張欽堯 楊艷萍

摘? 要：為了更好的對(duì)旋轉(zhuǎn)機(jī)械故障進(jìn)行識(shí)別與分類，文章提出了一類基于極限學(xué)習(xí)機(jī)的多傳感器融合故障識(shí)別方法。首先，利用FFT對(duì)數(shù)據(jù)進(jìn)行預(yù)處理，并對(duì)多傳感器的預(yù)處理結(jié)果進(jìn)行加權(quán)融合，以單傳感器歷史數(shù)據(jù)識(shí)別得到的正確率為融合系數(shù)。然后，對(duì)極限學(xué)習(xí)機(jī)進(jìn)行訓(xùn)練和測(cè)試。結(jié)果表明基于融合數(shù)據(jù)特征的識(shí)別率表現(xiàn)優(yōu)于基于單傳感器數(shù)據(jù)特征的識(shí)別率。

關(guān)鍵詞：多傳感器融合;極限學(xué)習(xí)機(jī);旋轉(zhuǎn)機(jī)械故障識(shí)別

中圖分類號(hào)：TH17? ? ? ? ?文獻(xiàn)標(biāo)志碼：A 文章編號(hào)：2095-2945（2019）23-0128-02

Abstract： In order to better identify and classify the faults of rotating machinery， a kind of multi-sensor fusion fault recognition method based on limit learning machine is proposed in this paper. First of all， the FFT is used to preprocess the data， and the weighted fusion of the preprocessing results of multi-sensor is carried out， and the correct rate of historical data recognition of single sensor is taken as the fusion coefficient. Then， the extreme learning machine is trained and tested. The results show that the recognition rate based on fusion data feature is better than that based on single sensor data feature.

Keywords： multi-sensor fusion; limit learning machine; fault identification of rotating machinery

引言

隨著科學(xué)技術(shù)的飛速發(fā)展，旋轉(zhuǎn)機(jī)械在各個(gè)行業(yè)中變得越來越重要。旋轉(zhuǎn)機(jī)械故障的快速識(shí)別，及時(shí)止損，變的非常有意義[1]。

機(jī)械故障診斷一般分為兩個(gè)部分：先是采集故障信號(hào)，并對(duì)信號(hào)進(jìn)行預(yù)處理;然后根據(jù)故障信號(hào)對(duì)應(yīng)識(shí)別故障，以達(dá)到故障診斷的目的。傳統(tǒng)的信號(hào)采集往往由單一傳感器完成，由于故障的發(fā)生具有不確定性，采用多傳感器融合的方法是很有必要的，可以有效的反映全局信息[2]。人工神經(jīng)網(wǎng)絡(luò)具有不需要大量人工干預(yù)，識(shí)別精度高，速度快的優(yōu)點(diǎn)，使得其能夠很好的適用于故障識(shí)別。傅其鳳等利用BP神經(jīng)網(wǎng)絡(luò)建立了旋轉(zhuǎn)機(jī)械故障診斷模型來對(duì)其進(jìn)行故障診斷[3]，但BP網(wǎng)絡(luò)存在訓(xùn)練時(shí)間長(zhǎng)，容易陷入局部最優(yōu)等一些問題。由黃廣斌等人提出的極限學(xué)習(xí)機(jī)（Extreme Learning Machine， ELM），其訓(xùn)練速度快，具有良好的泛化能力，已被應(yīng)用于各個(gè)不同的領(lǐng)域。

本文提出基于ELM的多傳感器融合故障識(shí)別方法。首先，在旋轉(zhuǎn)機(jī)械重要部位安裝多個(gè)傳感器進(jìn)行數(shù)據(jù)采集，將數(shù)據(jù)按周期經(jīng)過快速傅里葉變換（Fast Fourier Transform， FFT）處理后，將單傳感器歷史數(shù)據(jù)的識(shí)別正確率作為系數(shù)進(jìn)行加權(quán)融合，較于單傳感器，多傳感器融合之后的數(shù)據(jù)具有全局性，所蘊(yùn)含的故障特征更多，最后用ELM對(duì)其進(jìn)行訓(xùn)練和測(cè)試得到識(shí)別正確率。

1 數(shù)據(jù)處理

對(duì)于旋轉(zhuǎn)機(jī)械，采集的信號(hào)一般為周期性時(shí)域離散數(shù)據(jù)，不能準(zhǔn)確、清晰地獲取其頻率和振幅等信息，特征不明顯，含有大量的噪聲，若直接對(duì)采集到的原始數(shù)據(jù)進(jìn)行融合，需要處理的信息量大，其速度慢，且實(shí)時(shí)性較差。將數(shù)據(jù)提取特征后進(jìn)行融合，能夠在保存足夠原始信息的同時(shí)又實(shí)現(xiàn)了數(shù)據(jù)壓縮，有利于實(shí)時(shí)處理[4]。

設(shè)有三個(gè)傳感器。Sl（t）=el（t） l=1，2，3分別為其在t0時(shí)刻到t1時(shí)刻采集的信號(hào)，采集間隔為？著。將數(shù)據(jù)按周期T分為N=（t1-t0）/T個(gè)向量，每個(gè)向量有P=T/？著個(gè)點(diǎn)，作為一組數(shù)據(jù)，即：

2 極限學(xué)習(xí)機(jī)

ELM中輸入權(quán)重和隱層偏置是被隨機(jī)確定的，輸出權(quán)重是通過使用廣義逆來分析得到的。速度快，泛化能力強(qiáng)，能避免梯度法所面對(duì)的許多問題。假設(shè)有N個(gè)樣本X={xj|j=1，2，…，N}對(duì)應(yīng)的標(biāo)簽為Y={yj|j=1，2，…，N}。構(gòu)建一個(gè)有隱層節(jié)點(diǎn)，激活函數(shù)g（x）為tanh函數(shù)的單隱層前饋網(wǎng)絡(luò)：

3 實(shí)驗(yàn)結(jié)果和分析

本文所使用的數(shù)據(jù)是在ZHS-2型多功能電機(jī)柔性轉(zhuǎn)子試驗(yàn)臺(tái)采集得到的，采用3個(gè)傳感器采集轉(zhuǎn)子時(shí)域振動(dòng)信號(hào)，人為模擬基座松動(dòng)故障。在測(cè)試中，設(shè)閾值為±0.2。由于單個(gè)數(shù)據(jù)體量較大，采用100個(gè)隱層節(jié)點(diǎn)。取280組數(shù)據(jù)進(jìn)行訓(xùn)練，20組進(jìn)行測(cè)試，結(jié)果如表1所示：

從該結(jié)果分析可得，當(dāng)利用不同位置的單傳感器采集到的數(shù)據(jù)來進(jìn)行分析時(shí)，傳感器2所采集到的數(shù)據(jù)無法準(zhǔn)確反映故障信息，網(wǎng)絡(luò)識(shí)別率低。多傳感器融合數(shù)據(jù)特征明顯優(yōu)于單傳感器。

4 結(jié)束語

本文將多傳感器融合思想應(yīng)用到旋轉(zhuǎn)機(jī)械故障診斷中，將數(shù)據(jù)按周期分割，以單傳感器歷史數(shù)據(jù)的網(wǎng)絡(luò)識(shí)別正確率為加權(quán)融合系數(shù)對(duì)多傳感器數(shù)據(jù)進(jìn)行融合，并利用ELM對(duì)旋轉(zhuǎn)機(jī)械典型故障進(jìn)行識(shí)別，實(shí)驗(yàn)證明，多傳感器融合后的結(jié)果優(yōu)于傳統(tǒng)單傳感器。

參考文獻(xiàn)：

[1]Xue X， Zhou J. A hybrid fault diagnosis approach based on mixed-domain state features for rotating machinery[J]. ISA Transactions，2016，66：284-295.

[2]周蔭清，洪信鎮(zhèn).多傳感器信息融合技術(shù)[J].遙測(cè)遙控，1996（1）：16-22.

[3]傅其鳳，葛杏衛(wèi).基于BP神經(jīng)網(wǎng)絡(luò)的旋轉(zhuǎn)機(jī)械故障診斷[J].煤礦機(jī)械，2006，27（4）：712-714.

[4]騰召勝，等.智能檢測(cè)系統(tǒng)與數(shù)據(jù)融合[M].北京：機(jī)械工業(yè)出版社，1999.

[5]袁小宏，屈梁生.機(jī)械故障診斷中的信息融合利用問題研究[J].振動(dòng)：測(cè)試與診斷，1999（3）：187-192.