基于直觉模糊集的灰色模型故障预测
发布时间：2021-02-23 22:56
复杂设备的故障特征具有不确定性,非线性等特点.针对故障预测具有不确定性,将模糊数学中的直觉模糊集和灰色模型相结合设计故障预测的方法.新方法利用隶属度函数设计了描述系统运行正常的正常直觉模糊子集和运行异常的异常直觉模糊子集,利用灰色模型计算系统运行的预测值,并计算预测值的正常隶属度;再分别计算预测值的正常隶属度与正常直觉模糊子集和异常直觉模糊子集的贴近程度来实现故障预报.该方法通过三容水箱系统T2水箱水位变化预测三容水箱系统是否出现故障和通过UH-60行星齿轮盘裂纹何时开始增大的故障进行实验.实验验证了该方法的可行性,可及时准确地预测出系统故障.
【文章来源】：计算机系统应用. 2017,26(04)
【文章页数】：6 页
【部分图文】：
三容水箱系统
计算机系统应用http://www.c-s-a.org.cn2017年第26卷第4期32专论·综述SpecialIssue外还有0.3%的概率,把标准差扩大到±4σ)m为观测数据时刻1到时刻20的均值.其中灰色模型是以每10个观测数据为一组进行预测,贴近度是使用公式(11)计算的,其中Qix和Riz分别为正、异常直觉模糊子集的非隶属度,即为1减正、异常隶属度,在此基础上考虑了非隶属度情况进行实验.根据本文算法步骤得到实验结果见图2(取k=6时的预报结果,k的取值参考文献[10]),表1列出了对应图2的具体贴近度数据,其贴近度是子集元素个数为6进行计算的,因此表中所显示的时刻是6的倍数.表1本文方法对三容水箱(T2)的故障预报时的贴近度时间点24303642485460667278正常贴近度0.99780.97750.92910.84820.69180.49330.31560.17310.06300.0180异常贴近度0.02980.05020.09850.17940.33590.53430.71210.85450.96460.9900预报故障否否否否否是是是是是表2文献[10]方法的三容水箱(T2)故障预报及贴近度时间点24303642485460667278正常贴近度0.99880.98810.95840.91160.78970.64010.47550.30720.14800.0565异常贴近度0.02880.03950.06920.11610.23800.38760.55220.72040.96370.9712预报故障否否否否否否是是是是表3文献[16]方法的三容水箱(水箱T2)预报结果时间点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预报故障无无有有有有有有有有图2本文方法对三容水箱(T2)的预报结果对比算法--基于模糊贴近度的粒子滤波故障预测方法[10]的故障预报及贴近度见表2.从本文方法的表1(用了非隶属度的直觉模糊集情况)和对比方法结果的表2(未用非隶属度的模糊集情况)?
无无有有有有有有有有图2本文方法对三容水箱(T2)的预报结果对比算法--基于模糊贴近度的粒子滤波故障预测方法[10]的故障预报及贴近度见表2.从本文方法的表1(用了非隶属度的直觉模糊集情况)和对比方法结果的表2(未用非隶属度的模糊集情况)中可以看出,本文方法考虑了非隶属度的贴近度计算,增加了对非隶属度的权重,从而得到的预报结果比基于模糊贴近度的粒子滤波故障预测提前了6个时间点.本文方法的三容水箱(T2)实验结果为k=6时在时刻54处预报故障(见图2),比对比的基于改进余弦相似度的粒子滤波故障预报[15](见图3)提前了9个时间点,比基于随机摄动粒子滤波器的故障预报算法[16](见表3)提前了10个时间点.图3文献[15]方法对三容水箱(水箱T2)的预报结果本文方法与基于基于模糊隶属度的粒子滤波故障预测[9]和基于模糊贴近度的粒子滤波故障预测[10]在三容水箱(水箱T2)实验中算法运行效率对比如表4.从表4中可以看出,本文的算法在三容水箱实验中的运行速度比文献[9]和文献[10]算法快很多.
本文编号：3048374
【文章来源】：计算机系统应用. 2017,26(04)
【文章页数】：6 页
【部分图文】：
三容水箱系统
计算机系统应用http://www.c-s-a.org.cn2017年第26卷第4期32专论·综述SpecialIssue外还有0.3%的概率,把标准差扩大到±4σ)m为观测数据时刻1到时刻20的均值.其中灰色模型是以每10个观测数据为一组进行预测,贴近度是使用公式(11)计算的,其中Qix和Riz分别为正、异常直觉模糊子集的非隶属度,即为1减正、异常隶属度,在此基础上考虑了非隶属度情况进行实验.根据本文算法步骤得到实验结果见图2(取k=6时的预报结果,k的取值参考文献[10]),表1列出了对应图2的具体贴近度数据,其贴近度是子集元素个数为6进行计算的,因此表中所显示的时刻是6的倍数.表1本文方法对三容水箱(T2)的故障预报时的贴近度时间点24303642485460667278正常贴近度0.99780.97750.92910.84820.69180.49330.31560.17310.06300.0180异常贴近度0.02980.05020.09850.17940.33590.53430.71210.85450.96460.9900预报故障否否否否否是是是是是表2文献[10]方法的三容水箱(T2)故障预报及贴近度时间点24303642485460667278正常贴近度0.99880.98810.95840.91160.78970.64010.47550.30720.14800.0565异常贴近度0.02880.03950.06920.11610.23800.38760.55220.72040.96370.9712预报故障否否否否否否是是是是表3文献[16]方法的三容水箱(水箱T2)预报结果时间点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预报故障无无有有有有有有有有图2本文方法对三容水箱(T2)的预报结果对比算法--基于模糊贴近度的粒子滤波故障预测方法[10]的故障预报及贴近度见表2.从本文方法的表1(用了非隶属度的直觉模糊集情况)和对比方法结果的表2(未用非隶属度的模糊集情况)?
无无有有有有有有有有图2本文方法对三容水箱(T2)的预报结果对比算法--基于模糊贴近度的粒子滤波故障预测方法[10]的故障预报及贴近度见表2.从本文方法的表1(用了非隶属度的直觉模糊集情况)和对比方法结果的表2(未用非隶属度的模糊集情况)中可以看出,本文方法考虑了非隶属度的贴近度计算,增加了对非隶属度的权重,从而得到的预报结果比基于模糊贴近度的粒子滤波故障预测提前了6个时间点.本文方法的三容水箱(T2)实验结果为k=6时在时刻54处预报故障(见图2),比对比的基于改进余弦相似度的粒子滤波故障预报[15](见图3)提前了9个时间点,比基于随机摄动粒子滤波器的故障预报算法[16](见表3)提前了10个时间点.图3文献[15]方法对三容水箱(水箱T2)的预报结果本文方法与基于基于模糊隶属度的粒子滤波故障预测[9]和基于模糊贴近度的粒子滤波故障预测[10]在三容水箱(水箱T2)实验中算法运行效率对比如表4.从表4中可以看出,本文的算法在三容水箱实验中的运行速度比文献[9]和文献[10]算法快很多.
本文编号：3048374
本文链接：https://www.wllwen.com/projectlw/xtxlw/3048374.html
