摘要： 針對(duì)齒輪箱故障診斷時(shí)使用單一傳感器進(jìn)行信號(hào)獲取過(guò)程中存在信息不完整的問(wèn)題，導(dǎo)致故障特征信息及診斷推理方法具有隨機(jī)性和模糊性。利用多傳感器信息融合的二階張量特征作為輸入，構(gòu)建了一個(gè)支持張量機(jī)和集成矩陣距離測(cè)度（Assembled Matrix Distance Metric， AMDM）的K最近鄰分類(lèi)器（knearest neighborhood classifier， KNN）決策融合故障診斷模型。首先，對(duì)多傳感器信息時(shí)頻域特征層進(jìn)行融合，獲得二階張量的特征樣本;其次，分別構(gòu)建基于集成支持張量機(jī)、KNNAMDM的故障診斷模型，并針對(duì)兩類(lèi)故障診斷模型的輸入，設(shè)計(jì)了兩種基本概率分配賦值的轉(zhuǎn)化方法，通過(guò)不斷調(diào)整參與的傳感器數(shù)目獲得6種不同的故障征兆張量集，進(jìn)而得到12種不同的初步故障診斷結(jié)果;最后，采用DS證據(jù)理論對(duì)12個(gè)證據(jù)體提供的基本概率分配值進(jìn)行融合決策，得到最終的齒輪箱故障診斷結(jié)果。實(shí)驗(yàn)對(duì)比表明，該方法可提高齒輪故障診斷結(jié)果的可信度。

關(guān)鍵詞：故障診斷; 多傳感器融合; 支持張量機(jī); 集成矩陣距離測(cè)度; 決策融合

中圖分類(lèi)號(hào)：TH165+.3; TP277

文獻(xiàn)標(biāo)志碼： A

文章編號(hào)： 1004-4523（2018）06-1093-09

DOI：10.16385/j.cnki.issn.1004-4523.2018.06.021

引言

在實(shí)際工程中，受故障信息獲取不完備、故障信息丟失或傳輸錯(cuò)誤以及外界干擾等因素影響，往往造成多次重復(fù)的特征層融合結(jié)果存在不精確、不一致等問(wèn)題，即在相同特征層融合結(jié)果的支撐下，受限于不同模式識(shí)別與分類(lèi)方法在分類(lèi)性能上的差異，造成其整體故障診斷結(jié)果表現(xiàn)出相互矛盾的不確定特點(diǎn)。由此引發(fā)了對(duì)基于主觀(guān)貝葉斯方法、DS證據(jù)理論、DSmT理論、模糊推理等為代表的不確定性理論的旋轉(zhuǎn)機(jī)械故障決策層融合診斷研究的重視。其中，尤以基于DS證據(jù)理論的信息融合技術(shù)在旋轉(zhuǎn)機(jī)械故障診斷中的應(yīng)用最為廣泛[13]。

在旋轉(zhuǎn)機(jī)械故障診斷中，為了更客觀(guān)地得到一證據(jù)對(duì)不同的命題的信度分配，利用分類(lèi)算法計(jì)算基本概率分配成為一種極為有效的解決手段。劉希亮等[4]針對(duì)傳感器證據(jù)信息全局修正針對(duì)性不強(qiáng)及沖突證據(jù)無(wú)法判別等問(wèn)題，提出了基于改進(jìn)證據(jù)理論的故障診斷方法，在通過(guò)可信度對(duì)沖突證據(jù)進(jìn)行針對(duì)性修正的基礎(chǔ)上，結(jié)合BP神經(jīng)網(wǎng)絡(luò)建立特征空間到證據(jù)空間的映射，有效利用網(wǎng)絡(luò)輸出結(jié)果，通過(guò)信息熵構(gòu)建原始證據(jù)，最終將所有證據(jù)進(jìn)行基于改進(jìn)DS公式的合成，并將其應(yīng)用于齒輪泵早期故障的診斷中;Khazaee M等[5]提出了一種基于DS證據(jù)理論的行星齒輪箱振動(dòng)與聲學(xué)信號(hào)融合的故障診斷與分類(lèi)方法，其中，同樣采用了基于人工神經(jīng)網(wǎng)絡(luò)的局部分類(lèi)結(jié)果擔(dān)當(dāng)DempsterShafer規(guī)則的輸入，用于完成分類(lèi)器的融合，進(jìn)而達(dá)到最終分類(lèi)精度的提升;Cheng G等[6]提出了一種集合了小波關(guān)聯(lián)特征尺度熵、自組織特征映射神經(jīng)網(wǎng)絡(luò)及DS證據(jù)理論的多傳感器信息融合齒輪故障診斷方法，該方法中以自組織特征映射神經(jīng)網(wǎng)絡(luò)算法的統(tǒng)計(jì)識(shí)別精度作為基本概率分配函數(shù)的構(gòu)建基礎(chǔ)。然而，上述方法中的分類(lèi)算法均是以一維特征向量為輸入，無(wú)法解決高階數(shù)據(jù)樣本的模式識(shí)別與分類(lèi)問(wèn)題。相關(guān)研究學(xué)者們相繼提出了多種基于二階或更高階張量學(xué)習(xí)的機(jī)器學(xué)習(xí)模型。Cai等專(zhuān)門(mén)針對(duì)二階張量數(shù)據(jù)提出的支持張量機(jī)（Support Tensor Machine， STM）[7]，Tao等提出的監(jiān)督張量學(xué)習(xí)框架[8]以及Hou等提出的多秩多線(xiàn)性支持張量機(jī)模型[9]，并已成功應(yīng)用于文本分類(lèi)、圖像處理、計(jì)算機(jī)視覺(jué)以及航天遙感等多個(gè)領(lǐng)域。

最近鄰分類(lèi)算法因具有計(jì)算量小、時(shí)效性好及模式識(shí)別性能佳等突出優(yōu)勢(shì)，因此廣泛應(yīng)用在旋轉(zhuǎn)機(jī)械故障識(shí)別與分類(lèi)中[1012]。而KNN分類(lèi)模型與常規(guī)的人工神經(jīng)網(wǎng)絡(luò)、支持向量機(jī)等分類(lèi)算法類(lèi)似，同樣受限于向量化形式的特征樣本輸入，從而使其在應(yīng)用于基于多傳感器融合的二階張量形式特征數(shù)據(jù)的分類(lèi)時(shí)遭遇到瓶頸。

針對(duì)上述分析，提出一種支持張量機(jī)與kNNAMDM的齒輪箱決策融合故障診斷方法，利用基于多傳感器信息特征層融合獲得的二階張量特征樣本為輸入，構(gòu)建了一個(gè)STM，KNNAMDM與DS證據(jù)理論的決策融合齒輪箱故障診斷模型，其中，STM分類(lèi)模型與KNNAMDM模型均是用于實(shí)現(xiàn)齒輪箱故障的局部診斷，以獲取彼此獨(dú)立的證據(jù)體，經(jīng)證據(jù)合成及診斷決策最終獲得精確的故障診斷結(jié)果。最后，通過(guò)齒輪箱故障診斷實(shí)驗(yàn)對(duì)所提出新方法的可行性及技術(shù)優(yōu)勢(shì)進(jìn)行驗(yàn)證。

1方法理論基礎(chǔ)

1.1支持張量機(jī)

支持張量機(jī)以張量代替向量作為輸入樣本數(shù)據(jù)，同時(shí)繼承了支持向量機(jī)（Support Vector Machine， SVM）基于結(jié)構(gòu)風(fēng)險(xiǎn)最小化原理與最優(yōu)化理論的特性，針對(duì)二類(lèi)問(wèn)題的STM分類(lèi)模型在尋求一系列最優(yōu)分類(lèi)超平面使得正負(fù)兩類(lèi)訓(xùn)練樣本能夠被最大距離的分開(kāi)。STM模型利用了張量數(shù)據(jù)的空間和時(shí)間信息，在保留數(shù)據(jù)結(jié)構(gòu)信息完好的情況下，減少了模型優(yōu)化問(wèn)題的變量個(gè)數(shù)，從而在解決高維小樣本數(shù)據(jù)的分類(lèi)問(wèn)題上具有比SVM更加突出的優(yōu)勢(shì)。