多源時域頻域數據融合故障診斷方法

1、多源時域頻域數據融合故障診斷方法及其應用李明，吳志鵬，牛美英(邢臺職業(yè)技術學院，河北 邢臺054035)摘要：介紹并構建了故障特征向量，給出了一種多源時域頻域數據融合故障診斷方法，用神經網絡給出了基本概率分配， 證據理論融合各傳感器的信號而得診斷結果。對液壓泵進行了試驗，結果表明，該診斷系統(tǒng)充分利用了多源數據的冗余互 補信息，提高了診斷的可靠性和準確性，降低了診斷的不確定性。關鍵詞：故障診斷；多源數據融合；時域頻域；S證據理論中圖分類號：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士可近似計算為在故障診斷實踐中發(fā)現(xiàn)，僅利用設備單方面的故 障特征信息進行故障診斷，具有不確定性，甚至有些 結果不可靠，只有綜合合理利用設備多方面的故障信 息，才能實現(xiàn)對設備全面而準確的診斷，知-S證據 理論是一種利用多源信息來進行決策的方法，故其在 故障診斷領域的應用受到普遍關注，2。2故障特征向量2.1時間特征量故障診斷常用的時域

5、參數分有量綱的參數和無 量綱的參數，有量綱的參數主要有峰值、均方根值、 絕對均值、方差等3。峰值是信號可能出現(xiàn)的最大瞬時值，表示為 TOC o 1-5 h z Xp = max L (t )1(1)均方根值反映信號的功率大小，定義為x = j +m x2 p (x )d x(2)nWi-8可近似計算為x = |1 j T x2(t)d t(3)絕對均值定義為0 x = j +8 x p (x )d x(4)11-8x = T jT lx(t)ldt(5)方差描述信號偏離中心趨勢的波動程度，它是信 號的動態(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、可近似計算為2 = T fr (x(t) - H)2dt(7)因有量綱的特征參數隨載荷的變化波動很大，在 實際中難以應用，對其進行歸一化處理可得無量綱的 數字特征參數:波形指標S、峰值指標。、脈沖指標I、 峪度L和峭度指標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選用各分解頻帶的信號能量占總 能量的百分比。將故障信號經小波簇包絡解調，解 調后的信號用db20小波進行3層小波包分解，這樣在 尺度3上形

7、成了23 = 8個頻帶。小波包分解樹如圖1 所示，d(0,0)表示原始信號，d(j,k)表示小波包分解 第j層第k個頻帶的小波包系數。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各小波包系數進行重構，提取各頻帶范圍的信 號，求各頻帶信號的能量E3k (k = 0,1, 2,.,7)和總 能量E，以求得各分解頻帶的勺信號能量E3k占總能量 E的百分比。1.3特征向量選取選用對時域特征參數：波形指標S、峰值指標C、 脈沖指標I、峪度L和峭度指標K。頻域特征參數選用 7個分解頻帶的信號能量占總能量的百分比，由此2

8、個特征量構成特征向量。3多源時域頻域數據融合故障診斷系統(tǒng)圖2融合診斷系統(tǒng)原理多源時域頻域數據融合故障診斷系統(tǒng)包括三大 模塊：數據級融合模塊、特征級局部診斷模塊及決策 級D-S證據理論的融合診斷模塊。該系統(tǒng)的原理如圖 2所示。3.1數據級融合模塊數據級融合模塊主要進行多傳感器數據采集及 特征提取。為進行故障診斷，所需要的信息通過多傳 感器從被診對象的狀態(tài)檢測獲取，經過相關的轉換電 路將信號輸入到故障診斷計算機。3.2特征級局部診斷模塊特征級局部診斷方法有很多，神經網絡、貝葉斯 理論、D-S證據理論等5是常用的方法。這里，采用 個結構相同的BP神經網絡，每個神經網絡都是最基 本的三層BP算法，網絡

9、誤差設定為0.005。BP網絡 的缺點是收斂速度慢和容易陷入局部極小。由于此網 絡的誤差要求不高，因此，可較好地避地P網絡缺 點，不易陷入局部極小，且學習訓練速度較快。3.3決策級D-S證據理論的融合診斷模塊此模塊以特征級并行局部診斷模塊給出對不同 狀態(tài)的基本概率分配為輸入，利用D-S證據理論中的 證據組合公式將局部診斷結果進行融合，得到最終的 診斷結果。在命題a的一個識別框架0中，有集函數 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，也稱基本概率分配，表示對A的精確信任程度。對于命題a，其信任函數定義為Bel (A) =

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

11、 , A , , A和B , B , , B，設 12k12nS m (A )Dm (B )Dm (C ). 1(16)a nb nc 0“.=8(17)(18)數據源m(f)mf)mf)mf)結果數據10.0590.5950.1750.171f數據20.1010.5000.0500.349f數據30.1660.6030.1710.060f數據40.0620.6170.1660.155f數據50.0490.4100.0540.487不確定數據 50.183 | 0.650 | 0.102 | 0.065 |f2表3噪聲信息神經網絡輸出結腳成)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，反映了證據沖突的程度。系數項-K)稱為歸一化因子。y(A)稱為mass函數的影響因子。4試驗研究4.1試驗系統(tǒng)采用如圖5所示的試驗系統(tǒng)，以系統(tǒng)中的液壓泵 作為診斷對象。液壓泵常見故障有：缸體與配流盤磨 損、柱塞與缸體磨損、軸承磨損。為此可以構建故障 識別框架為正常狀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故障診斷試驗系統(tǒng)原理圖4.2試驗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250

13、組正常和故障數據，其中200組數 據作為神經網絡訓練數據，另50組數據作為診斷數 據。表1、表2和表3是其中5組數據對應的神經網 絡診斷結果，表4是經證據理論融合的結果。表1壓力信息神經網絡輸出結福饋)數據源m(f)m(f)mf)m(f)結果數據10.1850.6280.1250.062f2數據20.2280.5960.1160.060f數據30.0350.2910.3470.327不確定數據40.0930.3530.5040.050f數據50.1520.6870.0690.092f表2振動信息神經網絡輸出結福饋)數據源mf)m(f)mf)mf)結果數據10.4070.3490.2030.04

14、1不確定數據20.3030.4570.0450.195不確定數據30.0600.5990.1050.236f數據40.0720.7160.0880.124表4證據理論融合結果m數據源mf)m(Qmf)mf)結果數據10.0490.8070.0890.055f2數據20.0700.7680.0160.146f數據30.0430.8370.0770.043f數據40.0150.8800.0630.042f數據50.0220.7950.0190.164_f_表1、表2和表3都是用單一信號源來診斷故障， 都存在無法決策的情況，即使能決策，但此時對的 支持率低；表4是利用三個信號源融合后進行診斷故 障，

15、都能判斷是發(fā)生了故障2,而且對其支持率高。 可看出，僅利用單一信號源進行故障診斷，可信度不 高，具有不確定性，甚至有時不能決策，但是利用設 備多信號源進行故障診斷，充分了利用各信號源的冗 余互補信息，能大大提高診斷的可信度和準確性。5結論利用多個時域特征量和多個頻域特征量構建 故障特征量，能較全面反映系統(tǒng)狀態(tài)。多源時域頻域數據融合故障診斷方法利用證 據理論進行決策級融合，提高了診斷準確度，降低了 診斷的不確定性，試驗結果表明，該故障診斷方法是 有效的。參考文獻：謝春麗，夏虹，劉永闊.多傳感器數據融合技術在故 障診斷中的應用J.傳感器技術，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