王晶晶， 梁 青

0 引 言

利用傳感器測得的振動信號對機械狀態(tài)進行診斷，是機械故障中最常用、最有效的方法[1],常采用多源信息融合的方法,充分利用不同傳感器之間的互補與冗余信息對系統(tǒng)狀態(tài)進行判斷。在信息融合算法中，證據(jù)理論(DS)由于具有可以良好地表示信息不確定性，在傳感器數(shù)量少時計算量小等優(yōu)點[2]而廣泛應用。Basir O等人[3]構建了證據(jù)理論下故障診斷框架，體現(xiàn)了融合診斷的可行性，梁偉光[4]基于此對在軌航天器的故障診斷展開了研究，Yang B S等人[5]對證據(jù)理論融合算法中的特征提取過程進行了分析。但在利用證據(jù)理論進行融合決策時，仍有問題亟待解決：1)在數(shù)據(jù)間沖突較大時，利用傳感器信息對狀態(tài)進行信度分配后直接融合診斷容易造成誤判；2)在判斷故障發(fā)生與否時一般只以閾值0.5表征，不能表征JDL融合模型[6]中的影響評估過程。相較之下，不精確概率理論[7]作為處理不確定性的更為一般化的模型，以區(qū)間來表征概率的大小，從行為的角度解釋不確定性[8]，在系統(tǒng)可靠性[9]、分類算法改進[10]等應用中取得了良好的成果。目前，多種診斷方法的結合成為故障診斷方法研究的熱點[11]。

本文提出結合證據(jù)理論與不精確概率理論的故障診斷方法，并在隔振平臺上進行實際驗證，比較了本文方法下兩種決策準則的診斷結果與證據(jù)理論的診斷結果，結果表明，本文提出的診斷方法可以及時準確地判斷出振動發(fā)散類故障的發(fā)生，且速度較快。

1 理論基礎

1.1 證據(jù)理論

在證據(jù)理論中[12]，采用組合規(guī)則對證據(jù)進行融合。若m1和m2為同一個識別框架的基本信任分配函數(shù)，定義沖突信度K描述二者沖突情況

(1)

常用組合規(guī)則為Dempster組合規(guī)則

?A?Θ,A≠?

(2)

Dempster組合規(guī)則滿足交換律與結合律，故在對多源證據(jù)進行組合時不需要考慮次序。

1.2 不精確概率理論

不精確概率理論下有多種決策準則[13]，本文針對的問題為判斷是否發(fā)生故障，經(jīng)過比較分析，選擇Г-maximax和Г-maximin 2種決策準則進行討論。

假設決策d對應于實值收益Jd，所有的決策方案集合記為D，則最終的決策為

(3)

當已知信息不精確時，Jd為一個不確定的值。在Г-maximax準則下，決策為

(4)

其實際意義為先最大化所有決策的收益，再選取收益最大的決策。

在Г-maximin準則下，決策為

(5)

其實際意義為先最小化所有決策的收益，再選取收益最大的決策。

2 診斷方法設計

2.1 基本故障信度分配

(6)

mk即為就是傳感器k對故障狀態(tài)的信度值。

2.2 概率區(qū)間生成

(7)

式中l(wèi)為自然數(shù)。2組內(nèi)的信度沖突整體較小，使用Dempster組合規(guī)則進行融合的效果好。

對高信度組與低信度組分別采用Dempster組合規(guī)則進行融合，得到2個不同的融合故障信度。根據(jù)Pignistic概率轉(zhuǎn)換[14]可知，當表示的是單一元素的信度時，信度值即為概率值，即有故障的概率值為Pmin=Mmin,Pmax=Mmax，則得到故障發(fā)生的概率區(qū)間[Pmin,Pmax]。

系統(tǒng)的2個狀態(tài)，即故障發(fā)生與未發(fā)生，表示為Ω={ω1,ω2}，ω1為故障發(fā)生，ω2為未發(fā)生故障，則上述得到的概率區(qū)間即為如下故障示性函數(shù)的預知

(8)

2.3 診斷價值函數(shù)與決策

設計故障的診斷價值函數(shù)

(9)

式中f1為判斷故障發(fā)生，則a(e)為實際發(fā)生故障且正確判斷的收益，b(e)為未發(fā)生故障而判斷發(fā)生的收益；f2為判斷未發(fā)生故障，則c(e)為實際發(fā)生故障而判斷未發(fā)生的收益，d(e)為未發(fā)生故障且判斷正確的收益；變量e為參數(shù)值是由專家或先驗知識得到的決策結果對收益的影響評估。則故障診斷問題轉(zhuǎn)化為在已知g的預知的條件下，對賭局f1和f2的收益范圍進行計算與決策的過程，在Г-maximax準則下，比較2個函數(shù)期望的最大值，在Г-maximin準則下，比較2個函數(shù)期望的最小值。正常情況下必然存在正確判斷優(yōu)于錯誤判斷，即有a(e)>b(e)，d(e)>c(e)。則f1和f2的期望范圍如下

(10)

3 故障診斷試驗

3.1 隔振平臺結構與工作情況

在振動系統(tǒng)中，很多故障的表現(xiàn)形式均為振動發(fā)散，故以常見且具有代表性的隔振系統(tǒng)實驗平臺進行振動發(fā)散類故障的診斷，結構如圖1所示。

圖1 隔振平臺結構

實驗中，通過阻抗頭、位移傳感器和加速度傳感器分別測量隔振平臺中的負載加速度、負載與基礎的相對位移以及基礎的加速度3路數(shù)據(jù)，3路傳感器采樣頻率均為1 kHz。

圖2為隔振平臺的一組由正常工作到發(fā)生故障的數(shù)據(jù)，正常工作時，3路信號維持在一個比較穩(wěn)定且振幅較小的狀態(tài)。在20 s后系統(tǒng)發(fā)生故障，25 s之后振幅有明顯的大幅度變化，幾秒后，由于振動過大，設備關閉。

圖2 傳感器數(shù)據(jù)

3.2 隔振平臺振動發(fā)散故障診斷

針對振動發(fā)散故障診斷的實時性要求，選擇時域特征作為特征參數(shù)。對于振動信號，采用其峰峰值作為振動大小的特征量，即振動的“通頻幅值”[15]。其離散化形式為

Xppv=Xmax-Xmin

(11)

式中Xmax與Xmin分別為取樣時間內(nèi)的最大值與最小值。根據(jù)診斷要求，每0.2 s對隔振平臺傳感器的數(shù)據(jù)進行一次處理，指數(shù)變換中的參數(shù)選為r=1,a=2,α=-1。又由前述分析知b(e)>c(e)，故本試驗令：a(e)=1，b(e)=0，c(e)=-2，d(e)=0.5。

系統(tǒng)中有3路傳感器，故N=3，每只傳感器選取一個特征參數(shù)值，故Lk=1。依據(jù)本文設計的診斷方法對隔振平臺的故障進行了診斷監(jiān)測，為了對比，采用同樣的特征參數(shù)利用證據(jù)理論的診斷方法[16]進行了診斷，證據(jù)理論的診斷閾值為0.5，以0表示正常工作狀態(tài)，1表示故障狀態(tài)。

3.3 診斷結果與分析

圖3與圖4為圖2情況下的診斷監(jiān)測。圖3為3路傳感器生成的故障信度值；圖4為診斷結果。

圖3 3路傳感器故障信度值

圖4 診斷結果

從圖3和圖4的對比中可以看出:1)采用多源信息融合的方法較單一傳感器的診斷效果好；2)本文所提的方法，2種決策準則下均在故障剛發(fā)生時就檢測出了故障，先于證據(jù)理論方法；3)Г-maximin準則快于Г-maximax準則，這是由于在設置參數(shù)時，考慮將正常狀態(tài)誤判為故障狀態(tài)優(yōu)于將故障狀態(tài)誤判為正常狀態(tài)，將c(e)的值設置的較小，c(e)與b(e)之間的差值大于a(e)與d(e)之間的差值。

隨機選取隔振平臺4類表現(xiàn)形式均為發(fā)散的故障數(shù)據(jù)，如信號中斷、傳感器錯接、激振頻率突變和一般振動發(fā)散各選取2組的試驗結果匯總如表1所示。

表1 4類故障2組試驗診斷時間 s

可以看出:雖然故障屬于不同的類型，但本文所提的方法均以更快的速度判斷出了故障。同時，在第三類故障的第一組測試中，證據(jù)理論未檢測出故障，而本文的方法依然在故障初期即監(jiān)測到了故障，避免了誤判。

4 結束語

提出了結合證據(jù)理論與不精確概率理論的故障診斷方法，構建了診斷框架。在隔振系統(tǒng)試驗平臺上完成了試驗，證明了本文方法可以更早地診斷出故障的發(fā)生且沒有發(fā)生誤判。在接下來的研究中，可以考慮對不同表現(xiàn)形式的故障進行判別，也可以在參數(shù)的選取方面作進一步的研究。

參考文獻:

[1] 趙志宏.基于振動信號的機械故障特征提取與診斷研究[D].北京：北京交通大學，2012.

[2] 朱大奇,劉永安.故障診斷的信息融合方法[J].控制與決策,2007(12):1321-1328.

[3] Basir O,Yuan X.Engine fault diagnosis based on multi-sensor information fusion using Dempster-Shafer evidence theory[J].Information Fusion,2007,8(4):379-386.

[4] 梁偉光.基于證據(jù)理論的在軌航天器故障診斷方法研究[D].合肥：中國科學技術大學，2011.

[5] Yang B S,Kim K J.Application of Dempster-Shafer theory in fault diagnosis of induction motors using vibration and current signals[J].Mechanical Systems and Signal Processing,2006,20(2):403-420.

[6] 韓崇昭,朱洪艷,段戰(zhàn)勝,等.多源信息融合[M].2版.北京：清華大學出版社，2010.

[7] Walley P.Statistical reasoning with imprecise probabilities[M].London:Chapman and Hall,1991.

[8] Miranda E.A survey of the theory of coherent lower previsions[J].International Journal of Approximate Reasoning,2008,48(2):628-658.

[9] Coolen F P A.On the use of imprecise probabilities in reliability[J].Quality and Reliability Engineering International,2004,20(3):193-202.

[10] Destercke S.A k-nearest neighbours method based on imprecise probabilities[J].Soft Computing,2012,16(5):833-844.

[11] 王宏力,侯青劍.故障診斷方法現(xiàn)狀與展望[J].傳感器與微系統(tǒng),2008,27(5):1-4.

[12] Shafer G.A mathematical theory of evidence[M].Princeton:Princeton University Press,1976.

[13] Troffaes M C M.Decision making under uncertainty using im-precise probabilities[J].International Journal of Approximate Reasoning,2007,45(1):17-29.

[14] Smets P,Kennes R.The transferable belief model[J].Artificial Intelligence,1994,66(2):191-234.

[15] 何正嘉，陳 進，王太勇，等.機械故障診斷理論及應用[M].北京：高等教育出版社，2010.

[16] 王 永,梁偉光,韓 飛,等.基于證據(jù)理論的振動發(fā)散故障監(jiān)測方法[J].振動、測試與診斷,2011(4):424-428，532.