融合诊断范文
融合诊断范文（精选7篇）
融合诊断 第1篇
1 多Agent信息融合故障诊断研究
通常在复杂设备操作的过程中,每天都会产生大量的数据,这些数据持续的增长,不断地增多,会逐渐形成难于处理的海量数据信息,而设备的故障诊断,正是要利用这些复杂的异构的数据信息来推断存在的错误或问题,因此如何有效地利用这些海量数据对设备进行管理优化和故障诊断,已经成为装备设备运行过程中的一个重要问题,针对这些异构的、海量的数据,我们很难通过建立精确的模型进行管理,因此需要利用人工智能等领域的知识对这些数据进行智能化的管理与分析。随着信息化技术的发展和计算机网络技术的广泛应用,智能分布式信息系统和信息融合技术的优越性日益突出,多Agent系统的出现,高效的信息融合体系的形成,都使这一复杂问题的处理成为可能。
1.1 将多Agent应用于故障诊断
近年来随着系统设备不断趋于大型化、复杂化,使得系统故障产生的因素在不断地增多,因此,故障诊断的方法也开始逐步趋向于分布化和智能化。其主要体现在:
1)分布性
由于分布式系统的广泛应用,诊断系统已经不仅仅局限于本地的、单一的系统,而逐渐成为由多个分布在不同区域的子系统所构成的复杂大型的系统;在故障诊断的过程中,由于单一传感器获取的信息十分有限,因此常常利用多个传感器对系统设备的状态进行检测。通过多源传感器获取的信息量常常很大,并且具有实时性、异构性等特点。
2)智能化
传统的故障诊断方法在诊断分布式系统故障时有一定的局限性。随着人工智能故障诊断方法的应用,在提高诊断效率的同时也对故障诊断系统的体系结构提出了新的要求,如何设计并建立有效的系统结构来适应大量信息的处理及动态的外部环境就成为了一个非常重要的问题。
1.2 多Agent诊断模型的体系结构
Agent理论与方法作为一门新兴的人工智能技术,己在众多领域中展现了其优越的性能。在多Agent系统中包含了各种功能的传感器,系统需要利用特定的功能实体来获取这些传感器中的信息,另外还需要对传感器提供的众多信息进行标准化处理,然后才能对多源信息进行融合。同时,在系统运行过程中,需要对各个Agent之间的行为进行协调,对不同的议题进行协商,从而使多A-gent系统能够稳定、高效的运行。
因此在系统中,可将多Agent系统中的Agent划分为多种角色,如监视Agent、融合Agent、管理Agent、交互Agent、协商Agent等角色。多Agent系统通过多个担任监视A-gent的角色获取环境中传感器所检测到的信息源数据,然后对这些获取的信息进行分析、加工和预处理,并在融合Agent中产生待合成的标准化的证据源,再利用多Agent信息融合方法对这些证据进行合成,得到融合结果;管理Agent角色则对多Agent系统中的协商策略、融合规则、交互策略等进行管理;协商Agent角色将对不同的议题进行协商与协调;而用户则可以通过交互Agent角色与多Agent系统进行交互式的操作。系统中的各个Agent均利用通信语言与交互协议相互协作,整个多Agent系统的角色模型如图1所示。
2 结论
本文通过对智能故障检测技术的分析,重点讨论了智能故障检测的基本理论,并研究了将多Agent分布式系统与信息融合相结合,并将其运用到故障诊断研究中的模型方法。该方法具备更加自由灵活的智能体系,容错能力强,鲁棒性高,充分利用了分布式系统的优点和信息融合处理信息的优势,可以更好的对故障进行分析检测。复杂装备的诊断一直是高性能技术装备面对的一个重要问题,因此该领域的研究是非常具有现实价值的。
参考文献
[1]Wooldridge M.多Agent系统引论[M].石纯一,译.北京:电子工业出版社,2003.
[2]李常洪.多Agent合作机制与合作结构研究[D].天津:天津大学,2002.
[3]罗贺.多Agent信息融合与协商及其在故障诊断中的应用[D].合肥:合肥工业大学,2009.
[4]韩晓娟.多源信息融合技术在火电厂热力系统故障诊断中的应用[D].保定:华北电力大学,2008.
[5]郑伟.基于多Agent的复杂装备远程故障诊断系统的研究[D].武汉:武汉理工大学,2009.
融合诊断 第2篇
1 基于信息融合的故障诊断方法基本思想
随着信息技术在超大规模模拟电路中的迅速发展, 对模拟电路的测试及诊断提出了更高的要求。神经网络、小波变换及模糊理论等都有各自的优点, 通过在电路故障中运用以上技术, 推动了模拟电路故障诊断的发展, 使模拟电路故障诊断的方法更为广泛和适用。
2 模拟故障诊断的方法
2.1 神经网络
通过分析电路数据可判断电路故障的类型, 模拟电路的识别可以归结为模式识别的问题。神经网络作为电路故障诊断的重要工具, 模式识别的重要工具, 对于故障特征的复杂空间有极强的泛化能力、容错性和鲁棒性, 所以神经网络在模拟电路故障的领域中得到了广泛的运用。
2.2 小波变换
小波与神经网络的结合是一个研究极其活跃的领域, 很多时候通过利用小波分析对信号进行处理。小波变换具有很强的时域性, 在信号分析及系统的辨别、故障的检查方面有很多的应用。在对模拟电路故障的诊断中, 小波通过对不同频带进行多层的分解, 对信息进行分析, 在不同分辨率的空间显示能量变化, 并与电路的正常输出做对比, 提取出有关电路故障的特征信息。并运用数学的方法进行试验, 建立起故障数据库, 实现故障定位并进行诊断。
2.3 模糊理论
模糊理论注重的是在概念推理上对于人脑思维模式及想象力的模拟, 根据经验在故障原因空间之间依据统计、实验数据建立模糊关系, 明确故障之间的关系密度。但由于在模糊理论中, 复杂系统的模糊模型的建立、辩识、语言规则的获取等方面的理论和方法存在着不足之处, 使得模糊理论的应用在使用上受到了限制。
2.4 信息融合诊断技术
由于电子系统本身存在的复杂性及运行环境的不稳定性, 在故障诊断的领域中, 单传感器不确定信息的存在, 造成故障诊断出现漏检或误诊等现象, 减低诊断的准确率。将信息融合技术、神经网络、小波变换、模糊理论相结合, 可以准确地搜寻出故障的原因及元件。 (1) 模糊信息融合法。对待诊元件进行关键点的电压信号探测, 并利用热像测仪对电路板的待诊元件进行温度信号测试。应用模糊理论对被测元件进行融合处理, 再根据判断原理对元件进行故障判断。通过模糊信息融合法可以明确直观地对故障进行分析诊断, 避免由于单传感器信息量的缺少而造成误诊, 影响诊断的准确性。 (2) 神经网络信息融合法。将神经网络引入信息融合中, 与模糊理论结合, 构成模糊神经网络信息系统, 根据判定标准对故障元件进行判断, 充分利用大量的测试数据, 利用经验数据对故障进行识别, 但在数据样本的获取过程中存在着一定的困难。
在模拟电路故障诊断中充分利用了信息融合独特的多维信息处理方式, 解决了常规的网络撕裂所面临的电路间由于元件的互相影响导致的难以准确地测出元件故障的问题, 以及由于容差、非线性及元件相互影响而出现的诊断不确定性问题。
3 模拟电路诊断技术的发展
3.1 提高技术应用能力。
结合模拟理论、小波分析、神经网络的技术, 不断地丰富电路故障诊断的技术, 将技术运用到故障诊断实际中。
3.2 发挥诊断方法的优势。
综合各种诊断方法, 充分发挥各种方法的优势并应用到电路故障诊断中。
3.3 基于网络的故障诊断技术研究。
在神经网络电路故障诊断系统中, 可以进行系统资源的共享, 以降低系统资源开发的成本, 成为电路故障研究中重要的研究方向。
3.4 新故障诊断技术的研发。
(1) 在实际的电路故障诊断中, 可研究新的故障诊断方法, 如利用多媒体及现代通讯技术, 对故障进行远程操控诊断及维修。 (2) 电路故障诊断随着技术的发展, 要求越来越高, 可以利用现代的人工智能技术通过仪器的专用故障诊断系统进行急性电路故障的诊断, 这样可以为电路故障诊断工作人员提供很大的便利。 (3) 利用预报技术对电路故障进行诊断, 通过专家的知识对故障进行系统运行状态的推断, 及时地进行故障预报, 从而及时地消除故障隐患, 杜绝故障的发生。
4 总结
本文就电路故障的可测电压及不同频率下电路的相关信息并融合信息技术的新方法, 在模拟电路故障诊断系统中运用, 采用不同的诊断方法对每个网络结构进行了解。同时通过对电压测量采集信号数据, 能够较好地解决因电路中元器件相互影响而产生的不确定性问题。利用神经网络、小波变换及模糊理论对电路的单、多软、硬故障均可进行诊断, 提高诊断的准确率。同时探讨利用先进的多媒体及现代技术进行模拟电路故障诊断的新方法, 以实现诊断系统的无缝集成, 缩短开发周期, 优化系统性能, 提高电路故障诊断的的准确性, 及时发现故障并消除隐患。
参考文献
[1]冯志红, 林志贵, 王炜.基于信息融合的模拟电路故障诊断方法分析[J].电子测量与仪器学报, 2008, 12 (06) :47-50.
融合诊断 第3篇
由于武器火控系统设备量大,内部和外部接口繁多,发生故障的形式多种多样,因此武器火控系统故障诊断是一个具有多输入、多输出、不确定性多的复杂非线性问题。由于输入和干扰因素与输出的关系相当复杂,又是高阶非线性系统,加之内部和外部参数的不确定性,使得为武器火控系统故障诊断选择合适的建模方式十分困难。传统的故障诊断方法一般只针对系统的一种或几种状态信息进行分析,提取出信息特征信息进行诊断,很显然其不能够精确甚至有时无法准确识别出故障类型。要解决上述问题,需要对同一故障对应的不同征兆域的信息进行合理的融合。
D-S证据理论凭借其较强的处理不确定信息的能力,已经广泛应用于目标识别、决策分析、故障诊断、状态监测等领域。然而其证据往往来源于专家,带有很大的主观性,且合成证据的重要性无优劣之分。神经网络具有很强的非线性表达能力和分类能力,在故障诊断领域已经有广泛的应用。但是诊断对象比较复杂时,网络的规模较大,网络的学习收敛比较困难。粗糙集理论处理不确定信息的优点在于不需要先验信息,避免了一定的主观性,同时对样本属性进行约简,可以减小神经网络的规模,有效缓解由于过多属性给网络学习带来的收敛困难问题。本文在武器火控系统故障诊断中引入信息融合技术[1],与粗糙集理论和神经网络理论相结合,充分利用冗余信息,提高诊断系统的准确率和可靠性。
2 粗糙集理论
波兰学者Z.Pawlak于1982年提出了粗糙集理论。粗糙集理论是处理不完备信息的有效工具,不需要所处理集合之外的任何先验信息,通过分析研究对象之间的关系,得到研究集合中潜在的规则[2]。
2.1 信息系统与决策表
信息系统是粗糙集理论中的研究对象,I=(U,A,V,f)其中U表示论域,即所有研究对象的集合,A表示研究对象属性的集合,V表示研究对象属性值的集合,V=Ua∈AVa,其中Va是属性a∈A的值域;f是信息函数f:U×A→V为单一映射,即f(x,a)∈Va,它指定U中每一对象的属性值。
对于信息系统I=(U,A,V,f),若研究对象属性集合A由条件属性C和决策属性D组成,即A=C∪D,C∩D=Ф,则此时信息系统I称为决策表。
2.2 上近似、下近似和边界区域
设集合,R是一个等价关系,称为集合X的R下近似集;称
2.3 属性约简和值约简
令R为一等价关系族,且r∈R,当ind(R)=ind(R-{r}),称r为R中可省略的,否则r为R中不可省略的。当对于任一r∈R,若r不可省略,则称族R为独立的。显然,当R是独立的,且,则P也是独立的。P中所有不可省略关系的集合,称为P的核,记作core(P)。
值约简是对决策表的一种简化,决策表中一条实例可以看作一条规则,其中可能包含冗余属性值,因此对实例属性值的约简就是决策规则的约简。决策规则的约简是分别消去每个规则的不必要条件,它不是整体上的约简属性,而是针对每个决策规则,去掉表达该规则时的冗余属性值,以便进一步使规则最小化[3]。
3 BP神经网络
BP神经网络是一种前向网络,网络中的神经元分为输入层、隐含层和输出层。在进行故障诊断时,BP网络第一层作为各个测点信号的特征向量,即故障征兆层{x1,x2,…,xn},各元素xi对应网络输入的神经元,这些数据经过各隐含层节点,经过变换函数,将隐含层节点的输出信号传播到输出节点,经过处理后得到输出数据yi,即对应各种故障分类的输出层{y1,y2,…,yn}[4]。
4 D-S证据理论
D-S证据理论是一种不确定性推理方法,它能够融合多个证据源所提供的证据,依靠证据的积累,不断缩小假设集。它具有较强的决策处理能力,在数据融合和目标识别领域有着比较广泛的应用[5]。
D-S证据理论的基本概念包括以下几个:
1)基本可信度
设Θ为识别框架,若集函数m:2Θ→[0,1]满足2个条件,即①m(Ф)=0(其中Ф为空集),②,则m可称为框架Θ上的基本可信度分配;。其中:m(A)为A的基本可信度;2Θ为Θ的幂集。
2)信度函数
由,所定义的函数Bel:2Θ→[0,1]可称为Θ上的信度函数。
3)焦元与内核
对于,若m(A)>0,则A称为信度函数Bel的焦元;框架Θ中所有焦元的并集称为内核。
4)似真度
设Bel:2Θ→[0,1]为Θ上的信度函数,则由;
5)信度空间
对于,区间[Bel(A),Pls(A)]可称为A的信度空间。
D-S证据理论的证据组合规则的一般形式为
式中:m1(X)和m2(Y)分别为X的基本可信度函数和Y的基本可信度函数。K的数值表示被组合证据相互冲突的程度。当K=0时,表示2个证据完全一致(完全相容);当K=1时,表示两个证据完全冲突;当0<K<1时,表示2个证据部分相容[6]。
5 基于粗糙集、BP神经网络和D-S证据理论的武器火控系统故障诊断
5.1 建立故障诊断模型
武器火控系统的主要功能是接收指挥控制系统的指令和目标信息,控制武器完成既定的发射任务,对敌实施有效打击。其组成设备包括武器显控设备和发控设备,主要接口包括网络、串口、开关量、1553B总线、AD以及同步脉冲等。
在武器火控系统故障诊断系统中,引入粗糙集、BP神经网络和D-S证据理论,其中,粗糙集用来对故障征兆样本属性进行约简,BP神经网络用来获得不同故障征兆的基本概率分配,根据此概率分配,用D-S证据理论对故障的多个征兆进行信息融合,从而获得故障诊断结果。
1)首先将数据采集得到武器火控系统的原始数据通过特征提取获得每一个故障对应的所有故障征兆,并根据所得到的故障特征构成识别诊断对象状态的证据;
2)利用粗糙集对故障的特征属性进行属性约简和值约简;
3)将约简后得到的最简决策表确定神经网络的初始拓扑结构,利用相应于最小故障诊断特征的训练样本集训练该网络,由此获得各证据的基本概率分配;
4)分别计算各证据的信度函数和似真度函数,利用D-S合成法则,计算所有证据体联合作用下的识别框架中各命题的信度区间;
5)根据特定故障诊断的特点,制定诊断决策规则;
6)最后,利用诊断决策规则对各命题的融合信度区间进行决策分析,得出最终的诊断结论。
上述故障诊断模型的原理示意图如图1所示。
5.2 粗糙集属性约简
令S=(U,C∪D,V,f)是一信息系统,C是条件属性,D是决策属性,c(x)记录x在属性c(c∈C)上的值,C(i,j)为可辨识矩阵中第i行第j列的元素,则差别矩阵C表示为:
差别矩阵形式化见图2所示。
基于差别矩阵的属性约简算法如下:(T是决策表,A是属性约简后的条件属性集合,C是决策表T的差别矩阵,)ak∈{cij},C0为核属性集合)
1)把核属性集合赋给R,令R=C0;2)求出所有包含核属性的条件属性组合Q;3)差别矩阵变为(C-Q),B=A-R;4)对所有的ak∈B,计算在C中属性频率最大的属性ak,并赋予aq;5)将aq添加到R中;6)重复上述过程,直至C为空。
经过上述处理后,R就是最后的约简结果。
5.3 基本概率分配算法
本文利用BP神经网络对各个特征域进行局部诊断,局部诊断的结果形成独立的证据体,计算各个证据体对于识别框架中各种故障的基本概率分配。
基本概率分配的算法如下:
1)构造BP神经网络,设定输入层、隐含层和输出层节点的个数分别为m、u、n,并初始化(包括给定学习精度、规定迭代步数和学习参数等);
2)在Matlab环境下,利用相应于最小故障诊断特征的训练样本集训练该网络,建立故障特征与故障之间的映射关系,再利用测试样本集对神经网络进行测试,样本数据经过归一化处理,直到满足误差要求;
3)经过离线学习训练可得网络的各种参数,由此实现故障征兆到故障模式的基本概率分配之间的非线性映射关系[7]。
6 仿真结果与分析
武器火控系统的故障现象主要是以“通讯中断或延迟”作为其代表性特征。常见的故障状态有:1553B总线不通(用F1表示)、以太网通讯超时(用F2表示)、智能串口模块故障(用F3表示)。由上述3个元素构成融合决策诊断的识别框架U={F1,F2,F3}。
在Matlab环境下,利用神经网络工具箱,选用BP神经网络,设定5个输入结点,8个隐含层结点,5个输出结点,设定的目标误差为0.01,最大训练步数设置为2600,把原始故障诊断样本数据进行训练,样本数据经过归一化处理,直到满足误差要求。最终得到的结果作为D-S证据理论的基本概率赋值,分别用m1、m2和m3表示,见表1所示。
从上述表1中很难准确判断故障类型,为了进一步定位故障,将三个网络的数据用D-S证据理论进行信息融合,m1和m2融合后的基本概率赋值见表2所示。
再将m1,2和m3进行信息融合,融合后的结果见表3所示。
从表3中可以很容易的判断故障类型为F2,即以太网通讯超时。比较表1、表2和表3可以看出,每当进行一次信息融合后,识别框架中的某种故障的可信度分配就向故障类型的判别阈值更靠近一步,而其余故障的可信度分配会越来越小,使得基本可信度分配具有更好的峰值和可识别性,有利于提高故障诊断的准确性。
为了进一步验证基于粗糙集、BP神经网络和D-S证据理论多源信息融合的诊断方法的诊断精度,本文将该故障诊断模型和“使用自适应加权和D-S证据理论”诊断模型以及“使用神经网络和D-S证据理论”诊断模型进行比较,仍然采用上述3个元素构成融合决策诊断的识别框架,比较结果见表4所示。其中,I表示“使用自适应加权和D-S证据理论”诊断模型,II表示“使用神经网络和D-S证据理论”诊断模型,III表示“基于粗糙集、BP神经网络和D-S证据理论多源信息融合”诊断模型。
由表4可知,经过粗糙集、BP神经网络和D-S证据理论三次信息融合后的数据明显加强了实际诊断结果的信度函数分配值,降低了诊断中的不确定性。在单一诊断方法不能确定故障原因的情况下,经过多次融合后仍能得出诊断结论。实例分析结果表明,基于粗糙集、BP神经网络和D-S证据理论多源信息融合的诊断方法提高了武器火控系统故障诊断的精度。
7 结束语
武器火控系统的故障诊断是一项复杂的系统工程,为了提高系统融合性能,建立多种信息融合方法有机集成的诊断模型已成为目前的重要趋势。本文基于粗糙集、BP神经网络和D-S证据理论建立多源信息融合的诊断方法,弥补了传统故障诊断系统的不足,提高了系统故障诊断的准确度和精度,从而得到更加客观、可靠的武器火控系统故障诊断结果。
参考文献
[1]何友,王国宏,关欣.信息融合理论及应用[M].北京:电子工业出版社,2010:17-42.
[2]王国胤,姚一豫,于洪.粗糙集理论与应用研究综述[J].计算机学报,2009,32(7):1229-1246.
[3]曾玲,何普彦,付敏.不完备区间值信息系统的粗糙集约简算法[J].南京理工大学学报,2013,37(4):524-529.
[4]唐立力,吕福起.基于遗传算法的BP神经网络滚动轴承故障诊断[J].机械设计与制造工程,2015,44(3):65-68.
[5]王莉,吴定会.D-S证据理论在带式输送机故障诊断中的应用[J].江南大学学报(自然科学版),2013,12(1):30-33.
[6]卜乐平,刘开培,侯新国.采用D-S证据推理的电机转子故障诊断[J].振动、测试与诊断,2011,31(1):23-26.
[7]张向前,关小伟,陈力子.BP神经网络在武器火控系统故障诊断中的应用[J].计算机测量与控制,2010,18(11):2576-2578.
融合诊断 第4篇
往复机械有结构复杂、激励源多等特点,使其故障诊断技术的应用仍未取得令人满意的结果,因此,有必要对往复机械故障诊断进行深入地研究。信息融合D-S证据理论,是研究不确定性问题的一种理论方法,其优点是能充分有效地用信任区间描述传感器所传递的信息,既能表达信息的已知性和确定性,又能区分未知性和不确定性,有效地处理数据产生的不精确性和不确定性[1,2],因此D-S证据理论适合于存在大量不确定性因素的往复机械故障诊断工作[3,4,5]。以柱塞式注水泵为例,来研究D-S证据理论在往复机械故障诊断中的应用问题。
1 基本概念及理论计算
1.1 基本概念
基本概念有:识别框架(U)、基本可信度分配函数(m)、似真度函数(Bel)等,这些概念在相关文献和专业书籍都详细介绍,不再累述[6]。
1.2 基本计算公式
(1)相关系数计算公式:
式中:dij—证据体Ei与识别框架中命题Fj的贴近程度[7];
式中:mi(Fj)—证据体Ei赋予命题Fj的基本可信度分配值;
式中:mi(U)—Ei的不确定值;Ri—诊断过程的总体不确定性系数。
(3)合成规则[8]:设Bel1,Bel2,…,BelN是识别框架U上的信度值,则:
1.3 决策规则
在得到证据对识别框架U中所有命题的信度区间[Bel,pl]和证据的不确定性mi(U)后,可由以下规则确定出诊断结论Fc:
规则1:;表明诊断结论是具有最大可信度的命题;
规则2:,ε∈R且ε>0;表明诊断结果的可信度必须比其它所有命题的可信度和证据不确定性大于ε;
规则3:m(U)<γ,其中域值γ∈R且γ>0;表明,证据的不确定性必须小于γ;其中ε和γ根据实际情况确定。如果以上3个规则不能同时满足,则无法确定出诊断结论。
2 D-S故障诊断方法的一般过程
基于D-S证据理论的故障诊断模型如图1所示[9]。把诊断对象作为一个信息系统,它在运行过程中不断地产生各种信息,这些信息从侧面不同地反映了当前诊断对象的运行状态。把获取的这些信息,加工成对诊断对象运行状态变化比较敏感的故障特征,由所得到的故障特征构成识别诊断对象状态的证据。随后,利用D-S证据理论对所获得的证据进行推理,从而达到对这些信息进行融合处理与分析的目的。最后,通过特定的诊断决策规则,得出诊断结论,即当前诊断对象的运行状态。
3 实例分析
以某厂柱塞式注水泵为研究对象,该泵由电机通过大小皮带轮、窄V形皮带带动泵的曲轴旋转,曲轴带动连杆、十字头、中间杆、柱塞作往复运动。该注水泵运行一段时间后监测发现工作效率明显降低。图2是柱塞泵曲轴在线监测时域波形图,图中可见振动信号系列变化明显,幅值波动较大,且频率成分出现较大变化,这表明机组工况出现异常。
根据注水泵现场运行和测试数据,运用机械故障分类方法及证据体构造方法[6],对故障进行分类并构造出相应的证据体,根据实际工况规定故障类型有5种:轴不对中,轴承间润滑不良,轴间挡圈异常,轴承装配间隙不良和轴瓦磨损,分别由F1~F5表示,构造识别框架为:U=∈F1,…,F5∈;选择6种故障特征参数作为故障识别的敏感信息,并将这6种特征归纳为3个类别,既形成3个证据体:振动特征,敏感参数和频率特征,对各故障类型对应的特征参数值进行统计分析,结果如表1所示。
根据表1的数值可计算出3个证据体与识别框架中各命题的贴近度dij和相关系数Ci(Fj)[7],并由此得出三个证据体分别对识别框架中各命题的基本可信度[7],结果如表3-5所示。
根据表3中的基本可信度分配值mi(Fi),运用公式(4),计算各证据体单独作用下,识别框架中各命题的信度区间不确定概率值m(U),并采用1.3所述的决策规则得出诊断结论,结果见表4。同样道理,在不同证据体融合作用下,对各故障特征的诊断结果如表5所示。
4 结论
(1)往复机械结构复杂,影响运行状况的不确定性因素多,从单一角度对其进行故障诊断的结果不够准确,可信度不高。如表4所示,诊断结果中有“未知”的情况出现,影响诊断结果的准确性。
(2)通过上述基于信息融合技术的故障诊断模型及计算方法,可准确判断出故障类型和故障部位。以柱塞式注水泵为例进行故障诊断,结果如表5所示。从表中可以看出,与以往方法相比,诊断结果的准确性明显提高,减少了盲目更换部件造成的经济损失。
摘要：以Dempster-Shafer证据理论为基础,确定出一种基于多故障特征信息融合的诊断方法,并以往复机械故障诊断为例详细介绍该诊断方法的实施过程。诊断结果表明,经过多故障特征信息的融合,诊断结论的可信度明显提高,不确定性明显减小,该技术能较好地解决往复机械故障诊断的技术问题。
关键词：D-S证据理论,信息融合,往复机械,故障诊断
参考文献
[1]王娜,梁禹.基于神经网络与D-S证据理论的故障诊断[J].仪器仪表学报,2005,26(8):773-774.
[2]王江萍,王潇,鲍泽富.基于信息融合理论的柴油机故障诊断技术[J].石油机械,2010,38(6):49-52.
[3]赵玉明,冯子明,赵卫华.往复泵泵阀故障诊断方法[J].流体机械,2005,6(1):42-44.
[4]田丽,刘宝军,尚廷义.往复泵泵阀故障智能诊断系统[J].油气田地面工程,2010,(04).
[5]高军,王朝晖.基于概率密度的往复泵故障诊断研究[J].石油机械,2003,(10).
[6]付强,苏宝库.基于多级信息融合的转台故障诊断系统研究[J].哈尔滨工业大学学报,2006,38(11):1906-1909.
[7]王志鹏.基于信息融合技术的故障诊断方法的研究及应用[D].中国博士学位论文全文数据库,2002(9).
[8]林田,郝志华.基于多征兆信息融合理论的转子故障诊断[J].煤矿机械,2008(4):212-215.
融合诊断 第5篇
(一) 数据层信息融合
数据层信息融合联合来自每一个传感器的原始数据, 其优点是信息丰富, 结果精确, 但是通讯和运算量大, 数据需要预处理, 传感器之间往往要求同质或者同等精度。主要的数学方法是:加权平均法、卡尔曼滤波、贝叶斯估计、参数估计法等, 与信号处理有一定的相似性。
(二) 特征层信息融合
特征层融合联合从观测量中提取的特征向量, 既保持足够数量的重要信息, 又实现信息压缩, 有利于实时性;但是不可避免地会有某些信息损失, 精确性有所下降, 因而需对传感器预处理提出较严格的要求。主要的数学方法是:分离性判据方法、搜索树方法、模拟退火方法、遗传算法等, 与模式识别有一定的相似性。
(三) 决策层信息融合
决策层融合联合各传感器的判决形成最终的推理和决策, 它具有很强的灵活性和很小的通讯带宽, 没有同质传感器的要求, 前提是需要很多预处理。主要的数学方法是:投票表决法、贝叶斯方法、模糊积分法、证据理论方法、模糊逻辑法等。
二、按照信息融合过程的输入输出关系
可以把以上三个融合层次进一步细分为五种融合过程:数据输入-数据输出融合 (Data in-Data out) ;数据输入-特征输出融合 (Data in-Feature out) ;特征输入-特征输出融合 (Feature in-Feature out) ;特征输入-决策输出融合 (Feature in-Decision out) ;决策输入-决策输出融合 (Decision in-Decision out) 。这种描述能够清楚地解释在输入输出数据之间存在的差异。
第一, 数据层信息融合联合来自每一个传感器的原始数据, 其优点是信息丰富, 结果精确, 但是通讯和运算量大, 数据需要预处理, 传感器之间往往要求同质或者同等精度。第二, 特征层融合联合从观测量中提取的特征向量, 既保持足够数量的重要信息, 又实现信息压缩, 有利于实时性;但是不可避免地会有某些信息损失, 精确性有所下降, 因而需对传感器预处理提出较严格的要求。第三, 决策层融合联合各传感器的判决形成最终的推理和决策, 它具有很强的灵活性和很小的通讯带宽, 没有同质传感器的要求, 前提是需要很多预处理。
三、信息融合的模型
现有系统模型大致可以分为两大类:一是面向融合过程的功能型模型。典型的功能型模型包括UK情报环、Boyd控制回路 (OODA环) 等。二是面向处理对象的数据型模型。典型的数据型模型则有JDL模型、瀑布模型和Dasarathy模型等。
四、多传感器系统
多传感器系统或多传感器集成, 是指在系统中采用多个同质或异质传感器共同联合工作来完成对对象和环境的检测。
在当前工业监测控制系统中, 从传感器中直接获得的信息可以分为两种不同形式:数据信息和图像信息。在多传感器系统中, 各传感器所提供的空间、时间、表达方式不同, 可信度、不确定性程度不同, 侧重点和用途也不同, 这对信息的处理和管理提出了新的要求:要求采用相应的信息综合处理技术, 要求传感器间彼此协调工作。
(一) 多传感器信息融合的基本结构
信息融合的结构有多种模式, 由n个传感器集成后组成多传感器系统, 提供n个对象及环境信息, 系统中设立m个融合节点对这n个信息进行融合。传感器1和2的输出信息S1和S2在融合节点1被融合成新的信息S12, 它再与传感器3的信息在节点2融合成新的信息S123。如此下去, 从n个传感器系统中获得的信息可以最终被融合成一个结果信息S, 送入融合数据库中。融合数据库存放信息融合的结果, 可以看成是整个智能监测控制系统数据库的一部分。
1、融合节点说明。一是融合节点的输入输出信息一般都是向量的形式。一个融合节点可以融合多个输入信息。二是如果只有一个融合节点 (m=1) , 则n个传感器信息都是这个融合节点的输入信息。三是中间节点的融合结果也可以作为输出直接送入融合数据库中。
2、模块说明。一是专家知识库。一般来说, 信息融合的完成, 除了具有适当的融合算法外, 还应当有必要的领域知识进行监督和指导, 特别是在实际的工业监测控制系统中更是如此。这些领域知识就构成了专家知识库。二是传感器模型库。其中存放了各种传感器的模型, 定量地描述了传感器的特性以及各种外界条件对传感器特性的影响。三是信息协调管理。在一般情况下, 多传感器往往从不同的坐标框架对环境中的同一特征进行描述, 它们所表示的时间、空间和表达方式可能各不相同, 必须将它们统一到一个共同的时空参考系中。该模块完成了时间因素、空间因素和工作因素的全面协调管理, 并对传感器进行选择, 投入最合适和可靠的传感器组以适应不同的条件。四是信息融合方法。对于不同的任务和不同的对象应采用不同的方法, 或者综合使用几种方法。信息融合方法是多传感器信息融合的核心。
(二) 多传感器信息融合的方法 (见图1) 。
五、证据组合规则
来自不同信息源的证据集合形成了四种不同的证据类型, 其多种形式的组合结构反映了证据之间各种的冲突情况。证据理论通过组合证据的概率赋值来处理不同的证据类型, 对冲突的不同处理方法产生了不同的证据组合算法;主要讨论、分析并比较D-S证据规则及其四种改进的证据组合规则:Yager组合规则、Inagak组合规则、Zhang组合规则和DuboisPrade组合规则, 以及两种平均规则:Discount平均规则和平均分配规则。
六、小结
融合诊断 第6篇
1 模糊多级故障诊断融合结构
模糊集思想是将普通集合中的隶属关系从原来只能取0和1扩充到[0, 1]区间中的任一数值, 因此适合对诊断信息不确定性、片面性进行描述和处理。在化工故障诊断系统中常会同时存在多种诊断资源对同一类或不同类的故障进行诊断。当不同诊断资源各自反馈诊断结果时, 多诊断结果多级模糊故障诊断融合结构如图1所示。
模糊多级融合中心接收多个诊断结果, 首先对不同结果进行特征提取, 每个结果包含2个值, 即PR E_RESULT[i]={result, DA}。Result指在诊断结果中应用常量值, DA指诊断资源的信息集合, DA集合包括如诊断资源ID、诊断资源权重值等。诊断结果特征被提取后, 将所有结果特征值进行模糊多级融合算法处理, 然后将全局融合结果输出, 输出结果也应包含的内容为POS_RESULT[i]={result, p, k}, 其中result是全局融合结果代表特征值, p是融合结果可信度百分比, k指全局融合结果与局部诊断结果相似值。
1.1 融合原理
模糊理论[6]不仅考虑诊断资源各自重要程度, 而且强调各诊断资源间会相互关系、相互制约从而对整个融合结果的影响。模糊理论为多诊断资源结果融合提供一个新途径。具体融合原理如下。
在模糊多级诊断中, 设A={A1, A2, …, Ai}为诊断资源所组成集合, i为故障诊断系统中诊断资源个数, 也就是智能诊断资源和专家诊断资源参与该次诊断个数。各诊断资源对第n种故障的隶属度诊断结果可以记为:Sj (A) ={Sj (A1) , Sj (A2) , …, Sj (Ai) }, 1≤i≤m, 1≤j≤n, 则:
每一行Sj (Ai) 满足归一化条件:
i=1, 2, 3, …, m, 由于各诊断资源诊断能力不同, 所以它们对不同故障诊断都对应一个权重值, 表示该诊断方法在决策时其诊断结果对全局结果影响程度。在这权重主要包括两部分:各诊断资源可信度值R和各诊断资源能力等级G。R={r1, r2, …, rn}T, 0≤ri≤1。它根据以往诊断经验得到, 以后可以根据实际任务诊断准确率来进行相对应变化。设G={g1, g2, …, gm}, 各元素取值范围为{1, 2, 3}, 表示三个诊断等级。则权重集合为:
每行w (Ai) 满足归一化条件:
则模糊诊断融合决策表达式为:
Y中对角元素为融合计算的诊断结果, 对角线以外元素对故障决策不起作用。提取Y中对角线元素作为一级融合诊断结果:
在合成运算中简单采用一种模糊运算, 运算方式不同诊断结果也不同。这会丢失其他因素一些有用信息, 为克服这问题, 将不同模糊运算结果再进行二级模糊融合。通常有以下几种模糊运算模型[7]:
(1) M (∧, ∨) 模型。
(2) M (·, +) 模型。
(3) M (乘幂, ∧) 模型。
(4) M (∧, ⊕) 模型。
按照不同运算模型可得到不同诊断结果为:
用构造全局诊断融合矩阵O:
k为选取的不同运算模型个数。k个不同运算模型比重因子C=[c1, c2, …, ck], 与全局诊断融合矩阵O进行二次模糊变换得到最终多级融合诊断信息D:
为保留各不同运算模型的全部诊断信息, 上式模糊算子“°”采用模型M (·, +) 进行计算。
1.2 权重设计
上文已叙述如何实现模糊多级诊断融合, 在融合需求下, 首要解决问题是如何设计不同诊断资源在诊断中权重问题。诊断资源权重值在系统运行中被不断优化, 权重值大小决定于诊断结果与用户评价共同作用结果。诊断资源特别是专家诊断往往在诊断过程中加入一些主观因素, 权重值设计正好可有效消除主观因素带来的不良影响。设计时, 令所有诊断资源权重值初始化为0.5, 每次诊断结果融合完毕后, 系统会根据输出结果可信度p值和融合结果与诊断资源的局部诊断结果相似度k的大小, 提高或降低诊断资源在该诊断中权重值。为使诊断方法权重值更符合实际使用需求, 在设计对权重值不断修正环节上, 提出评价系统方法。
化工用户根据诊断结果是否能解决化工故障问题, 在客户端上对诊断结果评价, 评价等级分为: (1) 有效解决故障; (2) 部分解决故障; (3) 未能解决故障3个等级。系统根据用户评价等级, 并结合p, k值, 通过推理共同作用于诊断资源权重值。另外, 专家同样可通过查阅历史诊断案例, 对诊断结果进行评价。权重值具体修正过程如图2所示。注意, 权重修正过程增量a, b, u, v, z值大小均由用户在系统中自定义, 对于不同诊断对象, 增量值大小可能会存在一定差异。
1.3 模糊决策
求出最终诊断信息D后, 可按最大隶属、阀值和择近原则等方法进行模糊判决。为提高全局诊断精度, 将最大隶属与阀值原则结合使用的方法:
(1) 诊断故障应具有最大隶属度;2) 诊断故障隶属度应大于设定阀值, 且设定阀值α∈[0, 1], 记d0=max (di) , i=1, 2, …, n。若d0<α, 则“拒绝识别”判决, 说明提供的故障诊断信息不足, 在诊断人员补足信息之后再重新判断;若d0≥α, 则按最大隶属原则判决目标类别。 (2) 目标类别与其它类别隶属度之差必须大于设定阀值γ, 即:
阀值α, γ的确定目前没有统一理论方法, 应用最多的是对系统进行多次实际试验后结合专家经验, 通常是人为参考多次试验结果后进行比较取得。
2 诊断实例
本文对化工过程的油缸模拟故障诊断进行试验研究, 以验证所提方法正确性。设油缸有活塞杆与导套拉伤 (S1) 、液压油含有气泡造成油缸爬行 (S2) 、缸内异物堵塞 (S3) 、密封件损坏变形 (S4) 、油缸上盖开裂 (S5) 、油缸阀座漏油 (S6) 6种故障状态。将这些故障作为故障诊断集S:S={S1, S2, S3, S4, S5, S6}。实验过程中有诊断资源A1, A2, A3参与诊断:A={A1, A2, A3}。各诊断资源可信度权重为:
通过对诊断资源原始数据进行分析计算, 得到六种模拟故障与3个诊断资源间的隶属度值如表1所示。
分别用上述4种运算模型进行模糊一级融合, 根据式 (12) 得出模糊一级融合输出为:
由式 (13) 得全局诊断融合矩阵O为:
设4种运算模型的比重因子为:C=[0.10 0.15 0.350.4 0]。根据式 (14) 进行二次模糊融合诊断信息为:D=C○O=[0.2554 0.4934 0.2597 0.3022 0.2192 0.3969]。根据模糊决策原则, 根据多次试验, 结合专家经验, 设定阈值α=0.45, γ=0.05, 则d0=max (di) =d2=0.4934>0.4500 (i=1, 2, …, 6) ;d2-di>0.0500 (i≠2) 。由此得出最终诊断结果为故障S2, 液压油含有气泡造成的油缸爬行故障。
3 结语
传统模糊诊断融合常用模型M (·, +) 运算。分析局部诊断信息, 若以最大隶属度原则决策, 则误判为故障S6;若以阈值α=0.45, γ=0.05与最大隶属度结合原则决策, 则无法判断故障类型。本文提出的模糊多级诊断融合的方法得出的诊断信息D, 无论采用最大隶属度原则还是阈值α=0.45, γ=0.05与最大隶属度结合原则决策融合, 均能准确判断出实际故障S2, 使诊断鲁棒可靠性得到提高, 同时根据模糊融合方法需求提出评价系统对权重值进行修正。
摘要：为提高化工故障诊断的可靠性, 文章提出一种基于模糊多级融合的故障诊断方法, 在传统模糊信息融合故障诊断的基础上, 将各诊断方法的局部诊断结果重新融合后再进行系统的全局故障诊断, 同时根据模糊融合方法的实现需求提出评价系统, 对权重值进行修正, 从而提高故障诊断的快速性与准确性。通过实例分析表明该诊断模型的可行性。
关键词：化工故障,模糊融合,故障诊断
参考文献
[1]CHANG S Y, CHANG C T.A fuzzy-logic based fault diagnosis strategy for process control loops[J].Chemical Engineering Science, 2003 (15) :3395-3411.
[2]朱大奇, 刘永安.故障诊断的信息融合方法[J].控制与决策, 2007 (12) :1321-1328.
[3]朱大奇, 于盛林, 田裕鹏.应用模糊数据融合实现电子电路的故障诊断[J].小型微型计算机系统, 2002 (5) :633-635.
[4]刘莉, 任文举.模糊信息融合在无损检测技术中的应用研究[J].机械工程与自动化, 2006 (3) :73-77.
[5]杨广, 吴晓平.基于模糊信息融合的船舶动力装置综合故障诊断方法研究[J].船舶工程, 2007 (6) :5-8.
[6]Keller JM, Osbom J.T raining the Fuzzy Integral[J].International Journal of Approximation Reasoning, 1996 (1) :1-24.
融合诊断 第7篇
液压泵是液压系统的心脏, 对其进行有效的故障诊断是保证液压系统正常运行的关键。由于受流体的压缩性、泵与伺服系统的液固耦合作用、液压泵本身具有的固有机械振动和强噪声背景干扰的影响, 使液压泵故障特征信息呈现出模糊性。当采用振动信号进行故障分析时, 仅从单一域获取振动信号的故障特征信息存在不完备性。这两方面因素的影响给液压泵的状态监测与故障诊断带来了极大的困难[1,2,3] 。
贝叶斯网络方法是目前不确定知识表达和推理领域最有效的理论模型, 是解决模糊性问题的有效方法之一。贝叶斯网络的并行推理方式还能够提高诊断速度[4]。而多源信息融合技术能充分利用多个传感器信息, 通过对各种特征信息的合理支配与使用, 依据某种优化准则在空间和时间上把互补与冗余信息结合起来, 产生对监测环境的一致性解释或描述, 同时产生新的融合结果。利用这种技术可以大幅度地提高故障特征信息的完备性。
多源信息融合又称多传感器信息融合, 所说的传感器是广义的, 不仅包括物理意义上的各种传感器系统, 也包括与观测环境匹配的各种信息获取系统[5]。本文将提取的振动信号多个故障特征当作来自多个不同传感器的多源信息, 把每个故障特征都看成来自一个传感器。这样就可以利用多源信息融合技术进行多特征信息融合[6]。本文提出了将多源信息融合技术与贝叶斯网络相结合的故障诊断方法, 使二者优势互补, 可以在系统提供的信息具有模糊性和不完备性的前提下, 发现故障并识别故障发生的类型。
1 液压泵故障机理
本研究的被诊对象是MCY14-1B型7柱塞轴向柱塞泵。在轴向柱塞泵的诸多失效形式中, 松靴和脱靴是它最常见的故障形式。柱塞泵连续运转时, 柱塞频繁吸油和排油, 在这种交变载荷下长期工作容易造成柱塞球头和滑靴球窝的沉凹变形, 这是引起松靴故障的主要原因。柱塞泵松靴故障严重时, 柱塞将可能从滑靴中脱落造成脱靴故障, 使液压泵失效。
1.1松靴故障机理
当柱塞泵发生松靴故障时, 缸体每旋转一周, 柱塞球头与滑靴球窝在吸油区发生一次碰撞;当缸体转至排油区时高压油作用在柱塞上, 使柱塞迅速向球头方向运动, 与球窝发生第二次碰撞。缸体每旋转一周, 柱塞球头与球窝发生两次碰撞, 其振动经过传动轴和轴承传递到壳体上, 所以单个柱塞松靴故障的振动频率为转轴频率的两倍, 即[7]
f1=2n (1)
式中, n为泵的转轴频率。
1.2脱靴故障机理
当某一柱塞发生脱靴时, 缸体在旋转过程中, 该柱塞在吸油区将处于浮动状态, 而在压油区回程盘驱动滑靴对该柱塞球头有一次撞击, 所以脱靴故障的振动频率等于转轴频率, 即[8]
f2=n (2)
2 贝叶斯网络
2.1贝叶斯网络构建方法
贝叶斯网络采用有向无环图来表示随机变量的因果关系, 通过条件概率将这种关系数量化。贝叶斯网络可以用一个二元组B= (G, θ) 表示, 其中, G是有向无环图, 是对特征间依赖关系的定性说明, 由一系列节点和从父节点指向子节点的有向边构成。节点对应于问题中的特征, 有向边表示特征属性间依赖关系, 没有有向边连接表示特征间条件独立。θ是描述网络布局条件概率的参数集合, 定量地表示了各特征与其父节点的依赖关系[9]。
假定一个有限离散随机变量集合X={X1, X2, , Xn}, 其中, X1、X2、、Xn对应于网络的各节点。
贝叶斯网络构建步骤如下:
(1) 确定各故障模式及特征属性与网络节点的对应关系。
(2) 建立表征条件独立的有向无环图。依据概率乘法公式有
贝叶斯网络所描述的X上的联合概率分布可以由下式唯一确定:
式中, Ci为Xi父节点的集合。
(3) 确定节点概率分布参数。
2.2贝叶斯网络构建过程
给定特征集合U={X1, X2, X3, X4, X5, Y}, Y为故障类型集。依据贝叶斯网络的构建步骤建立特征间的贝叶斯网络。各节点的条件概率如图1所示。构建贝叶斯网络的同时也相应地得到了网络中每个节点的条件概率。
3 贝叶斯参数估计算法的多特征信息融合
根据液压泵故障信息的特点和试验条件, 搭建了基于NI数据采集系统的振动信号检测及故障诊断试验平台。检测系统的多传感器观测数据是在强噪声背景中的同一特征的测量值。为增加故障特征信息的完备性, 提高液压泵多模式故障诊断的正确率, 利用振动传感器通过虚拟仪器采集故障振动信号, 从频域和幅域两方面提取振动信号的多个故障特征, 采用贝叶斯参数估计算法进行多特征信息融合。
设某一时刻被测样本有m个状态信息Yk={Y1, Y2, , Ym}, 传感器的n个特征信息为X={X1, X2, , Xn}, 则此特征信息的测量模型是[10]
X=f (Yk) +υ (5)
式中, f (Yk) 为X与Yk的函数关系;υ为随机噪声。
信息融合算法是振动传感器n个特征信息的特征值, 用按照某种估计准则函数M (X) 估计出的状态Yk的真实值来表示。单个特征的估计计算过程如下:设其特征信息为Xi, 状态Yk的估计值为
式中, P (Xi) 为检测数据的分布概率;P (Yk|Xi) 为状态Yk的后验概率。
取风险最小的估计准则, 必须使
依据式 (7) 建立的准则, 单个特征信息的最大后验概率最优估计值为
在系统中加入n-1个独立的特征信息后, 最大后验概率估计值的算法与单个特征信息时是一致的。因此, n个特征信息的融合值为
至此, 多特征信息融合问题就转化为如何得到状态Yk的后验概率P (Yk|X) 的问题, 并找到相应的最大后验估计值。
4 贝叶斯分类器设计
4.1两种故障模式的贝叶斯分类器
设Yl={Y1, Y2}, X={X1, X2, , Xn}, 其中Yl表示故障模式类别, X表示特征信息空间[11]。
定义判别函数为
g (y) =g1 (y) -g2 (y) (10)
g1 (y) =P (Y1|X) P (X)
g2 (y) =P (Y2|X) P (X) (11)
将分类规则表示为g (y) >0属于Y1类;g (y) <0属于Y2类;g (y) =0表示的是分类决策面方程, X为n维空间时, 决策面为n维超平面, 满足此方程则为故障误判。
构建各特征属性间相互条件独立的贝叶斯网络, 并通过朴素贝叶斯 (naive Bayesian, NB) 分类方法简化式 (11) , 得
两种故障模式的分类器可以看作只是计算判别函数g (y) 的一个“机器”, 它根据计算结果符号对X分类。
4.2多种故障模式的贝叶斯分类器
对提取的故障特征进行信息融合后, 根据贝叶斯定理X={X1, X2, , Xn}, 属于类Yj的概率为
α P (Yj) P (X1, X2, , Xn|Yj) (13)
式中, α为正则化因子, α=1/P (X1, X2, , Xn) ;P (Yj) 为类Yj的先验概率。
式 (13) 还可以表示为
将式 (14) 代入式 (9) 中得
由此采用NB分类器, 假定特征属性间相互条件独立, 每个属性节点Xi与故障类节点Y相关联, 这种假定以指数级降低了贝叶斯网络构建的复杂性。因此式 (15) 又可以表示为[12]
通过式 (16) 计算出最大后验估计值, 相对应的Yj类为诊断后得出的故障类型。
5 基于多特征信息融合贝叶斯网络的故障诊断方法
利用贝叶斯参数估计算法将故障特征进行有效融合, 增加信息的完备性, 为故障的正确诊断提供丰富、可靠的先验知识。利用贝叶斯网络方法构建特征与故障模式之间的联系, 通过建立NB分类器消除故障特征模糊性的影响并简化信息融合结果。最后, 通过最大后验概率估计值的比较得出诊断结论。诊断流程图如图2所示。
其诊断过程为:
(1) 设计液压泵故障模式, 在液压泵出油口安置振动传感器。利用试验平台采集各故障振动信号;
(2) 对采集的信号进行小波消噪处理;
(3) 提取小波包分解的频域和幅域的特征信息并进行模糊C平均 (fuzzy C-means, FCM) 算法的聚类离散化处理;
(4) 利用贝叶斯参数估计的算法对故障特征信息进行多特征信息融合;
(5) 根据故障特征信息与故障模式之间的联系, 运用训练样本构建贝叶斯网络;
(6) 通过贝叶斯网络建立NB分类器, 对信息融合结果进行简化。并利用最大后验概率估计值的计算结果识别故障发生的类型。
6 实验分析
本实验是在材料试验机液压伺服系统试验平台上完成的, 选取MCY14-1B型号轴向柱塞泵为研究对象, 电机额定转速为1500r/min。对泵壳的振动信号进行采集。其试验台如图3所示。实验分三次进行。
6.1第一次实验
人为设计轴向柱塞泵单柱塞脱靴故障和正常工作状态两种模式进行故障诊断分析。主溢流阀压力调定为15MPa, 采样频率为1000Hz, 每次采集时间为1s, 采样1000个点。对采集的信号利用db5小波进行三层小波分析消噪处理, 再利用db5小波进行六层小波包分解, 提取出各频带能量信息表示的特征属性。从采样频率可知分析频率为500Hz, 各能量特征对应的频带如表1所示[13]。
选取110组数据作为试验样本, 80组为训练样本 (40组正常样本, 40组故障样本) , 30组为测试样本 (20组正常样本, 10组故障样本) 。将全部训练样本数据利用FCM算法进行聚类离散化处理[14], 用训练样本构造贝叶斯网络, 采用4.1节的知识建立NB分类器。其网络结构如图4所示。正常状态用Y1表示, 脱靴故障用Y2表示。
利用其中一个状态为Y1的测试样本{0, 0, 1, 2, 2, 2, 1}说明诊断过程。两种故障模式的先验概率取为P (Y1) =0.8, P (Y2) =0.2, 其条件概率P (di|Yj) 和P (a6|Yj) (i=1, 2, , 6, j=1, 2) 如表2所示。
将得出的结果代入式 (12) 中得到g (y) =g1 (y) -g2 (y) =1.166910-5>0, 由此判断此样本为Y1状态样本, 诊断结果与测试样本的状态相一致。
重复上述过程, 对测试样本进行逐一验证, 结果正常样本共19个诊断正确, 1个诊断错误, 正确率为95%, 其中的10个故障样本全部诊断正确, 确诊率为100%。这说明在只有两种故障模式的条件下, 单从小波包分解的频域方面提取振动信号的故障特征, 通过贝叶斯网络就能准确地诊断故障。
6.2第二次实验
此次实验增加了轴向柱塞泵松靴的多种故障及配流盘磨损故障, 其故障类型如表3所示。
选取480组数据作为实验样本, 其中320组为训练样本 (每种故障类型有40组样本) , 160组为测试样本 (每种故障类型有20组样本) 。采用与第一次实验相同的特征提取方法, 利用4.2节的多故障模式贝叶斯分类器故障诊断方法进行分析, 中间计算过程略去, 得到的诊断结果如表4所示。
从表4中可以看出, 增加故障模式后故障诊断的正确率明显下降。但是随着松靴柱塞数量的增加, 诊断的正确率有显著的上升趋势。这说明松靴柱塞数量越多, 故障与正常振动信号的频域特征区别越大。从以上分析来看, 单从小波包分解的频域方面提取的故障特征信息存在明显的不完备性, 综合故障诊断率低。当松靴柱塞增多时, 虽然有故障特征模糊性的影响, 但是贝叶斯网络的故障诊断方法仍然能得到较高的正确率, 这充分说明贝叶斯网络方法能够有效地消除故障特征模糊性的影响。为消除特征信息不完备性的影响, 提高综合诊断的正确率, 下面采用多特征信息融合的方法进行实验。
6.3第三次实验
本实验的故障模式选取与第二次实验相同 (表3) 。调定主溢流阀的压力为15MPa, 采样频率为1000Hz, 每次采样时间为1s。对采集的振动信号利用db5小波进行三层小波消噪处理。经第二次实验证实, 利用第一次实验的特征提取方法不能满足对多故障模式的故障诊断要求, 单从小波包分解获取的频域信息来反映多故障模式的状态是不完整的。如果从多方面获得振动传感器的多维特征信息加以综合利用, 就能对系统进行更可靠更精确的监测与诊断。由此, 本次实验从振动信号中提取小波包分解的频域和幅域共12个特征信息, 将这些信息当作来自多个传感器的多源信息, 通过贝叶斯参数估计算法将多特征信息进行有效的融合, 融合过程如图5所示。
采用db5小波包进行六层分解得到各频带能量值表示的特征信息有:d1～d6能量特征, 对应各层的高频细节, a6能量特征, 对应第六层的低频逼近。
幅域量纲一参数表示的特征信息有[15]:
波形因子
上述公式中, 均值
利用上述特征提取过程得到每种故障类型60组样本, 样本总数为480组。将全部样本通过FCM算法进行聚类离散化, 每种故障类型取出40组作为训练样本, 由此得到训练样本320组, 其余160组作为测试样本。样本的部分信息如表5所示。
首先, 采用贝叶斯参数估计算法进行多特征信息融合;其次, 利用构造的贝叶斯网络 (图6) 建立NB分类器, 并简化信息融合结果;最后, 用测试样本计算最大后验估计值对柱塞泵进行故障诊断检验。
其中某个故障类型为Y3的测试样本{1, 1, 0, 2, 1, 2, 0, 1, 1, 2, 0, 1}的诊断过程如下:由式 (14) 得
P (Yj|X1, X2, , X12) =
α P (Yj) P (X1|Yj) P (X12|Yj)
进而得到
P (Y1|X1, X2, , X12) =8.80810-15α
︙
P (Y8|X1, X2, , X12) =5.13210-15α
由
根据表6的数据, 通过贝叶斯参数估计信息融合算法的简化结果式 (16) , 计算出的最大后验估计值为
从表7的诊断结果可以看出, 信息融合后的故障特征完备性得到了加强, 诊断的正确率与未经过信息融合的故障诊断相比较有了大幅度提高。
6.4实验的结果分析
从三次实验的结果来看, 第一次实验单独从频域获取特征信息进行贝叶斯网络的故障诊断, 能很好地区分两种故障模式。增加了故障模式后进行第二次实验, 用第一次实验的方法判断故障, 结果表明诊断正确率过低, 不能满足故障诊断的要求。通过对前两次实验的比较可以断定:单独从频域方面进行特征提取, 使得故障特征信息存在明显的不完备性。为此, 在第三次实验中引入了多特征信息融合方法, 从小波包分解的频域和幅域两方面获取振动传感器的多特征信息, 并利用贝叶斯参数估计算法进行了有效融合, 增加了故障特征信息的完备性。从实验的结果来看, 故障诊断的正确率有了明显的提高。由此, 验证了多特征信息融合的贝叶斯网络故障诊断方法对液压泵故障诊断的有效性。
7 结论
(1) 针对柱塞泵的特点和检测条件提出了多特征信息融合技术与贝叶斯网络相结合的故障诊断方法。通过实验证明, 这两种方法的结合能够消除液压泵故障特征模糊性和不完备性的影响。
(2) 根据多源信息融合的广义定义, 将振动信号的多个故障特征信息当作多个不同传感器的多源信息。提出了基于贝叶斯参数估计算法的多特征信息融合方法。
(3) 实验结果表明, 该方法能够对柱塞泵进行有效的故障诊断, 并且可以推广到其他旋转机械的故障诊断中, 具有较为广阔的应用前景。
融合诊断范文
声明：除非特别标注，否则均为本站原创文章，转载时请以链接形式注明文章出处。如若本站内容侵犯了原著者的合法权益，可联系本站删除。
