楊 勇

（山西煤炭運銷集團金辛達煤業(yè)有限公司， 山西 臨汾 041000）

引言

煤礦主通風機對煤礦的安全生產至關重要。故障診斷是維護風機安全、可靠、經濟運行的可靠方法。目前，針對風機的故障診斷方法有幾種，其中一項是對風機軸承的溫度進行監(jiān)測，另一項是對振動信號進行頻譜分析。傳統(tǒng)的故障特征提取和識別方法都是人工實現的，存在一定的局限性，診斷水平取決于技術人員的知識和經驗。為了解決這一問題，研究者們提出了神經網絡、小波分析、經驗模態(tài)分解等多種智能故障診斷技術[1-2]。

隨著電子技術的發(fā)展、計算機與網絡技術結合的應用，提出了設備的故障診斷和預測檢修技術。目前故障診斷和預測技術主要是傳感器技術、電子信息技術的融合，成為一種新興的技術檢測手段[3-4]。故障檢測為設備管理人員提供充沛的時間來完成故障的處理，從而提高了設備的運行開機率與可靠性，提高了生產效率和經濟效益。煤礦通風設備是保證煤礦井下瓦斯、煤塵等易燃、易爆有害因素處于安全范圍內的關鍵設備，其發(fā)生故障或檢修過程會對井下安全生產造成巨大影響，因此，對通風設備的故障診斷研究成為了一大課題。

上述方法的常見問題是，它們的診斷結論只是基于一種信號，如振動信號或定子電流信號。但主風機的故障原因復雜多樣，當只使用一個信號時，它是不確定和不可靠的。利用D-S 證據理論技術綜合利用多故障特征信息，可以提高故障診斷的準確性，降低故障診斷的不確定性。

D-S 證據理論（D-S evidence theory）又稱證據理論（theory of evidence），由 Dempster 于 1967 年提出。Shafer 進行了進一步的研究。D-S 證據理論對不確定信息的處理能力很強。因此，它在多目標識別和多傳感器數據融合領域有著廣泛的應用。

本文提出了一種基于多傳感器數據分析的主風機故障診斷方法。采集定子電流信號、軸向振動信號和徑向振動信號。利用小波分析對這些信號進行故障特征提取。根據各信息的故障羽度，利用神經網絡得到初步結論。采用D-S 證據理論實現信息融合，得到最終結論。

1 理論基礎

本節(jié)簡要介紹證據理論的基本概念。

設U 是一個有限的非空集，稱為識別框架（簡稱“框架”）。映射: 2U→[0，1]是一個（非歸一化的）置信函數，當且僅當存在一個基本信念分配m：2U→[0，1]，使：

這些子集A，使得m（A）＞0 稱為焦點元素。直觀地說，m（A）的值代表了支持A 發(fā)生而不能支持其他更具體事件這一事實的部分（由于缺乏信息）。

將兩個證據體m1和m2結合D-S 證據理論可得到如下結果：

其中

式（2）、式（3）是 D-S 證據理論的核心，可以將幾個單獨的證據組合在一起。K 通常被解釋為不同來源之間沖突的衡量標準。

2 基于信息融合技術的礦井通風機故障診斷

2.1 故障特征提取

在礦井通風機人工智能故障診斷領域中，對典型故障特征的提取具有重要意義。

當主風扇故障時，各子頻段的能量會發(fā)生變化。每個子集的頻帶能量包含了診斷的全部信息。當主風機在不同工況下工作時，需要對某些子頻段的能量進行增強或減弱。因此，將原始信號通過小波包變換（WPT）得到的每個子集頻帶的能量作為特征因子。

能量特征因子可以通過以下過程構建。

1）對原始信號在j 層進行分解，得到2j 個子集。小波包分析的三級樹形結構如圖1 所示。

圖1 小波包分析的三層樹形結構

2）計算每個子集的能量 E（j，k）和原始信號 E 的總能量：

式中：N 為分析信號的數據長度；Ej，k[i]為第 j 級的 k個子集序列的 WPT 系數；k 為 0～2j-1的子集個數，可以用不考慮符號的二進制碼表示，其長度為j。

3）構造能量特征因子T。第j 層上的k 個子序列的能量歸一化特征因子e（j，k）可以構造為：

定義三級樹結構的特征因子 T 為 T=[e30，e31，e32，e33，e34，e35，e36，e37]，提取特征因子 T 作為故障特征值作為神經網絡的輸入，從而得到初步結論。

2.2 位置診斷

在提取出斷層羽狀結構后，利用神經網絡實現斷層羽狀結構的識別。我們使用了多個神經網絡，每個網絡識別一種類型的信號。神經網絡的輸入為T，輸出為初步診斷結論。采用D-S 證據理論作為全局診斷，得到統(tǒng)一的診斷結果。這個結論是由一種信號得出的，所以這是局部診斷。

徑向基函數（radial basis function RBF）網絡在系統(tǒng)動力學建模、模式識別和預測等方面得到了廣泛的研究和應用。RBF 網絡建模的一個基本問題是實現一個模型結構簡潔、具有良好泛化性能的網絡。與傳統(tǒng)的RBF 網絡相比，資源分配網絡（Resource allocation Network，RAN）可以對RBF 動態(tài)網絡進行分配，并建立更簡潔的模型結構。RAN 是一個兩層網絡，如圖2所示，該網絡由n 個輸入和m 個輸出組成。

圖2 RAN 結構

第一層由只響應輸入值空間的局部區(qū)域的單元組成。第二層匯聚了這些單元的輸出，并創(chuàng)建了近似整個空間的輸入輸出映射的函數。

利用RAN 實現故障特征識別，輸出是一個錯誤代碼。在視圖通常主要故障類型的風扇是轉子不平衡，轉子不對中，和葉片故障不平衡，輸出代碼的定義是（0 0 1），（0 1 0），（1 0 0）。這個輸出是一個主要的結論，應該融合與其他網絡的主要結論。

3 案例分析

實驗采集了轉子不平衡、軸向不對中和葉片故障三種典型運行狀態(tài)下的定子電流信號、軸向振動信號和徑向振動信號。采樣頻率為5 000 Hz。故障類型定義為{F1，F2，F3}。通過小波包變換得到60 組特征值，其中40 組用于訓練RAN，其余20 組用于測試。各故障類型的特征值如表1 所示。局部診斷后，使用D-S證據理論作為全局診斷，得到最終結果。最終的故障診斷結論如表2 所示。

表1 每種故障類型的特征值

從表2 中可以看出，在各證據的組合作用下，故障對象的基本概率分配明顯增加。從每個故障診斷網絡的輸出結果來看，每個故障診斷系統(tǒng)的結果都是不確定性的。融合后的診斷結果與實際故障吻合，表明本文提出的多信息結合D-S 證據理論的方法能夠提高診斷精度，降低診斷的不確定性。

表2 單證據和多證據的基礎概率分配

4 結語

為了利用多故障特征信息提高故障診斷的準確性，本文研究了一種基于信息融合的故障診斷方法。引入D-S 理論實現多信息融合。實驗結果表明，當采用多傳感器信號時，故障診斷方法的可靠性更準確，確定性更合理。結果表明，該方法能顯著提高故障診斷的準確性和可靠性。