多源時(shí)域頻域數(shù)據(jù)融合故障診斷方法

1、多源時(shí)域頻域數(shù)據(jù)融合故障診斷方法及其應(yīng)用李明，吳志鵬，牛美英(邢臺(tái)職業(yè)技術(shù)學(xué)院，河北 邢臺(tái)054035)摘要：介紹并構(gòu)建了故障特征向量，給出了一種多源時(shí)域頻域數(shù)據(jù)融合故障診斷方法，用神經(jīng)網(wǎng)絡(luò)給出了基本概率分配， 證據(jù)理論融合各傳感器的信號(hào)而得診斷結(jié)果。對(duì)液壓泵進(jìn)行了試驗(yàn)，結(jié)果表明，該診斷系統(tǒng)充分利用了多源數(shù)據(jù)的冗余互 補(bǔ)信息，提高了診斷的可靠性和準(zhǔn)確性，降低了診斷的不確定性。關(guān)鍵詞：故障診斷；多源數(shù)據(jù)融合；時(shí)域頻域；S證據(jù)理論中圖分類號(hào)：TP302.8Multi-source Time and Frequency Domain Data Fusion Fault Diagnosis Metha

2、ddIts ApplicationLi Ming, Wu Zhi-peng , Niu Mei-ying(Xingtai Vocational and Technical College, Xingtai, Hebei 054035)Abstract: This paper introduces and builds fault feature vectors, basic probability assignment functions are gained neuronal networks, diagnosed results is the output of evidence theo

3、ry module which fused multi-source time and frequency domain. The fault diagnosis system is tested on the hydraulic pump, it is shown from the result of the experiment: the system uses fully redundant complementary information of multi-source data， it improves the reliability and exact ratio of faul

4、t diagnosis, and decreases the uncertainty.Keywords: fault diagnosis; multi-data fusion; time-domain analysis; D-S evidence theoryV F士可近似計(jì)算為在故障診斷實(shí)踐中發(fā)現(xiàn)，僅利用設(shè)備單方面的故 障特征信息進(jìn)行故障診斷，具有不確定性，甚至有些 結(jié)果不可靠，只有綜合合理利用設(shè)備多方面的故障信 息，才能實(shí)現(xiàn)對(duì)設(shè)備全面而準(zhǔn)確的診斷，知-S證據(jù) 理論是一種利用多源信息來(lái)進(jìn)行決策的方法，故其在 故障診斷領(lǐng)域的應(yīng)用受到普遍關(guān)注，2。2故障特征向量2.1時(shí)間特征量故障診斷常用的時(shí)域

5、參數(shù)分有量綱的參數(shù)和無(wú) 量綱的參數(shù)，有量綱的參數(shù)主要有峰值、均方根值、 絕對(duì)均值、方差等3。峰值是信號(hào)可能出現(xiàn)的最大瞬時(shí)值，表示為 TOC o 1-5 h z Xp = max L (t )1(1)均方根值反映信號(hào)的功率大小，定義為x = j +m x2 p (x )d x(2)nWi-8可近似計(jì)算為x = |1 j T x2(t)d t(3)絕對(duì)均值定義為0 x = j +8 x p (x )d x(4)11-8x = T jT lx(t)ldt(5)方差描述信號(hào)偏離中心趨勢(shì)的波動(dòng)程度，它是信 號(hào)的動(dòng)態(tài)分量，方差定義為2 = j*8 (x - H )2 p(x)dx(6)x-8x式中hx均值

6、可近似計(jì)算為2 = T fr (x(t) - H)2dt(7)因有量綱的特征參數(shù)隨載荷的變化波動(dòng)很大，在 實(shí)際中難以應(yīng)用，對(duì)其進(jìn)行歸一化處理可得無(wú)量綱的 數(shù)字特征參數(shù):波形指標(biāo)S、峰值指標(biāo)。、脈沖指標(biāo)I、 峪度L和峭度指標(biāo)K等，它們分別定義如下S = rm s(8)xavC = pXrm sXI = rXav(10)XL = pXr(11)j+8 x4p(x)dxK =-8j+8 x2p(x)dx2(12)-8其中X為方根幅值。r1.2頻域特征量頻域特征參數(shù)選用各分解頻帶的信號(hào)能量占總 能量的百分比。將故障信號(hào)經(jīng)小波簇包絡(luò)解調(diào)，解 調(diào)后的信號(hào)用db20小波進(jìn)行3層小波包分解，這樣在 尺度3上形

7、成了23 = 8個(gè)頻帶。小波包分解樹(shù)如圖1 所示，d(0,0)表示原始信號(hào)，d(j,k)表示小波包分解 第j層第k個(gè)頻帶的小波包系數(shù)。d(3,0) d(3,1) d(3,2) d(3,3)d(3,4) d(3,5) d(3,6) d(3,7)圖1小波包分解示意圖對(duì)各小波包系數(shù)進(jìn)行重構(gòu)，提取各頻帶范圍的信 號(hào)，求各頻帶信號(hào)的能量E3k (k = 0,1, 2,.,7)和總 能量E，以求得各分解頻帶的勺信號(hào)能量E3k占總能量 E的百分比。1.3特征向量選取選用對(duì)時(shí)域特征參數(shù)：波形指標(biāo)S、峰值指標(biāo)C、 脈沖指標(biāo)I、峪度L和峭度指標(biāo)K。頻域特征參數(shù)選用 7個(gè)分解頻帶的信號(hào)能量占總能量的百分比，由此2

8、個(gè)特征量構(gòu)成特征向量。3多源時(shí)域頻域數(shù)據(jù)融合故障診斷系統(tǒng)圖2融合診斷系統(tǒng)原理多源時(shí)域頻域數(shù)據(jù)融合故障診斷系統(tǒng)包括三大 模塊：數(shù)據(jù)級(jí)融合模塊、特征級(jí)局部診斷模塊及決策 級(jí)D-S證據(jù)理論的融合診斷模塊。該系統(tǒng)的原理如圖 2所示。3.1數(shù)據(jù)級(jí)融合模塊數(shù)據(jù)級(jí)融合模塊主要進(jìn)行多傳感器數(shù)據(jù)采集及 特征提取。為進(jìn)行故障診斷，所需要的信息通過(guò)多傳 感器從被診對(duì)象的狀態(tài)檢測(cè)獲取，經(jīng)過(guò)相關(guān)的轉(zhuǎn)換電 路將信號(hào)輸入到故障診斷計(jì)算機(jī)。3.2特征級(jí)局部診斷模塊特征級(jí)局部診斷方法有很多，神經(jīng)網(wǎng)絡(luò)、貝葉斯 理論、D-S證據(jù)理論等5是常用的方法。這里，采用 個(gè)結(jié)構(gòu)相同的BP神經(jīng)網(wǎng)絡(luò)，每個(gè)神經(jīng)網(wǎng)絡(luò)都是最基 本的三層BP算法，網(wǎng)絡(luò)

9、誤差設(shè)定為0.005。BP網(wǎng)絡(luò) 的缺點(diǎn)是收斂速度慢和容易陷入局部極小。由于此網(wǎng) 絡(luò)的誤差要求不高，因此，可較好地避地P網(wǎng)絡(luò)缺 點(diǎn)，不易陷入局部極小，且學(xué)習(xí)訓(xùn)練速度較快。3.3決策級(jí)D-S證據(jù)理論的融合診斷模塊此模塊以特征級(jí)并行局部診斷模塊給出對(duì)不同 狀態(tài)的基本概率分配為輸入，利用D-S證據(jù)理論中的 證據(jù)組合公式將局部診斷結(jié)果進(jìn)行融合，得到最終的 診斷結(jié)果。在命題a的一個(gè)識(shí)別框架0中，有集函數(shù) m :20 0,1滿足F m(A) = 1(13)1冬0 m () = 0則稱m(a)為A在框架。上的mass函數(shù)，也稱基本概率分配，表示對(duì)A的精確信任程度。對(duì)于命題a，其信任函數(shù)定義為Bel (A) =

10、 S m (B), VA c 0(14)B c A其似然函數(shù)定義為Bel (A) = S m (B), VA c 0(15)B c A擬信區(qū)間支持證據(jù)區(qū)間.,A日不確定區(qū)間 恤十拒絕證據(jù)區(qū)間.0Bel (A)Pls (A)1圖3 D-S證據(jù)理論中證據(jù)區(qū)間的描述圖3為D-S證據(jù)理論中證據(jù)區(qū)間的描述。系統(tǒng)進(jìn) 行決策時(shí)，將在區(qū)間(Pls (A), Bel (A)中選取一個(gè)數(shù)值 作為對(duì)命題A的最終信度，所有候選命題中信度最高 者即為決策結(jié)果。對(duì)同一命題，不同的決策規(guī)則會(huì)產(chǎn) 生不同的信度。若A c0且m (A) 0，則稱A為焦元，設(shè) m, m之,., m是同一識(shí)別框架9上的基本可信度分配， 焦元分別為A

11、 , A , , A和B , B , , B，設(shè) 12k12nS m (A )Dm (B )Dm (C ). 1(16)a nb nc 0“.=8(17)(18)數(shù)據(jù)源m(f)mf)mf)mf)結(jié)果數(shù)據(jù)10.0590.5950.1750.171f數(shù)據(jù)20.1010.5000.0500.349f數(shù)據(jù)30.1660.6030.1710.060f數(shù)據(jù)40.0620.6170.1660.155f數(shù)據(jù)50.0490.4100.0540.487不確定數(shù)據(jù) 50.183 | 0.650 | 0.102 | 0.065 |f2表3噪聲信息神經(jīng)網(wǎng)絡(luò)輸出結(jié)腳成)y(A) = X m (A )Dm (B )2(C

12、).A,nB,n c n=A那么，合成后的mass函數(shù)m :2 Oto,：1如下所示0, a =。m(A) = y(A)i , a 力 e1- K其中，K稱為不確定因子，反映了證據(jù)沖突的程度。系數(shù)項(xiàng)-K)稱為歸一化因子。y(A)稱為mass函數(shù)的影響因子。4試驗(yàn)研究4.1試驗(yàn)系統(tǒng)采用如圖5所示的試驗(yàn)系統(tǒng)，以系統(tǒng)中的液壓泵 作為診斷對(duì)象。液壓泵常見(jiàn)故障有：缸體與配流盤磨 損、柱塞與缸體磨損、軸承磨損。為此可以構(gòu)建故障 識(shí)別框架為正常狀f 缸體與配流盤磨損R、柱 塞與缸體磨損f)和軸承磨損旗)。圖5故障診斷試驗(yàn)系統(tǒng)原理圖4.2試驗(yàn)研究采用模擬缸體與配流盤磨損作為被診故障，采集 泵在5MPa時(shí)250

13、組正常和故障數(shù)據(jù)，其中200組數(shù) 據(jù)作為神經(jīng)網(wǎng)絡(luò)訓(xùn)練數(shù)據(jù)，另50組數(shù)據(jù)作為診斷數(shù) 據(jù)。表1、表2和表3是其中5組數(shù)據(jù)對(duì)應(yīng)的神經(jīng)網(wǎng) 絡(luò)診斷結(jié)果，表4是經(jīng)證據(jù)理論融合的結(jié)果。表1壓力信息神經(jīng)網(wǎng)絡(luò)輸出結(jié)福饋)數(shù)據(jù)源m(f)m(f)mf)m(f)結(jié)果數(shù)據(jù)10.1850.6280.1250.062f2數(shù)據(jù)20.2280.5960.1160.060f數(shù)據(jù)30.0350.2910.3470.327不確定數(shù)據(jù)40.0930.3530.5040.050f數(shù)據(jù)50.1520.6870.0690.092f表2振動(dòng)信息神經(jīng)網(wǎng)絡(luò)輸出結(jié)福饋)數(shù)據(jù)源mf)m(f)mf)mf)結(jié)果數(shù)據(jù)10.4070.3490.2030.04

14、1不確定數(shù)據(jù)20.3030.4570.0450.195不確定數(shù)據(jù)30.0600.5990.1050.236f數(shù)據(jù)40.0720.7160.0880.124表4證據(jù)理論融合結(jié)果m數(shù)據(jù)源mf)m(Qmf)mf)結(jié)果數(shù)據(jù)10.0490.8070.0890.055f2數(shù)據(jù)20.0700.7680.0160.146f數(shù)據(jù)30.0430.8370.0770.043f數(shù)據(jù)40.0150.8800.0630.042f數(shù)據(jù)50.0220.7950.0190.164_f_表1、表2和表3都是用單一信號(hào)源來(lái)診斷故障， 都存在無(wú)法決策的情況，即使能決策，但此時(shí)對(duì)的 支持率低；表4是利用三個(gè)信號(hào)源融合后進(jìn)行診斷故 障，

15、都能判斷是發(fā)生了故障2,而且對(duì)其支持率高。 可看出，僅利用單一信號(hào)源進(jìn)行故障診斷，可信度不 高，具有不確定性，甚至有時(shí)不能決策，但是利用設(shè) 備多信號(hào)源進(jìn)行故障診斷，充分了利用各信號(hào)源的冗 余互補(bǔ)信息，能大大提高診斷的可信度和準(zhǔn)確性。5結(jié)論利用多個(gè)時(shí)域特征量和多個(gè)頻域特征量構(gòu)建 故障特征量，能較全面反映系統(tǒng)狀態(tài)。多源時(shí)域頻域數(shù)據(jù)融合故障診斷方法利用證 據(jù)理論進(jìn)行決策級(jí)融合，提高了診斷準(zhǔn)確度，降低了 診斷的不確定性，試驗(yàn)結(jié)果表明，該故障診斷方法是 有效的。參考文獻(xiàn)：謝春麗，夏虹，劉永闊.多傳感器數(shù)據(jù)融合技術(shù)在故 障診斷中的應(yīng)用J.傳感器技術(shù)，2004 23(4), 67-69Otman Basr,

16、 Xiaohong YUan. Engine fault diagnoss based on mult-sensor informatin fusion using Dempster-Shafervidence theory InformationFusion J, 2007, 8(4), 379-386Shengqiang Wu, Wanlu Jiang. Study on data fusion faulty diagnosis method of hydraulic pump based on time-domain analysis C. 7th International Conference on Fluid Power Transmision and Contr