Prior(F5)＝Prior(F6)＝1/6。計(jì)算各分類(lèi)訓(xùn)練樣本點(diǎn)的均值向量及協(xié)方差陣。各故障類(lèi)型的均值向量為：選取待測(cè)樣本點(diǎn)，計(jì)算分類(lèi)后驗(yàn)概率。以齒輪箱大小齒輪均缺齒F4為列，隨機(jī)抽取十個(gè)測(cè)試樣本，各測(cè)試樣本的5個(gè)無(wú)量綱指標(biāo)的具體數(shù)值如表2所示：表2齒輪箱大小齒輪均缺齒狀態(tài)F4部分測(cè)試樣本經(jīng)公式(11-12)計(jì)算，得到以上測(cè)試樣本的后驗(yàn)概率如表3所示。表3狀態(tài)F4部分測(cè)試樣本的后驗(yàn)概率序號(hào)F1F2F3F4F5F6初步診斷結(jié)果10.40620.19670.21280.16530.01893.4197e-74F120.01630.12620.23790.61770.00205.1976e-63F430.35860.20990.21840.18540.02774.0583e-50F140.00880.20650.18410.59940.00123.5885e-66F450.05020.29610.19770.44480.01122.3749e-52F460.03620.30010.34090.32080.00211.6557e-47F370.34880.17020.32370.14830.00892.5663e-102F180.23100.19830.20210.34830.02021.6576e-46F490.23680.15320.16550.41640.02821.3255e-61F4100.00780.56810.30160.11940.00312.5317e-40F2從表3可以看出，10個(gè)測(cè)試樣本中屬于F4狀態(tài)的樣本數(shù)目有5個(gè)，屬于F1狀態(tài)的樣本數(shù)目有3個(gè)，屬于F2狀態(tài)的樣本數(shù)目有1個(gè)，屬于F3狀態(tài)的樣本數(shù)目有1個(gè)，由此可以確定10個(gè)測(cè)試樣本中診斷為F4狀態(tài)的準(zhǔn)確率為50％，可以得出，經(jīng)過(guò)貝葉斯判別方法初步診斷的準(zhǔn)確率比較低。為了實(shí)現(xiàn)對(duì)齒輪箱大小齒輪均缺齒狀態(tài)下的100個(gè)測(cè)試樣本最終的故障診斷，本發(fā)明采用時(shí)間序列分析方法作為決策融合診斷。將100個(gè)測(cè)試樣本按照采集時(shí)間的先后排序，選取不同的時(shí)間序列長(zhǎng)度，時(shí)間序列是按時(shí)間順序的一組數(shù)字序列，依次判斷時(shí)間序列長(zhǎng)度里面各個(gè)測(cè)試樣本的后驗(yàn)概率，根據(jù)測(cè)試樣本的后驗(yàn)概率大小排序，后驗(yàn)概率值最大者所對(duì)應(yīng)的故障狀態(tài)，測(cè)試樣本即判斷為該故障狀態(tài)，當(dāng)后驗(yàn)概率值出現(xiàn)兩個(gè)或多個(gè)最大值時(shí)，測(cè)試樣本則判斷為不確定狀態(tài)，如此對(duì)每個(gè)時(shí)間序列長(zhǎng)度各測(cè)試樣本進(jìn)行分析，統(tǒng)計(jì)各時(shí)間序列長(zhǎng)度里面的測(cè)試樣本故障狀態(tài)的診斷準(zhǔn)確率，最終實(shí)現(xiàn)對(duì)100個(gè)測(cè)試樣本診斷分析。1)時(shí)間序列長(zhǎng)度N＝10時(shí)，各時(shí)間序列長(zhǎng)度測(cè)試樣本的準(zhǔn)確率見(jiàn)圖6。時(shí)間序列數(shù)目一共91組，每組10個(gè)測(cè)試樣本，最終診斷結(jié)果見(jiàn)下表4：表4時(shí)間序列長(zhǎng)度N＝10測(cè)試樣本的總準(zhǔn)確率故障類(lèi)型F1F2F3F4F5F6不確定識(shí)別數(shù)目2304530011準(zhǔn)確率0.252700.04400.5824000.12092)時(shí)間序列長(zhǎng)度N＝25時(shí)，各時(shí)間序列長(zhǎng)度測(cè)試樣本的準(zhǔn)確率見(jiàn)圖7。時(shí)間序列數(shù)目一共76組，每組25個(gè)測(cè)試樣本，最終診斷結(jié)果見(jiàn)下表5：表5時(shí)間序列長(zhǎng)度N＝25測(cè)試樣本的總準(zhǔn)確率故障類(lèi)型F1F2F3F4F5F6不確定識(shí)別數(shù)目150055006準(zhǔn)確率0.1974000.7237000.07893)時(shí)間序列長(zhǎng)度N＝50時(shí)，各時(shí)間序列長(zhǎng)度測(cè)試樣本的準(zhǔn)確率見(jiàn)圖8。時(shí)間序列數(shù)目一共51組，每組50個(gè)測(cè)試樣本，最終識(shí)別為狀態(tài)F4的時(shí)間序列數(shù)目為51組，故對(duì)狀態(tài)F4的診斷準(zhǔn)確率為100％。4)時(shí)間序列長(zhǎng)度N＝100時(shí)，我們計(jì)算出100個(gè)測(cè)試數(shù)據(jù)的后驗(yàn)概率，根據(jù)各個(gè)測(cè)試數(shù)據(jù)的后驗(yàn)概率大小排序，最終得到100個(gè)測(cè)試數(shù)據(jù)的準(zhǔn)確率，見(jiàn)下表6：表6時(shí)間序列長(zhǎng)度N＝100測(cè)試樣本的總準(zhǔn)確率故障類(lèi)型F1F2F3F4F5F6識(shí)別數(shù)目285194800準(zhǔn)確率0.28000.05000.19000.480000通過(guò)以上的分析，只要選取合適的時(shí)間序列長(zhǎng)度，基于貝葉斯判別方法和無(wú)量綱指標(biāo)結(jié)合的旋轉(zhuǎn)機(jī)械復(fù)合故障診斷方法就可以提高對(duì)測(cè)試樣本的診斷準(zhǔn)確率，準(zhǔn)確率可以達(dá)到100％。實(shí)驗(yàn)結(jié)果證明，本發(fā)明提出的方法能夠高效準(zhǔn)確識(shí)別待測(cè)樣本。對(duì)于本領(lǐng)域技術(shù)人員而言，顯然本發(fā)明不限于上述示范性實(shí)施例的細(xì)節(jié)，而且在不背離本發(fā)明的精神或基本特征的情況下，能夠以其他的具體形式實(shí)現(xiàn)本發(fā)明。因此，無(wú)論從哪一點(diǎn)來(lái)看，均應(yīng)將實(shí)施例看作是示范性的，而且是非限制性的，本發(fā)明的范圍由所附權(quán)利要求而不是上述說(shuō)明限定，因此旨在將落在權(quán)利要求的等同要件的含義和范圍內(nèi)的所有變化囊括在本發(fā)明內(nèi)。不應(yīng)將權(quán)利要求中的任何附圖標(biāo)記視為限制所涉及的權(quán)利要求。當(dāng)前第1頁(yè)1 2 3