復雜設備的故障特征具有不確定性,非線性等特點.針對故障預測具有不確定性,將模糊數(shù)學中的直覺模糊集和灰色模型相結合設計故障預測的方法.新方法利用隸屬度函數(shù)設計了描述系統(tǒng)運行正常的正常直覺模糊子集和運行異常的異常直覺模糊子集,利用灰色模型計算系統(tǒng)運行的預測值,并計算預測值的正常隸屬度;再分別計算預測值的正常隸屬度與正常直覺模糊子集和異常直覺模糊子集的貼近程度來實現(xiàn)故障預報.該方法通過三容水箱系統(tǒng)T2水箱水位變化預測三容水箱系統(tǒng)是否出現(xiàn)故障和通過UH-60行星齒輪盤裂紋何時開始增大的故障進行實驗.實驗驗證了該方法的可行性,可及時準確地預測出系統(tǒng)故障. 

【文章來源】：計算機系統(tǒng)應用. 2017,26(04)

【文章頁數(shù)】：6 頁

【部分圖文】：

三容水箱系統(tǒng)

計算機系統(tǒng)應用http://www.c-s-a.org.cn2017年第26卷第4期32專論·綜述SpecialIssue外還有0.3%的概率,把標準差擴大到±4σ)m為觀測數(shù)據(jù)時刻1到時刻20的均值.其中灰色模型是以每10個觀測數(shù)據(jù)為一組進行預測,貼近度是使用公式(11)計算的,其中Qix和Riz分別為正、異常直覺模糊子集的非隸屬度,即為1減正、異常隸屬度,在此基礎上考慮了非隸屬度情況進行實驗.根據(jù)本文算法步驟得到實驗結果見圖2(取k=6時的預報結果,k的取值參考文獻[10]),表1列出了對應圖2的具體貼近度數(shù)據(jù),其貼近度是子集元素個數(shù)為6進行計算的,因此表中所顯示的時刻是6的倍數(shù).表1本文方法對三容水箱(T2)的故障預報時的貼近度時間點24303642485460667278正常貼近度0.99780.97750.92910.84820.69180.49330.31560.17310.06300.0180異常貼近度0.02980.05020.09850.17940.33590.53430.71210.85450.96460.9900預報故障否否否否否是是是是是表2文獻[10]方法的三容水箱(T2)故障預報及貼近度時間點24303642485460667278正常貼近度0.99880.98810.95840.91160.78970.64010.47550.30720.14800.0565異常貼近度0.02880.03950.06920.11610.23800.38760.55220.72040.96370.9712預報故障否否否否否否是是是是表3文獻[16]方法的三容水箱(水箱T2)預報結果時間點k62636465666768697071T2液位0.27830.27420.27610.27230.27420.27050.27170.26850.26980.2666故障概率0.37090.45260.52500.57340.64250.72110.71330.83261.00001.0000預報故障無無有有有有有有有有圖2本文方法對三容水箱(T2)的預報結果對比算法--基于模糊貼近度的粒子濾波故障預測方法[10]的故障預報及貼近度見表2.從本文方法的表1(用了非隸屬度的直覺模糊集情況)和對比方法結果的表2(未用非隸屬度的模糊集情況)?

無無有有有有有有有有圖2本文方法對三容水箱(T2)的預報結果對比算法--基于模糊貼近度的粒子濾波故障預測方法[10]的故障預報及貼近度見表2.從本文方法的表1(用了非隸屬度的直覺模糊集情況)和對比方法結果的表2(未用非隸屬度的模糊集情況)中可以看出,本文方法考慮了非隸屬度的貼近度計算,增加了對非隸屬度的權重,從而得到的預報結果比基于模糊貼近度的粒子濾波故障預測提前了6個時間點.本文方法的三容水箱(T2)實驗結果為k=6時在時刻54處預報故障(見圖2),比對比的基于改進余弦相似度的粒子濾波故障預報[15](見圖3)提前了9個時間點,比基于隨機攝動粒子濾波器的故障預報算法[16](見表3)提前了10個時間點.圖3文獻[15]方法對三容水箱(水箱T2)的預報結果本文方法與基于基于模糊隸屬度的粒子濾波故障預測[9]和基于模糊貼近度的粒子濾波故障預測[10]在三容水箱(水箱T2)實驗中算法運行效率對比如表4.從表4中可以看出,本文的算法在三容水箱實驗中的運行速度比文獻[9]和文獻[10]算法快很多.


本文編號：3048374