《2022年应用于破碎机故障诊断系统中的信息融合技术_证据理论.docx》由会员分享，可在线阅读，更多相关《2022年应用于破碎机故障诊断系统中的信息融合技术_证据理论.docx（18页珍藏版）》请在taowenge.com淘文阁网|工程机械CAD图纸|机械工程制图|CAD装配图下载|SolidWorks_CaTia_CAD_UG_PROE_设计图分享下载上搜索。
1、2022年应用于破碎机故障诊断系统中的信息融合技术_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、结构越来越困难，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。假如在设备出了问题后修理，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峻损害。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，将产朝气械的、电气的、物理的、化学的改变，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觉这些异样现象来分析设备的故障状况。但是采纳单一检测手段都因各种不确定因素的影响，
2、采纳单一检测手段诊断设备故障的结论往往不精确。 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精确性，最有效的方法就是采纳多种检测手段来进行综合诊断。 1故障诊断技术 故障诊断是指在肯定工作环境下查明导致系统某种功能失调的缘由或性质，推断劣化状态发生的部位或部件，以及预料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)从全部检测到的特征信号中提取征兆； 3)依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
3、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实力。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；二是从预料角度应用神经网络作为动态预料模型进行故障预料；三是从学问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缘由 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，有以下三个主要缘由： 1)训练过的神经网络能存储有关过程的学问，
4、能干脆从定量的、历史故障信息中学习。可以依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状况下得出正确结论的实力，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，这种滤出噪声的实力使得神经网络适合在线故障检测和诊断。 3)神经网络具有辨别缘由及故障类型的实力。 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分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
5、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，由于设备本身的困难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供应了有效的处理不确定性信息的手段。详细的讲，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学问、片面数据等。由此确定了三种不确定性：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方法供应了有效的手段。 3.2证据理论的推理结构及其优点 3.2.1证
6、据理论的推理结构 任何一个完整的推理系统都须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。 其次级是推断，由它获得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：肯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牢靠。这样，在进行推断和多传感器合成之前要先组合传感器级的信息。 3.2.2证据理论的优点 证据理论具有以下一些优点： 1)证据理论采纳信
7、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)证据理论可以不须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干脆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，干脆作为各焦点元素的基本概率安排，从而避开了构造基本概率安排函
8、数的困难性，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。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对应其次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，它们构成辨别框架，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安排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裂机的故障状况，对表4.1给出的五种故障状态各供应4个
9、样本，构成了20个样本的样本集。采纳神经网络来对这20个样本进行仿真。 表4.1故障测试样本的部分仿真结果 组号 A B C D E 1 0.10168 0.0884 0.0369 0.0787 0.0223 0.9496 0.0685 0.0769 0.0144 0.0191 0.10114 0.0902 0.0847 0.0087 0.0963 0.9505 0.0880 0.0666 0.0131 0.06101 2 0.0043 0.9256 0.0129 0.0560 0.0219 0.0575 0.9359 0.0203 0.0944 0.0184 0.0113 0.9310 0.
10、0753 0.0852 0.0213 0.0737 0.9676 0.0067 0.0580 0.0901 3 0.06101 0.0452 0.10151 0.0265 0.0968 0.0169 0.0442 0.9193 0.0473 0.0454 0.0303 0.0403 0.10133 0.0808 0.0175 0.0139 0.0304 0.9184 0.0339 0.0817 4 0.0933 0.0280 0.01015 0.9569 0.0512 0.0567 0.0784 0.0085 0.9442 0.0454 0.0620 0.0002 0.0446 0.9535
11、0.0516 0.0206 0.0921 0.0136 0.95101 0.0632 5 0.0683 0.0231 0.0116 0.00101 0.9066 0.0432 0.0356 0.0456 0.0901 0.9615 0.0042 0.0628 0.0410 0.01016 0.10136 0.0926 0.01015 0.0331 0.0865 0.9092 4.2D-S证据理论决策融合诊断 将神经网络的计算结果转化为证据推理模型，设信任函数Bel，对应于第一测点的推断结果，信任函数Bel对应其次测点的推断结果，两个信任函数的焦点元素都是A,A,.,A，这些不同的故障模式构成了
12、辨别框，即Bel、Bel有共同的辨别框。 将神经网络的训练误差作为不确定因素，将网络输出节点的输出作归一化处理，作为各焦点元素的基本概率值，计算公式为： A表示故障模式，i=1,2,.,10；y(A)表示BP网络的诊断结果，E为网络的样本误差，t,y分别对应第j个神经元的期望值和实际值。 表4.2单个样本网络误差 测点 样本 1 样本2 样本 3 样本 4 样本5 样本6 样本7 样本8 样本9 样本10 1 0.0128 0.0114 0.0288 0.0184 0.0179 0.0194 0.0113 0.0142 0.0236 0.0213 2 0.0127 0.0166 0.0128
13、0.0202 0.0168 0.0258 0.0131 0.0139 0.0161 0.0156 3 0.0193 0.0173 0.0138 0.0146 0.0148 0.0239 0.0145 0.0133 0.0182 0.0177 4 0.0163 0.0132 0.0140 0.0161 0.0237 0.0239 0.0122 0.0120 0.0266 0.0039 由于A,A,.,A相互独立，则AA=(ij)，把测点1的数据排成横排，测点2的数据排成竖排，再用Dempster合并规则计算表格中的各栏，即可得到1、2测点的融合结果；用融合的结果再与测点3的推断结果融合，即可得到
14、1、2、3测点的融合结果；最终再用1、2、3测点的融合结果与测点4的推断结果融合，得到全部测点的融合数据。将表4.1中的数据用D-S合并规则融合，得到的结果如表4.3所示。 表4.3数据融合的部分结果 组号 A B C D E F 1 0.00001 0.10191015 0.000000 0.000008 0.000003 0.000001 0.000008 2 0.00001 0.000008 0.10110144 0.000001 0.000008 0.000007 0.000006 3 0.00001 0.000009 0.000005 0.10110122 0.000003 0.00
15、0002 0.000004 4 0.00001 0.000000 0.000003 0.000002 0.10110163 0.000006 0.000007 5 0.00001 0.000010 0.000006 0.000006 0.000006 0.10191013 0.000006 比较表4.1和表4.3可以发觉，经过数据融合，诊断精度大大提高了。假如只用单测点数据进行推断，很简单误判。而利用数据融合的方法，将4个测点的数据综合考虑，用D-S合并规则进行合并，得出表4.3中的最终结果是特别志向的。从总体上看，表4.1中单测点用于表征样本类型的量与1的差约在10量级上，而表4.3中多测点
16、的融合结果表征样本类型的量与1的差约在10量级上，同时干扰项由原来10量级变为10量级。说明依据融合之后的数据进行诊断决策把握要大得多，诊断决策的可信度能够大幅度提高。 5结束语 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。 参考文献1王江萍.基于神经网络的信息融合故障诊断技术.机械科学与技术,2002,21(1):1271492高洪涛,王敏.证据理论在旋转机械综合故障诊断中应用.大连理工高校学报,2001,41(4):4594623肖本贤,郭福权,王群京.基于模糊神经网络的车用发电机故障诊断系统的探讨.系统仿真学报,2004,16(5):101110184卢绪祥,李录平,胡念苏.汽轮机组回热系统故障诊断学问的模糊处理及诊断探讨.热能动力工程,2003,103(18):1316 第18页 共18页第 18 页 共 18 页第 18 页 共 18 页第 18 页 共 18 页第 18 页 共 18 页第 18 页 共 18 页第 18 页 共 18 页第 18 页 共 18 页第 18 页 共 18 页第 18 页 共 18 页第 18 页 共 18 页