应用于破碎机故障诊断系统中的信息融合技术_证

论文摘要：本文以该设备故障诊断为研究对象在对国内外研究现状进行深入分析的基础上给出一种基于神经网络和D-S证据理论相结合的信息融合的故障诊断方法并进行实际检验。以信息融合的基本思路，将多子神经网络和D-S 证据理论综合起来设计出一套综合诊断方法，将两种方法取长补短相结合应用于故障诊断中，取得了较好的诊断效果。
论文关键词：故障诊断,信息融合,神经网络,证据理论
　　0引言
　　现代工业生产设备趋向大型化、连续化、高速化和自动化，功能越来越多、结构越来越复杂，但因此设备故障停工造成的损失大大增加。保证生产正常进行的关键是使各种重要的大型设备正常运转。如果在设备出了问题后维修，停产不仅带来经济上的巨大损失，而且设备带病工作有可能引起严重损害。目前对设备进行定期检修，如检修间隔长，有可能在两次检修之间设备发生故障。设备发生故障时，将产生机械的、电气的、物理的、化学的变化，并随着故障程度的增加而显著，可以通过各种检测手段来发现这些异常现象来分析设备的故障状况。但是采用单一检测手段都因各种不确定因素的影响，采用单一检测手段诊断设备故障的结论往往不准确。
　　针对上述问题，本系统将通过对设备进行在线动态连续监测分析，随时了解设备的状态，给出故障报警信号。要实现设备故障诊断的准确性，最有效的方法就是采用多种检测手段来进行综合诊断。
　　1故障诊断技术
　　故障诊断是指在一定工作环境下查明导致系统某种功能失调的原因或性质，判断劣化状态发生的部位或部件，以及预测劣化状态的发展趋势等。故障诊断的过程有三个主要步骤：
　　1)检测设备状态的特征信号；
　　2)从所有检测到的特征信号中提取征兆；
　　3)根据征兆和其它诊断信息来识别设备的状态，从而完成故障诊断。
　　2神经网络技术的信息融合故障诊断方法
　　神经网络是一个具有高度非线性的超大规模连续时间动力系统，主要特征为连续时间非线性动力学、网络的全局作用、大规模并行分布处理和联想学习能力。其在故障诊断领域的应用主要集中于三个方面：一是从模式识别角度应用神经网络作为分类器进行故障诊断；二是从预测角度应用神经网络作为动态预测模型进行故障预测；三是从知识处理角度建立基于神经网络的诊断专家系统。
　　2.1神经网络的特点以及用于故障诊断的原因
　　神经网络故障诊断问题可以看成模式识别。通过对一系列过程参量进行测量，然后用神经网络从测量空间映射到故障空间，实现故障诊断。应用于故障诊断的方法多种多样，神经网络之所以适合于故障诊断，有以下三个主要原因：
　　1)训练过的神经网络能存储有关过程的知识，能直接从定量的、历史故障信息中学习。可以根据对象的正常历史数据训练网络，然后将此信息与当前测量数据进行比较，以确定故障。
　　2)神经网络具有滤出噪声及在有噪声情况下得出正确结论的能力，可以训练人工神经网络来识别故障信息，使其能在噪声环境中有效的工作，这种滤出噪声的能力使得神经网络适合在线故障检测和诊断。
　　3)神经网络具有分辨原因及故障类型的能力。
　　BP网络在诸如模式识别、系统辨识、图像处理、语言理解、函数拟合等一系列实际问题中得到了极为广泛的应用。
　　2.2神经网络的故障诊断过程
　　模糊神经网络与传统多层感知器的主要区别在于其输入和输出均表示为模糊隶属度，通过隶属度函数的适当选择，该网络既可以处理数字形式输入又能适应语义形式输入，同时输出也不再是单一的分类结果而是各类的隶属度，这样就更好地模拟了人脑思维的模糊性。
　　3证据理论的信息融合故障诊断方法
　　3.1D-S证据理论概述
　　在诊断领域，由于设备本身的复杂性和运行环境的不稳定性，设备反映的信息具有不确定性。贝叶斯法和证据理论方法提供了有效的处理不确定性信息的手段。具体的讲，诊断问题中不确定性的来源有：事实中的、准则中条件的、准则本身有效性的以及不完全知识、片面数据等。由此决定了三种不确定性：随机性或可能性、模糊性、不完全性或不知性。对这些不确定性的处理，贝叶斯法和证据理论（D-S推理）方法提供了有效的手段。
　　3.2证据理论的推理结构及其优点
　　3.2.1证据理论的推理结构
　　任何一个完整的推理系统都需要用几个不同推理级来保持精确的可信度表示。D-S方法的推理结构自上而下分为三级：
　　第一级是合成，它把来自几个独立传感器的报告合成为一个总的输出。
　　第二级是推断，由它获取传感器报告并进行推断，将传感器报告扩展成目标报告。这种推理的基础是：一定的传感器报告以某种可信度在逻辑上定会产生可信的某些目标报告。
　　第三级是更新，因各种传感器一般都有随机误差，所以，在时间上充分独立的来自同一传感器的一组连续报告，将比任何单一报告都可靠。这样，在进行推断和多传感器合成之前要先组合（更新）传感器级的信息。
　　3.2.2证据理论的优点
　　证据理论具有以下一些优点：
　　1)证据理论采用信任函数而不是概率作为度量，通过对一些时间的概率加以约束以建立信任函数而不必说明精确的难以获得的概率。
　　2)证据理论具有比较强的理论基础，既能处理随机性所导致的不确定性，又能处理模糊性所导致的不确定。
　　3)证据理论可以依靠证据的积累，不断的缩小假设集。
　　4)证据理论能将“不知道”和“不确定”区分开来。
　　5)证据理论可以不需要先验概率和条件概率密度。
　　4BP网络与D-S证据理论相结合的综合诊断模型
　　在用D-S证据理论进行各征兆域神经网络输出结果的局部信息融合时，在系统中将单通道输出直接转化为证据推理模型，即将神经网络的单通道输出经过归一化处理，直接作为各焦点元素的基本概率分配，从而避免了构造基本概率分配函数的复杂性，然后用D-S证据理论的组合规则逐次合并各通道的诊断信息，得到该征兆域独立的局部诊断结果。

　　具体方法如下：
　　假设在征兆域s中，Bel对应于第一通道神经网络的输出结果，Be1对应第二通道神经网络输出结果，依次类推，每个信任函数的焦点元素都对应不同神经网络目标诊断结果（即各故障模式），它们构成辨别框架Θ，将神经网络每一通道的各个输出节点输出值归一化处理，作为各焦点元素的基本概率分配m，其中i=1,2,…,n,j=1,2,…,p，n为通道数，p为故障模式分类数，即焦元数。然后运用D-S证据理论的组合规则得到该征兆域的诊断结果m(j)。
　　4.1BP网络多测点诊断
　　为了全面精确检测破碎机的故障情况，对表4.1给出的五种故障状态各提供4个样本，构成了20个样本的样本集。采用神经网络来对这20个样本进行仿真。
　　表4.1故障测试样本的部分仿真结果
　　

首页