一种基于置信规则库推理的电机转子故障预测方法与流程

本发明涉及一种基于置信规则库(brb)推理的电机转子故障预测方法，属于工业设备状态检测与故障诊断技术领域。

背景技术：

电机转子作为电机设备主要的组成部分，其出现的任何不平衡故障都会对电机的运转以及设备的正常运行带来很大的影响。电机转子不平衡的故障预测是保障有电机参与的工业领域生产安全性和稳定性的主要手段，它可以提前预测故障进而有效避免重大事故发生。在正常情况下，电机转子离心力达到平衡，电机处于静态、动态和偶平衡状态，可以提供工业生产中所需的动力，也可以实现对电机的调速等，对于电机设备的安全运行有较大影响。

然而，电机属于大功率电气设备，工作时会产生大量的热能以及机械磨损等，如果电机转子出现不平衡故障，则会对电机产生较大影响，而且会直接影响到依靠电机来运作的设备的安全性，一旦这些设备安全性出现问题，将会带来一定的财产及其他损失等。因此为保证这些设备的正常工作，需要保证电机转子处于平衡状态，因此研究电机转子不平衡故障预测方法可以实现对电机转子不平衡故障的提前预测，进而避免因电机的此类问题而造成的较大损失，为电机设备的安全运转提供保障。

技术实现要素：

本发明针对现有技术的不足，提出了一种基于置信规则库推理的电机转子故障预测方法。

本发明首先在电机转子的不同位置采集振动加速度信号，然后经快速傅里叶变换方法将其转换为频域信号，取1倍频的幅值作为故障特征变量，将采集的不同故障特征变量值分别以时间序列排序，得到对应参考值集合和故障类型映射关系的参考证据矩阵(rem)，然后对每一个故障特征变量均建立对应的brb模型，其中模型的输入是对应故障特征变量的不同时刻采样值，输出是未来时刻故障特征变量的预测值，由该预测值与对应的rem可以获得预测证据，最后构建故障信息融合决策模型，将获得的预测证据进行融合，故障信息融合决策模型的输入是所有故障特征变量的预测值，输出是电机转子未来时刻的故障类型。该方法利用廉价且能够简易安装的振动加速度传感器采集的电机转子故障特征变量值，即可实现对未来时刻电机转子故障类型的预测。

本发明包括以下各步骤：

(1)设定电机转子不平衡故障集合θ＝{f1,f2,...,fh,...,fh|h＝1,2,...,h}，fh表示故障集合θ中的第h个故障，h>3是故障类别个数；

(2)在不同的电机转子不平衡故障类别下，在电机转子的j>3个不同位置采集振动加速度信号，使用快速傅里叶变换方法将其转换为频域信号，取1倍频的幅值作为故障特征变量，记为{fj|j＝1,2,...,j}，则获得j个故障特征变量；

(3)对于j个故障特征变量，分别设计相应的brb模型对特征变量进行预测，设故障特征变量fj的采样值由fj,t表示，t∈n 是采样时刻，n 为无穷大的正整数，对于第j个故障特征变量fj对应的brbj模型的输入为{fj,t-l 1,...,fj,t-1,fj,t}，l>1是模型输入个数，输出变量yj,t o表示未来t o时刻该故障特征变量取值fj,t o的预测值，这里o>0是当前时刻t之后的第o个时刻；

(3-1)在brbj模型中，将fj,t-l 1,...,fj,t-1,fj,t分别记为变量x1,x2,...,xn...,xl，模型输入参考值集合为

其中，r>1为每个输入的参考值个数，xn是模型第n个输入的故障特征变量值，其中是第n个输入的第r个参考等级的参考值，输出yj,t o的参考值集合为：

d^j＝{di^j|j＝1,2,...,j；i＝1,2,…,n}(2)

其中d1^j<d2^j<…<di^j<…<dn^j，di^j是输出的第i个参考等级的参考值，n>1为输出参考值个数，基于此构建规则库brbj；

(3-2)构建的规则库brbj由k条规则组成，k的取值为brbj模型中全部输入的参考值个数的乘积，其中的第k条规则rk描述为

其中，表示在第k条规则中，模型第n个输入故障特征变量值xn对应的参考值，mi,k为第k条规则下对应di^j的置信度，且满足在第k条规则下

(3-3)当t时刻获得采样序列fj,t-l 1，...，fj,t-1，fj,t后，则可获得brbj模型的输入x1＝fj,t-l 1，x2＝fj,t-l 2，...，xl＝fj,t，计算每个输入对应参考值的匹配度，具体步骤如下：

(a)当或时，xn对和的匹配度αn,1和αn,r取值均为1，对于其他参考值的匹配度均为0；

(b)当时，p＝2,3,…,r-1，xn对于和的匹配度分别为

此时，模型输入xn对于其他参考值的匹配度均为0；

(3-4)根据步骤(3-3)得到的输入对应参考值的匹配度，计算brbj模型各个输入x1,x2,...,xl所激活的对应于第k条规则的激活权重为

其中为模型输入xn在第k条规则下对应参考值的匹配度，为第k条规则的权重，0≤λⁿ≤1为模型第n个输入的可靠度；

(3-5)根据步骤(3-4)得到第k条规则的激活权重后，将其与第k条规则下对应di^j的置信度mi,k进行融合，融合所有规则后，得到支持di^j的置信度为

(3-6)计算出未来t o时刻fj,t o的预测值yj,t o为

(4)对于每个故障特征变量fj都按照步骤(3)获得对应的brbj模型，并且在线获取j个故障特征变量的预测值yj,t o；

(5)构建故障信息融合决策模型，具体步骤如下：

(5-1)设定故障特征变量fj的参考值集合仍沿用式(2)中的参考值集合di^j，记为aj＝{aj,i|j＝1,2,...j；i＝1,2,…,n}，其中aj,1＝di^j,a1,2＝d2^j,...,aj,i＝di^j,aj,n＝dn^j，aj,i为第j个故障特征变量fj对应的第i个参考等级，由步骤(1)～(3)中采集的故障特征变量样本与其对应的故障类型得到“样本对”集合，记为u＝{(fj,t,fh)}；

(5-2)根据样本对集合u，建立故障特征变量fj对应的参考值集合aj和故障类型fh映射关系的参考证据矩阵(remj)，见表1

表1fj的参考证据矩阵

其中，是第j个故障特征变量fj对应于第i个参考等级的支持故障类型fh的信度，且其支持所有故障类型的信度和remj中的每一列信度记为与参考值aj,i对应的参考证据对于每个故障特征变量fj都建立对应的remj，则一共建立j个；

(5-3)将步骤(4)中的故障特征变量fj的预测值yj,t o，作为故障信息融合决策模型的输入，激活证据ej，具体过程如下：

(a)当yj,t o≤aj,1或yj,t o≥aj,n时，yj,t o对aj,1和aj,n的相似度ηj,1和ηj,n取值均为1，对于其他参考值的相似度均为0；

(b)当aj,q≤yj,t o≤aj,q 1时，q＝2,3,…,n-1，xn对于aj,q和aj,q 1的匹配度分别为

ηj,q＝(aj,q 1-yj,t o)/(aj,q 1-aj,q)(8a)

ηj,q 1＝(yj,t o-aj,q)/(aj,q 1-aj,q)(8b)

此时，yj,t o对于其他参考值的匹配度均为0；

(c)对于输入的预测值yj,t o，其会落入某两个参考值构成的区间[aj,i,aj,i 1]，此时这两个参考值对应的证据和被激活，则yj,t o的证据可由参考值证据和以加权和的形式获得

ej＝{(fh,ph,j),h＝1,...,h}(9a)

(5-4)根据步骤(5-3)一共得到j条证据，取步骤(1)中的故障集合θ作为辨识框架，其幂集记为p(θ)，是集合θ的全部子集的集合，其中设定证据重要性因子ωj和证据的可靠性因子rj两者相等，0≤rj≤1，0≤ωj≤1，则证据推理(er)规则中的一条证据表达为

其中，信度表示同时考虑rj和ωj的情况下ej对命题的支持程度，其定义为

其中mθ,j＝ωjpθ,j，crω,j＝1/(1 ωj-rj)为归一化因子；

(5-5)利用er规则对j条证据进行融合，得到融合结果为

z(f(t o))＝{(fh,ph,e(j))|h＝1,2,...,h}(12)

其中j＝1,2,...,j，ph,e(j)表示融合所有j条证据后，支持故障类型fh的联合支持信度，f(t o)＝(f1,t o,f2,t o...,fj,t o...,fj,t o)为j个brb模型对应于j个故障特征变量t o时刻的预测值向量，由z(f(t o))进行最终决策，认定最大信度所支持的故障类别即为样本向量f(t o)所属的故障类别。

本发明的有益效果：本发明可以根据安装在电机转子不同位置的振动加速度传感器采集的不同故障特征变量值，获取不同的故障特征变量，并建立对应的brb模型，分别预测出未来时刻的不同故障特征变量值，进而可以根据预测的未来时刻故障特征变量值和建立的故障预测信息融合决策模型预测出未来时刻的故障类型，且可以达到较好的预测效果。

附图说明

图1是本发明方法的流程框图；

图2是本发明方法实施例中不同时刻5种故障类型下采集的5个故障特征变量采样值序列；

图3是本发明方法实施例中不同时刻5个故障特征变量预测值与真实值的对比图。

具体实施方法

本发明提出的一种基于置信规则库推理的电机转子故障预测方法，其流程框图如图1所示，包括以下各步骤：

(1)设定电机转子不平衡故障集合θ＝{f1,f2,...,fh,...,fh|h＝1,2,...,h}，fh表示故障集合θ中的第h个故障，h>3是故障类别个数；

(2)在不同的电机转子不平衡故障类别下，在电机转子的j>3个不同位置采集振动加速度信号，使用快速傅里叶变换方法将其转换为频域信号，取1倍频的幅值作为故障特征变量，记为{fj|j＝1,2,...,j}，则获得j个故障特征变量；

(3)对于j个故障特征变量，分别设计相应的brb模型对特征变量进行预测，设故障特征变量fj的采样值由fj,t表示，t∈n 是采样时刻，n 为无穷大的正整数，对于第j个故障特征变量fj对应的brbj模型的输入为{fj,t-l 1,...,fj,t-1,fj,t}，l>1是模型输入个数，输出变量yj,t o表示未来t o时刻该故障特征变量取值fj,t o的预测值，这里o>0是当前时刻t之后的第o个时刻；

(3-1)在brbj模型中，将fj,t-l 1,...,fj,t-1,fj,t分别记为变量x1,x2,...,xn...,xl，模型输入参考值集合为：

其中，r>1为每个输入的参考值个数，xn是模型第n个输入的故障特征变量值，其中是第n个输入的第r个参考等级的参考值，输出yj,t o的参考值集合为：

d^j＝{di^j|j＝1,2,...,j；i＝1,2,…,n}(2)

其中d1^j<d2^j<…<di^j<…<dn^j，di^j是输出的第i个参考等级的参考值，n>1为输出参考值个数，基于此构建规则库brbj；

(3-2)构建的规则库brbj由k条规则组成，k的取值为brbj模型中全部输入的参考值个数的乘积，其中的第k条规则rk描述为

其中，表示在第k条规则中，模型第n个输入故障特征变量值xn对应的参考值，mi,k为第k条规则下对应di^j的置信度，且满足在第k条规则下

(3-3)当t时刻获得采样序列fj,t-l 1，...，fj,t-1，fj,t后，则可获得brbj模型的输入x1＝fj,t-l 1，x2＝fj,t-l 2，...，xl＝fj,t，计算每个输入对应参考值的匹配度，具体步骤如下：

(a)当或时，xn对和的匹配度αn,1和αn,r取值均为1，对于其他参考值的匹配度均为0；

(b)当时，p＝2,3,…,r-1，xn对于和的匹配度分别为

此时，模型输入xn对于其他参考值的匹配度均为0；

(3-4)根据步骤(3-3)得到的输入对应参考值的匹配度，计算brbj模型各个输入x1,x2,...,xl所激活的对应于第k条规则的激活权重为

其中为模型输入xn在第k条规则下对应参考值的匹配度，为第k条规则的权重，0≤λⁿ≤1为模型第n个输入的可靠度；

(3-5)根据步骤(3-4)得到第k条规则的激活权重后，将其与第k条规则下对应di^j的置信度mi,k进行融合，融合所有规则后，得到支持di^j的置信度为

(3-6)计算出未来t o时刻fj,t o的预测值yj,t o为

为了便于理解，这里对步骤(3)举例说明，以故障特征变量f1为例，取故障特征变量值f1,t-1和f1,t作为故障特征变量f1对应的brb1模型的输入x1和x2，两个输入对应的参考值集合分别为a¹＝{0,0.2000,0.4000}，a²＝{0,0.2000,0.4000}，brb1模型输出为f1,t 1，参考值集合为d¹＝{0,0.2000,0.4000}，共建立9条规则，规则库见表2。为了可以简单的说明问题，将每条规则的权重均设为1，两个输入的可靠度λ¹和λ²也均设为1。

表2故障特征变量f1规则库

将采集到的故障特征变量值按照时间序列进行排序，假设当前时刻为t，且t o时刻为t 1，可以获取到x1＝f1,t-1＝0.0826，x2＝f1,t＝0.0465，根据步骤(3-3)可以计算得到brb1模型中输入x1和x2分别对应参考值的匹配度，得到α1,1＝0.413,α1,2＝0.587,α1,3＝0,α2,1＝0.2325,α2,2＝0.7675,α2,3＝0，由此可见激活了规则库中的四条规则，分别是第1条规则、第2条规则、第4条规则和第5条规则。根据设定的规则权重和输入的可靠度，由式(5)可以计算出各个被激活的规则权重分别为根据式(6)可以计算得到融合激活的所有规则的置信度之后，结果为m1＝0.705,m2＝0.245,m3＝0.05，根据式(7)得到t 1时刻f1,t 1的预测值y1,t 1＝0.069。

(4)对于每个故障特征变量fj都可以按照以上步骤(3)获得对应的brbj模型，并且在线获取j个故障特征变量的预测值yj,t o；

为了便于理解对每个故障特征变量fj都建立对应的brbj模型，这里举例说明，其中一共有5个电机转子故障特征变量，分别表示为f1,f2,f3,f4,f5，根据步骤(3)中的方法，继续建立另外四个brb模型，分别表示为brb1,brb2,brb3,brb4,brb5，设定所有模型的t o时刻均为t 1时刻，则一共可获取所有的故障特征变量在t 1时刻的预测值，分别表示为y1,t 1,y2,t 1,y3,t 1,y4,t 1,y5,t 1，将这些值表示成预测样本向量，作为接下来故障信息融合决策模型的输入。

(5)构建故障信息融合决策模型，具体步骤如下：

(5-1)设定故障特征变量fj的参考值集合仍沿用式(2)中的参考值集合di^j，记为aj＝{aj,i|j＝1,2,...j；i＝1,2,…,n}，其中aj,1＝di^j,a1,2＝d2^j,...,aj,i＝di^j,aj,n＝dn^j，aj,i为第j个故障特征变量fj对应的第i个参考等级，由步骤(1)～(3)中采集的故障特征变量样本与其对应的故障类型得到“样本对”集合，记为u＝{(fj,t,fh)}；

为了便于理解“样本对”集合，这里举例进行简单说明。设定在t时刻，故障类型f1情况下，5个传感器采集的故障特征样本值分别为f1,t＝0.0465，f2,t＝0.0309，f3,t＝0.0137，f4,t＝0.0150，f5,t＝0.0445，则可以将这些样本值与对应的故障类型f1记为一个样本对，(0.0465,0.0309,0.0137,0.0150,0.0445,f1)。同理，在故障类型f2情况下，取t时刻的5个故障特征变量采样值，则此时关于故障类型f2的样本对表示为(0.1935,0.1636,0.0092,0.0153,0.0253,f2)。在不同时刻，也分别得到这样的故障特征变量值对应于故障类型的样本对。

(5-2)根据样本对集合u，建立故障特征变量fj对应的参考值集合aj和故障类型fh映射关系的参考证据矩阵(remj)，见表1

表1fj的参考证据矩阵

其中，是第j个故障特征变量fj对应于第i个参考等级的支持故障类型fh的信度，且其支持所有故障类型的信度和remj中的每一列信度记为与参考值aj,i对应的参考证据对于每个故障特征变量fj都建立对应的remj，则一共建立j个；

为了便于理解，这里对remj进行举例说明，给出两个故障特征变量f1和f2的参考证据矩阵，如下表3和表4。

表3f1的参考证据矩阵

表4f2的参考证据矩阵

其中，对于f1的参考证据矩阵表3，证据表示故障特征变量f1对应于参考值0时，支持故障类型f1的置信度为1，支持另外四个故障类型的置信度均为0。证据表示故障特征变量f2对应于参考值0.2000时，支持故障类型f1的置信度为0.7843，支持故障类型f2的置信度为0.2035，支持故障类型f3的置信度为0.0098，支持故障类型f4的置信度为0.0024，支持故障类型f5的置信度为0。证据支持各类故障类型f1,f2,f3,f4,f5分别为0.0126,0.4006,0.3525，0.2334,0.0009。

同理，对于f2的参考证据矩阵表4，证据和支持每个故障类型的置信度都可以清晰的获取到。

(5-3)将步骤(4)中的故障特征变量fj的预测值yj,t o，作为故障信息融合决策模型的输入，激活证据ej，具体过程如下：

(a)当yj,t o≤aj,1或yj,t o≥aj,n时，yj,t o对aj,1和aj,n的相似度ηj,1和ηj,n取值均为1，对于其他参考值的相似度均为0；

(b)当aj,q≤yj,t o≤aj,q 1时，q＝2,3,…,n-1，xn对于aj,q和aj,q 1的匹配度分别为

ηj,q＝(aj,q 1-yj,t o)/(aj,q 1-aj,q)(8a)

ηj,q 1＝(yj,t o-aj,q)/(aj,q 1-aj,q)(8b)

此时，yj,t o对于其他参考值的匹配度均为0；

(c)对于输入的预测值yj,t o，其会落入某两个参考值构成的区间[aj,i,aj,i 1]，此时这两个参考值对应的证据和被激活，则yj,t o的证据可由参考值证据和以加权和的形式获得

ej＝{(fh,ph,j),h＝1,...,h}(9a)

为了便于对激活证据ej的理解，这里举例进行简单说明。仍然沿用表3和表4关于故障特征变量f1和f2的参考证据矩阵，为了能简单的说明激活证据ej的过程，选择两个故障特征变量进行简单的计算。设在某一时刻t，由步骤(4)得到的故障特征变量f1和f2的预测值分别为y1,t 1＝0.1000和y2,t 1＝0.1800，由表3可以看出，y1,t 1＝0.1000激活证据和对应的参考值分别为0和0.2000。由表4可以看出，y2,t 1＝0.1800激活证据和对应的参考值分别为0.1500和0.3500。根据公式(8a)和公式(8b)可以计算出，预测值y1,t 1＝0.1000相对于参考值0的匹配度η1,1＝0.5，相对于参考值0.2000的匹配度为η1,2＝0.5。同理预测值y2,t 1＝0.1800相对于参考值0.1500的匹配度为η2,2＝0.8500，相对于参考值0.3500的匹配度为η2,3＝0.1500。

进而根据公式(9a)和(9b)得到y1,t 1＝0.1000支持故障类型f1的置信度p1,1＝0.5×1.000 0.5×0.7843＝0.8921，支持故障类型f2的置信度p2,1＝0.5×0 0.5×0.2035＝0.1018，支持故障类型f3的置信度p3,1＝0.5×0 0.5×0.0098＝0.0049，支持故障类型f4的置信度p4,1＝0.5×0 0.5×0.0024＝0.0012，支持故障类型f5的置信度p5,1＝0.5×0 0.5×0＝0。同理，对于y2,t 1＝0.1800可以得到支持故障类型f1的置信度p1,2＝0.85×0.2237 0.15×0＝0.1901，支持故障类型f2的置信度p2,2＝0.85×0.6779 0.15×0.1706＝0.6018，支持故障类型f3的置信度p3,2＝0.85×0.0547 0.15×0.4441＝0.1131，支持故障类型f4的置信度p4,2＝0.85×0.0437 0.15×0.3775＝0.0938，支持故障类型f5的置信度p5,2＝0.85×0 0.15×0.0078＝0.0012。由此，可得预测值y1,t 1＝0.1000的证据e1＝{(f1,0.8921)(f2,0.1018)(f3,0.0049)(f4,0.0012)(f5,0)}，预测值y2,t 1＝0.1800的证据e2＝{(f1,0.1901)(f2,0.6018)(f3,0.1131)(f4,0.0938)(f5,0.0012)}。

(5-4)根据步骤(5-3)一共得到j条证据，取步骤(1)中的故障集合θ作为辨识框架，其幂集记为p(θ)，是集合θ的全部子集的集合，其中设定证据重要性因子ωj和证据的可靠性因子rj两者相等，0≤rj≤1，0≤ωj≤1，则证据推理(er)规则中的一条证据表达为

其中，信度表示同时考虑ri和ωj的情况下ej对命题的支持程度，其定义为

其中mθ,j＝ωjpθ,j，crω,j＝1/(1 ωj-rj)为归一化因子；

(5-5)利用er规则对j条证据进行融合，得到融合结果为

z(f(t o))＝{(fh,ph,e(j))|h＝1,2,...,h}(12)

其中j＝1,2,...,j，ph,e(j)表示融合所有j条证据后，支持故障类型fh的联合支持信度，f(t o)＝(f1,t o,f2,t o...,fj,t o...,fj,t o)为j个brb模型对应于j个故障特征变量t o时刻的预测值向量，由z(f(t o))进行最终决策，认定最大信度所支持的故障类别即为样本向量f(t o)所属的故障类别。

为了便于对融合所有证据的理解，这里举例进行简单的说明。仍然以两个故障特征变量为例，由步骤(5-3)得到的证据e1和e2，另外设定证据重要性因子ωj＝1，证据的可靠性因子rj＝1，由公式(10)～(13)可以计算出，融合证据e1和e2的结果为z(f(t 1))＝z(f1,t 1,,f2,t 1)＝{(f1,0.7861)(f2,0.1532)(f2,0.0325)(f2,0.0175)(f2,0.0107)}，因为对应于故障类型f1发生的概率最大，为0.7861，所以可以预测出t 1时刻故障类型f1将会发生。

以下结合附图，详细的介绍本发明方法的实施例：

本发明方法的主要流程图如图1所示，其主要内容为：

可以根据安装在电机转子不同位置的振动加速度传感器采集的不同故障特征变量值，建立对应的brb模型，分别预测出未来时刻的不同故障特征变量值。同样，由每一个故障特征变量的采样值可以得到对应的故障特征变量的参考证据矩阵，每一个brb模型预测出的未来时刻故障特征变量值结合对应的故障特征变量参考证据矩阵可以获得预测证据。进而可以根据故障预测信息融合决策模型对所有预测证据进行融合，并预测出未来时刻的故障类型。

以下结合在某zhs-2多功能电机柔性转子实验平台，介绍本发明的相关详细步骤，并通过实验结果，验证基于置信规则库推理的电机转子故障预测方法的性能。

1.模拟5种电机转子不平衡故障类型，在线获取安装在该实验平台上不同位置的5个振动加速度传感器的故障特征变量值f1,f2,f3,f4和f5，每隔3s采样一次，每种故障类型采集200次。每一故障类型由5个故障特征变量值共同决定，图2为不同时刻下5种故障类型下采集的故障特征变量值采样序列。

2.建立故障特征变量f1的brb模型brb1，brb1模型的两个输入对应的参考值集合分别为a¹＝{0,0.2,0.4}，a²＝{0,0.2,0.4}，brb1模型输出参考值集合为d¹＝{0,0.2,0.4}，共建立9条规则，将每条规则的权重设为1，brb1模型两个输入的可靠度λ¹和λ²也均设为1。故障特征变量f1规则库如下表2。

表2故障特征变量f1规则库

然后重复步骤(1)～(3)，建立另外4个故障特征变量对应的brb模型，一共建立5个，设当前时刻为t，未来t o时刻为t 1，因此可以得到5个故障特征变量对应的未来t 1时刻预测值。将步骤(2)中采集的故障特征变量样本值和对应的故障类型分成如步骤(5-1)所示的样本对集合，得到故障特征变量f1,f2,f3,f4和f5对应的参考值集合和故障类型映射关系的5个参考证据矩阵，再结合5个brb模型给出的故障特征变量在t 1时刻的预测值，根据步骤(5-3)获得每一个故障特征变量预测值对应的预测证据，一共获取5条预测证据，分别为e1、e2、e3、e4和e5。然后根据步骤(5-4)和步骤(5-5)将获取的5条预测证据进行融合，决策出未来t 1时刻的故障类型。

将所有采样时刻得到的测试数据按照上述计算过程进行实验，故障预测结果的混淆矩阵如表5所示，从中可知对于5种故障模式的平均确诊率为96.2％。图3是一次实验中不同时刻5个故障特征变量预测值与真实值的对比图，可以看出，根据步骤(1)～步骤(3)建立的brb模型可以较准确地预测出故障特征变量的未来值，结合5种故障模式的平均确诊率，验证了本发明方法的有效性。

表5预测结果的混淆矩阵