陳　軼，楊　奕，包輝慧，陸艷娟，張　燁

(南通大學(xué) 電氣工程學(xué)院，江蘇 南通 226019)

?

基于多傳感器信號分析的故障診斷*

陳軼，楊奕，包輝慧，陸艷娟，張燁

(南通大學(xué) 電氣工程學(xué)院，江蘇 南通 226019)

為解決復(fù)雜環(huán)境中難以診斷的機(jī)械故障，以振動信號和溫度、壓力等測量信號為基礎(chǔ)，建立一種基于多種傳感器信號分析的故障診斷模型。針對振動信號，采用小波包對原始振動信號進(jìn)行分解，提取特征值組成原始特征向量，然后采用粗糙集方法對原始特征向量進(jìn)行特征約簡，將約簡后的分類規(guī)則作為對向神經(jīng)網(wǎng)絡(luò)的訓(xùn)練集。針對溫度、壓力等測量信號，將各個(gè)傳感器測量的數(shù)據(jù)融合形成特征向量，利用遺傳算法優(yōu)化的BP神經(jīng)網(wǎng)絡(luò)對其進(jìn)行訓(xùn)練和模式識別。最后對這兩類信號的診斷結(jié)果進(jìn)行融合，構(gòu)成了一種復(fù)合故障診斷模型。實(shí)驗(yàn)證明，該診斷模型有較高診斷精度和準(zhǔn)確度。

小波包；粗糙集；神經(jīng)網(wǎng)絡(luò)；信息融合；故障診斷

0　引言

故障診斷方法是在檢測基礎(chǔ)上發(fā)展起來的一整套方法，不同的故障診斷方法雖然不同，但其大體實(shí)施過程基本相同[1]。隨著計(jì)算機(jī)技術(shù)及數(shù)字信號處理技術(shù)的快速發(fā)展，機(jī)械設(shè)備也更為大型化和復(fù)雜化。因此，當(dāng)機(jī)械設(shè)備發(fā)生故障時(shí)，其故障原因及故障點(diǎn)就更難以確定。面對某些場合，單一的智能故障診斷技術(shù)無法做到精確的判斷故障產(chǎn)生的原因，有些甚至進(jìn)行了誤診斷。

文獻(xiàn)[2]提出針對大型復(fù)雜機(jī)械設(shè)備故障的不確定性、復(fù)雜性、多故障并發(fā)性等，運(yùn)用智能技術(shù)之間的互補(bǔ)性，提出混合智能診斷技術(shù)，能夠有效地提高診斷系統(tǒng)的敏感性、魯棒性、精確性。同時(shí)，大量的學(xué)者對混合智能故障診斷技術(shù)進(jìn)行了研究。王曉曉等人[3]提出了基于粒子群算法和神經(jīng)網(wǎng)絡(luò)的混合智能方法用于診斷蒸汽輪機(jī)故障; Zhu等人[4]提出了基于粗糙集和人工神經(jīng)網(wǎng)絡(luò)的特征約簡混合智能方法解決了單一智能方法難以處理復(fù)雜系統(tǒng)故障診斷的問題。國內(nèi)外在多智能故障診斷研究方面取得了較大的進(jìn)展。然而，目前混合智能故障診斷技術(shù)大多注重方法的優(yōu)化與結(jié)合，忽視了信號來源的重要性，造成診斷信息的不完備。信號的豐富性可以幫助掌握機(jī)械設(shè)備的狀態(tài)，對后期機(jī)械設(shè)備狀態(tài)的判別起到了決定性的作用，能更好地避免誤診和漏診。

為此，本文研究了一種基于多傳感器信號分析的故障診斷方法。獲取多種傳感器信號可以有助于全方面掌握機(jī)械運(yùn)行狀態(tài)，并且針對不同信號形式，利用多種混合智能診斷算法，能夠更為精確地診斷出機(jī)械故障。

1　基于多信號的故障判別

本文以某空氣源熱泵DKFXRS-71Ⅱ機(jī)組的振動信號和溫度、壓力等測量信號為基礎(chǔ)，利用不同的分析和診斷方法對信號進(jìn)行識別，最后將不同信號的診斷結(jié)果進(jìn)行融合。這種故障診斷方法可以提高故障診斷的能力，解決復(fù)雜環(huán)境而難以診斷的機(jī)械故障。圖1是本文建立的故障診斷模型。

圖1　多傳感器故障診斷模型

1.1故障信號的檢測

機(jī)械設(shè)備的一些參數(shù)會反映出機(jī)械可能存在的故障，如溫度、壓力、流量等參數(shù)，這些參數(shù)可以使用傳感器的測量獲得。測量儀表如壓力表、溫度計(jì)、液位計(jì)?？諝庠礋岜脙?nèi)部主要由壓縮機(jī)、冷凝器、熱膨脹閥和蒸發(fā)器四個(gè)核心部件組成，如圖2所示。

圖2　熱泵機(jī)組工作原理

采集的信號主要有熱電偶信號和開關(guān)信號。在采集各類信號中，熱電偶用來測量水箱溫度、回水溫度、出水溫度、環(huán)境溫度、盤管溫度以及排氣溫度；開關(guān)輸入量包括水流開關(guān)、水壓開關(guān)、高壓開關(guān)、低壓開關(guān)、高水位開關(guān)、低水位開關(guān)和啟停連鎖開關(guān)；開關(guān)輸出量包括水箱補(bǔ)水閥、水箱電加熱，曲軸箱電加熱、風(fēng)機(jī)、壓縮機(jī)、回水泵、進(jìn)水閥、四通閥、恒溫水泵和故障輸出。通過對上述參數(shù)的檢測，可對機(jī)組的運(yùn)行狀態(tài)進(jìn)行診斷，查找故障發(fā)生的原因。

機(jī)械設(shè)備在運(yùn)行過程中產(chǎn)生的振動和噪音及其特征信息是反映機(jī)械設(shè)備及其運(yùn)行狀態(tài)變化的主要信號。機(jī)組的振動信號的檢測可以利用電渦流傳感器，電渦流傳感器是一種相對式非接觸式傳感器，通過傳感器端部與被測物體之間的距離變化來測量物體的振動位移或幅值。電渦流傳感器的優(yōu)點(diǎn)：頻率范圍寬，靈敏度高、線性工作范圍大以及非接觸式測量等。獲取振動信號后，其中的關(guān)鍵技術(shù)是通過對振動和噪音信號的分析處理提取機(jī)械故障特征信息。

1.2基于振動信號的故障判別

振動信號常用分析方法有傅里葉變換、小波分析和小波包分析。傅里葉變換是一種整體變換，處理時(shí)變的非平穩(wěn)信號時(shí)有一定的局限性。小波分析是一種適合于處理非平穩(wěn)信號的方法，它對傅里葉變換進(jìn)行了補(bǔ)充與發(fā)展，克服了傅里葉變換只適用于穩(wěn)態(tài)信號和無法分析信號細(xì)微特征的缺點(diǎn)。

1.2.1小波包特征提取

雖然小波變換對信號的低頻部分實(shí)現(xiàn)了進(jìn)一步分解，但它對高頻信號的分解有所欠缺，不能實(shí)現(xiàn)空間分辨率更進(jìn)一步地提高。小波包變換則能實(shí)現(xiàn)多層次信號分解，對頻率窗口的再細(xì)化。根據(jù)多分辨分析的空間分解理論[5]：

(1)

按照不同尺度因子j將空間L2(R)分解成小波空間Wj(j∈Z)的直和。小波包變換在此基礎(chǔ)上對Wj進(jìn)一步地劃分，即：

(2)

j=0,1,2…,2i-1

(3)

式中，fi,j(tj)為小波包分解在第i層節(jié)點(diǎn)(i,j)上的重構(gòu)信號。根據(jù)Parseval[6]定理和式(3)，f(t)小波包分解的能量譜可表示為：

(4)

Ei,j(tj)為f(t)小波包分解到節(jié)點(diǎn)(i,j)上的頻帶能量，xj,k為fi,j(tj)的離散點(diǎn)幅值，m為信號采樣點(diǎn)數(shù)。

小波包分解遵循能量守恒定理，每個(gè)頻帶的信號就代表了原始信號在該頻率段內(nèi)的信息。小波包有較高的分辨率，對信號實(shí)現(xiàn)深層分解后，求取特定頻帶的能量值，利用求得的特征值構(gòu)成診斷特征向量。

1.2.2粗糙集特征約簡

小波包分解提取的原始特征中可能存在一部分的冗余特征，而冗余特征會使得后期故障分類更為復(fù)雜，對分類精度也存在影響。因此，有必要對提取的特征進(jìn)行約簡和選擇，在不丟失故障信息的情況下，選取敏感特征作為分類器的輸入[7]。

由Pawalk等人[8]提出的粗糙集理論，作為一種新的處理模糊和不確定性知識的數(shù)學(xué)工具，在決策分析、模式識別及數(shù)據(jù)挖掘等領(lǐng)域取得了很大的成功[9]。粗糙集方法可以克服傳統(tǒng)技術(shù)解決復(fù)雜對象系統(tǒng)時(shí)面臨的困難：數(shù)據(jù)不完整，有噪聲，難以獎勵(lì)系統(tǒng)精確的數(shù)學(xué)模型等，解決診斷征兆獲取和規(guī)則知識的自動提取問題[10]。粗糙集屬性約簡算法流程框圖如圖3。

圖3　粗糙集屬性約簡算法流程圖

利用訓(xùn)練好的規(guī)則，對待測試的特征在訓(xùn)練的規(guī)則中檢索，找到符合規(guī)則，其決策屬性即為其類別。

1.3溫度等信號的故障判別

溫度、壓力、流量等參數(shù)的測量可以使用溫度計(jì)、壓力表、液位計(jì)等傳感器獲得，可以將各個(gè)傳感器測量的數(shù)據(jù)融合形成特征向量，獲取多個(gè)時(shí)刻或是多個(gè)機(jī)械狀態(tài)的多個(gè)傳感器數(shù)據(jù)，得出故障與征兆之間的關(guān)系，以此來進(jìn)行故障分類，以便系統(tǒng)進(jìn)行故障診斷時(shí)，可以根據(jù)不同的故障征兆來完成模式映射過程。

人工神經(jīng)網(wǎng)絡(luò)(ArtificialNeuralNetworks,ANN)從20世紀(jì)40年代提出基本概念以來得到了迅速的發(fā)展，由于其具有高度的并行處理能力、容錯(cuò)性以及非線性映射的特性，在故障診斷方面有著廣闊的前景[11]。因此溫度、壓力、流量等變化引起的故障可使用人工神經(jīng)網(wǎng)絡(luò)進(jìn)行判別。

在人工神經(jīng)元系統(tǒng)中，輸出是利用傳遞函數(shù)來控制的。傳遞函數(shù)把可能的無限域變換到給定范圍的輸出，對輸入和輸出進(jìn)行函數(shù)轉(zhuǎn)換，以模擬生物神經(jīng)元線性或非線性轉(zhuǎn)移特性。人工神經(jīng)網(wǎng)絡(luò)的自學(xué)習(xí)和自適應(yīng)功能強(qiáng)，能夠模擬人類的學(xué)習(xí)過程，對不完整或是模糊的數(shù)據(jù)集進(jìn)行學(xué)習(xí)和決策。

2　實(shí)例分析

本文以某空氣源熱泵DKFXRS-71Ⅱ機(jī)組為研究對象，對其常見的軟故障進(jìn)行了模擬實(shí)驗(yàn)，通過測量的數(shù)據(jù)，得出故障與征兆之間的關(guān)系，以此建立故障診斷模型。

但因?yàn)锽P網(wǎng)絡(luò)容易陷入局部極小，從而在訓(xùn)練過程中達(dá)不到想要的訓(xùn)練結(jié)果。神經(jīng)網(wǎng)絡(luò)自身存在一些缺陷和不足，需要對其進(jìn)行優(yōu)化。由于遺傳算法具有全局搜索能力和較強(qiáng)的魯棒性，可以加強(qiáng)網(wǎng)絡(luò)訓(xùn)練和提高網(wǎng)絡(luò)性能。因此，利用遺傳算法來優(yōu)化BP神經(jīng)網(wǎng)絡(luò)的初始值和閾值，有效地改善BP神經(jīng)網(wǎng)絡(luò)的收斂速度和收斂精度，提高故障診斷成功率。圖4是將遺傳算法應(yīng)用到BP神經(jīng)網(wǎng)絡(luò)中的訓(xùn)練結(jié)果。

圖4　GA-BP神經(jīng)網(wǎng)絡(luò)的訓(xùn)練曲線圖

基于上述溫度、壓力、流量等參數(shù)的故障診斷，熱泵機(jī)組無故障T1、故障T2～T6模式下利用電渦流傳感器進(jìn)行振動信號的采集，采用小波包分析算法對振動信號進(jìn)行分解，提取各個(gè)波形的特征向量。以某一波形為例，分析驗(yàn)證上面所述的小波包特征提取方法的可行性。圖5為機(jī)械振動波形。

圖5　振動信號波形

信號的小波包分解可以用多種小波包基實(shí)現(xiàn)，可以通過花費(fèi)代價(jià)函數(shù)求取一個(gè)最佳小波包基。信號的特征可以用小波包系數(shù)體現(xiàn)，系數(shù)的大小可以表征該小波包基內(nèi)的信息對信號的貢獻(xiàn)大小。這里采用shannon嫡標(biāo)準(zhǔn)作為花費(fèi)代價(jià)函數(shù)求取最佳小波包基。圖6是振動信號第三層重構(gòu)小波系數(shù)波形圖，圖7是振動信號第三層重構(gòu)小波能量波形圖。

圖6　振動信號第三層重構(gòu)小波系數(shù)

圖7　振動信號第三層重構(gòu)小波能量

將各個(gè)節(jié)點(diǎn)的能量、方差等作為該信號的特征向量。然后利用粗糙集理論將小波包提取的特征向量進(jìn)行規(guī)則約簡。將粗糙集約簡前的規(guī)則和約簡后的規(guī)則分別利用對向傳播神經(jīng)網(wǎng)絡(luò)(CounterPropagationNetwork,CPN)進(jìn)行診斷測試，表1是測試結(jié)果,從測試結(jié)果可以看出判別的準(zhǔn)確率有了大幅度的提升。

表1　規(guī)則約簡前后測試結(jié)果

最后，進(jìn)入故障決策融合階段，使用Dempster-Shafer(簡稱D-S)證據(jù)理論融合算法進(jìn)行融合。決策級融合的核心思想是,各傳感器根據(jù)各自的觀測結(jié)果做出局部判決,然后將判決結(jié)果經(jīng)由通信信道傳送到融合中心,再由融合中心對各局部判決進(jìn)行綜合處理,做出最終判決。假設(shè)辨識框架Ω下兩組證據(jù)E1和E2，對應(yīng)的基本信任分配函數(shù)分別為m1和m2，焦元分別為Ai和Bj，D-S合成規(guī)則為[12]：

(5)

利用D-S合成規(guī)則可以結(jié)合若干條獨(dú)立的證據(jù)。與單一集合獨(dú)立處理相比，信息融合可以提高決策結(jié)果的可信度，同時(shí)降低推理模糊程度，提高探測精度，提高空間分辨率，并且能夠增強(qiáng)系統(tǒng)的容錯(cuò)能力和自適應(yīng)性，從而提高全系統(tǒng)性能[13]。

將以上利用GA-BP神經(jīng)網(wǎng)絡(luò)的測試結(jié)果與經(jīng)粗糙集規(guī)則約簡后的測試結(jié)果進(jìn)行融合，并對結(jié)果進(jìn)行歸一化處理。表2是部分決策融合結(jié)果。從表格數(shù)據(jù)中可以看出，其診斷結(jié)果的精度基本都達(dá)到了0.95級以上，得到了較高的診斷精度。同時(shí)，將經(jīng)D-S融合的結(jié)果與單一使用GA-BP神經(jīng)網(wǎng)絡(luò)的測試結(jié)果進(jìn)行誤差比較，結(jié)果見圖8。

圖8　融合結(jié)果與GA-BP測試結(jié)果誤差比較

序號無故障T1故障T2故障T3故障T4故障T5故障T610.91390.00170.00020.00020.05810.025920.00020.98710.00060.00220.00560.004330.00340.00120.98690.00040.00300.005240.00010.00820.00020.99130.00010.000150.01270.00020.00120.00090.98470.000360.00280.00050.00100.00020.02160.9739

綜合分析，單一的對振動信號進(jìn)行檢測分析，存在一定的誤診斷，無法得到較高的準(zhǔn)確率，而融合的結(jié)果基本都正確；單一的對溫度、壓力等變化引起的故障判別，其精度較低。而同時(shí)對這兩種信號進(jìn)行分析判別，保證了準(zhǔn)確率和精確度，便于準(zhǔn)確判別故障發(fā)生的原因，預(yù)測故障的發(fā)生并及時(shí)處理。

3　總結(jié)

在基于多傳感器信號分析的故障診斷模型的研究中，使用多個(gè)不同種類的傳感器，實(shí)現(xiàn)了對熱泵機(jī)組運(yùn)行狀態(tài)的全面檢測，利用多種混合智能算法，對機(jī)組的不同信號進(jìn)行分析、分類和決策，相比于單一的信號采集和使用單一的智能故障診斷方法，這種故障診斷模型能更全面監(jiān)控機(jī)械的運(yùn)行狀態(tài)，從而獲得更為精確的診斷結(jié)果。以這種故障診斷模型來提高故障診斷的能力，可以解決大型機(jī)械設(shè)備在復(fù)雜環(huán)境而難以診斷的機(jī)械故障，有效地實(shí)現(xiàn)對實(shí)際設(shè)備故障的定位。

[1] 呂琛. 故障診斷與預(yù)測[M]. 1版. 北京:北京航空航天大學(xué)出版社, 2012.

[2] 雷亞國. 混合智能技術(shù)及其在故障診斷中的應(yīng)用研究[D]. 西安:西安交通大學(xué), 2007.

[3] Wang X Y, Li X X, Li F S. Analysis on oscillation in electro-hydraulic regulating system of steam turbine and fault diagnosis based on PSOBP [J]. Expert Systems with Application,2010,37:3887-3892.

[4] Geng Z, Zhu Q. Rough set-based heuristic hybrid recognizer and its application in fault diagnosis [J]. Expert Systems with Application,2009 36:2711-2718.

[5] Ingrid D. 小波十講[M]. 北京:國防工業(yè)出版社, 2004.

[6] GARGOOM A M, ERTUGRUL N, SOONG W L. Automatic Classification and Characterization of Power Quality Event[J]. IEEE Transaction on Power Delivery, 23(4):2417-2425.

[7] 瞿金秀, 張周鎖, 何正嘉. 基于多小波包和鄰域粗糙集的故障診斷模型[J]. 振動、測試與診斷, 2013, 33(S1):137-226.

[8] Pawlak Z. Rough-Sets: Theoretical Aspects of Reasoning About Data[M]. Dordrecht: Kluwer Academic Publisher，1991.

[9] 陳昊, 楊俊安, 莊鎮(zhèn)泉, 等. 變精度粗糙集的屬性核和最小屬性約簡算法[J]. 計(jì)算機(jī)學(xué)報(bào), 2012, 35(5):1011-1017.

[10] 劉金福, 于達(dá)仁, 胡清華, 等. 基于加權(quán)粗糙集的代價(jià)敏感故障診斷方法[J]. 中國電機(jī)工程學(xué)報(bào), 2007, 27(23):93-99.

[11] 陳小玉. 改進(jìn)的神經(jīng)網(wǎng)絡(luò)在變壓器故障診斷中的應(yīng)用[J]. 計(jì)算機(jī)仿真, 2012, 29(8):318-321，335.

[12] 潘泉, 王增福, 梁彥, 等. 信息融合理論的基本方法與進(jìn)展(II)[J]. 控制理論與應(yīng)用, 2012, 29(10):1233-1244.

[13] 李玲玲, 馬東娟, 王成山, 等. DS證據(jù)理論沖突處理新方法[J].計(jì)算機(jī)應(yīng)用研究, 2011, 28(12):4528-4531.

(編輯李秀敏)

Fault Diagnosis Based on Multi Sensor Signal Analysis

CHEN Yi, YANG Yi, BAO Hui-hui, LU Yan-juan, ZHANG Ye

(School of Electrical Engineering, Nantong University, Nantong Jiangsu 226019, China)

In order to solve the problem of mechanical fault diagnosis in complex environment, a fault diagnosis model based on multiple sensor signal analysis is established based on vibration signal and the signal of temperature and pressure. For the vibration signal, wavelet package decomposition is applied to the original vibration signal, to extract the feature values which are form the original feature vector, and then uses rough set method for feature reduction of the original feature vector, the classification rules after reduction as neural network training set. For the signal of temperature ,pressure and other data, the data of each sensor is fused to form the feature vector, and the BP neural network is optimized by genetic algorithm to train and pattern recognition. Finally, the results of these two types of diagnostic signals are fused to form a composite fault diagnosis model. Experiments show that the diagnostic model has a high diagnostic accuracy and precision.

wavelet package; rough sets; neural network; information fusion; fault diagnosis

1001-2265(2016)09-0099-04DOI:10.13462/j.cnki.mmtamt.2016.09.028

2015-09-22；

2015-10-22

國家自然科學(xué)基金(61403217)；江蘇省產(chǎn)學(xué)研前瞻性聯(lián)合創(chuàng)新項(xiàng)目(BY2014081-03)；南通大學(xué)校級資助省級立項(xiàng)研究生科研創(chuàng)新項(xiàng)目基金(KYLX_1307，YKC14020)

陳軼(1991—)，女，江蘇南通人，南通大學(xué)碩士研究生，研究方向?yàn)橹悄軝z測與控制技術(shù)，(E-mail)13120003@yjs.ntu.edu.cn；通訊作者：楊奕(1963—)，女，江蘇南通人，南通大學(xué)教授，碩士，研究方向?yàn)橹悄軝z測與控制技術(shù)，(E-mail)yang.y@ntu.edu.cn。

TH165+.3;TG506

A