基于神经网络的信息融合故障诊断技术

收稿日期:20001225

作者简介:王江萍(1959-),女(汉),陕西,

副教授

王江萍

文章编号:100328728(2002)0120127204

基于神经网络的信息融合故障诊断技术

王江萍

(西安石油学院机械系,西安　710065)

摘　要:利用神经网络技术建立信息融合中心,对多传感器数据进行融合处理,通过多源互补信息减小故障诊断系统的不确定性。文中讨论了神经网络多传感器信息融合方法中数据预处理与特征提取、特征向量维数压缩与关联、归一化处理方法等,同时,对神经网络的构造以及学习训练等内容,也作了较为详细的讨论。通过对柴油机振动监测数据、燃油压力波动信息、以及两者融合信息的故障诊断性能的比较,表明神经网络多传感器信息融合方法用于复杂机械的故障诊断是可行和有效的。

关　键　词:多传感器;信息融合;神经网络;故障诊断中图分类号:T P 212.1　　　文献标识码:A

Fault D i agnosis Technology Based on Neural Network M ultisen sor Dat a Fusion

WAN G J iang 2p ing

(D epartm ent of M echanical Engineering ,X i ′an Petro leum Institute ,X i ′an 710065)

Abstract :T h is paper deals w ith a m ultisenso r system app lied to m echanical fault diagno sis .By using the info r m ati on fusi on pattern based on neural netw o rk ,the uncertainty of the diagno sis system can be decreased greatly .T he m ethods fo r data p rep rocessing ,features extracti on and constructi on of the neural netw o rk are discussed .T he app roach is show n to be p ractical and effective th rough diagno sing the faults in the fuel injecti on system of a diesel engine .

Key words :M ultisenso r ;Info

r m ati on fusi on ;N eural netw o rk ;Fault diagno sis

现代企业设备系统的大型化、复杂化、智能化,要求对其

运行状态进行多目标监测与故障诊断。在大型复杂机械系统的状态监测与故障诊断过程中,由于系统动态行为、功能和结构的复杂性、非线性及不确定性,使得仅借助单一信息源提供的信息,采用常规或传统的故障诊断理论和方法,根据几个主要的故障特征量做出判断,难以实现诊断目标.所以有必要充分利用各种检测手段和所获得的各种状态信息,形成集成与融合的智能诊断策略

。

所谓多传感器信息融合是指对来自多个传感器的信息进行多级别、多方面的处理,从而导出新的、有意义的信息,而这种新信息是任何单一传感器所无法获得的,它表示了被监测目标对象的状态行为。通过多传感器信息融合,可以扩大时空覆盖范围,增加置信度,改善检测系统的可靠性。通常,多传感器信息融合过程分为数据层、特征层和决策层信息融合,每一个级别层次代表了对原始数据不同程度的抽象。

基于神经网络多传感器信息融合故障诊断方法是特征层状态属性融合,也就是特征层联合识别方法,多传感器检测系统为识别提供了比单传感器更多的有关目标(状态)的

特征信息,增大了特征空间维数。本文用神经网络多传感器信息融合方法对机械设备运行状态进行诊断识别,是基于这样一种思想:设备运行状态与其各种征兆参数(振动特征、温度、压力等)之间存在着因果关系,而这种关系之复杂是难用现式表达的,由于神经网络所具有的信息分布式存储方式、大规模自适应并行处理、高度的容错能力等是其可用于模式识别的基础,特别是其学习能力、容错能力和高度的非线性映射能力对机械设备运行状态的不确定性模式识别具有独到之处。用神经网络融合多传感器信息进行故障诊断,融合系统首先对传感器数据进行预处理以完成特征提取及数据配准,即通过传感器信息变换,把各传感器输入数据变换成统一的数据表达形式(既具有相同的数据结构),在数据配准后,对特征进行关联处理,把特征矢量分成有意义的组合,对目标(状态)进行的融合识别,就是基于关

图1　神经网络信息融合智能模型

联后的联合特征矢量。图1是应用神经网络的多传感器信

第21卷2002年　第1期1月机械科学与技术

M ECHAN I CAL SC IEN CE AND T ECHNOLO GY

V o l .21January 　

N o.1

2002

息融合对柴油机供油系统故障模式进行识别的智能模型。

1　传感器信号的预处理与特征提取

由于传感器所采集的信息受随机干扰很严重,有必要首先对信号进行预处理,然后进行特征提取。1.1　压力信号

图2　压力波形特征参数在实验中,将两个压力传感器分别安装在喷油泵的出口端和喷油器的入口端来监测高压油路的压力。柴油机工作时燃油喷射是周期进行的,按周期截取高压油管燃油压力信号,如图2所

示,对其进行时域同步平均处理[1]可部分消除噪声干扰,提高信噪比。

若压力信号x (t )由周期信号y (t )和白噪声n (t )组成:x (t )=y (t )+n (t ),我们以y (t )的周期截取信号x (t ),共截得N 段,然后将各段对应点相加,由于白噪声的不相关性,可得到

x (t i )=N y (t i )+

N n (t i )

(1)再对x (t i )平均,便得到输出信号y ′

(t i )y ′

(t i )=y (t i )+n (t i ) N (2)

此时输出的白噪声是原来输入信号x (t )中的白噪声的1 N ,因此信噪比将提高N 倍。

对压力信号进行时域同步平均的过程即是进行周期截取与特征提取过程,在时域同步平均处理后压力波形上,本系统选择了10个诊断特征参数作为每一个输入模式的属性值,见图2。图2中:P r 为残余压力;P m ax 为最大喷油压力;P 2为第二压力波峰值;Α1为喷油提前角;Α2为第二压力波峰与上止点间曲轴转角;Α3为进油孔关闭到喷射点间曲轴转角;k 为压力卸压比,k =x y ;A 1为上止点前油压波动面积;A 2为上止点后油压波动面积;?P 为压力差,?p =P m ax -P 2。

1.2　振动信号

多缸柴油机振动信号由于受各缸燃爆激励引起的振

动、进排气机构的冲击振动、活塞曲轴机构的摇摆与撞击振动等的交叉干扰,使振动信号异常复杂,造成各状态模式的信号功率谱貌视相似又不相似的状况[2],直接应用时域或谱形状特征进行神经网络的故障模式识别很困难;另外,如果将振动信号经处理后所得的功率谱直接作为模式特征,则特征向量过长,如果信号长度为N ,就可得到N 2+1个特征向量,但从使用角度看,只能有少数特征用于神经网络的学习和训练,一个重要的原因是,训练诸如BP 网络这样的多层感知器,最小的训练样本为[3]

D =2(d +1)

(3)式中:d 是所用的特征数,若采用很大的特征数,就需要很多训练样本,这在大多数情况下是不实际的和代价昂贵的,

所以需要进行特征维数压缩。

因此,利用小波分析,首先对振动信号进行分解变换,将信号分解在不同的频率段上,然后利用Kullback 2L eibler 信息量最小,确定特征频率段[4]。特征频率段对应的时间序列,通过建立时序模型,获得相应的模型参数,来完成状态信息提取并构成神经网络模式特征。

由于A R 模型建模[1]比较简单,计算机运行时间短,对系统状态的识别又有一定的准确性,故本文采用A R 模型作为系统时序模型。

对平稳(柴油机振动信号属非平稳信号,但特征频率段相应时间序列可近似认为是平稳的)、零均值时间序列{x i },其p 阶自回归模型

A R (p )的一般形式为

x k =

∑p

i =1

p i

x k -i +a k (4)

式中:残差a k

～N I D (0,Ρ2a

)利用序列{x i }的自相关系数的估计量

r k =r -

k

=(

∑N -k

i =1

x i

x

k +i

) N 　　k =0,1,2, (5)

代入Yule 2W alker 方程式便可求得A R (p )模型的参数。

p 1 p 2

p p

=

r 0r 1…r p -1r 1

r 0…

r p -2

…

r p -1…

r 0

-1

r 1r 2

r p

(6)

式(4)～(6)中:N 为样本长度;p 为模型阶数。

A R (p )模型的残差序列{a k }的方差Ρ2

a

(p )的矩估计为Ρ2

a =E a 2

k =E [x k -∑p

i =1

p i

x k -i ]2=

r 0-

∑p

i =1

p i

x k -

i

(7)

在建立了信号的A R (p )模型后,以模型的前5个系数 p 1

～

p 5

和所在频率段时间序列的最小Kullback 2L eibler 信

息量作为模式识别的特征矢量。

2　归一化处理

作为特征的各种参数,其物理意义各不相同,且幅值大小很不一致,有正有负。为了能够应用神经网络对各种状态

进行分类识别,需要除去各特征参数物理单位的干扰,仅从数量上来分析,且规格化在[0,1]

之间,为此本文采用了以下归一化方法:

x 0i =1- x i -x θ (x m ax -x m in )(8)式中:x m ax =m ax {x i },x m in =m in {x i },x θ=(∑n

i =1x i )

N 。经过式(8)归一化处理后的特征参数,作为神经网络的输入特征矢量。

3　特征关联[5]

在用神经网络融合中心对多传感器特征信息进行融合处理前,必须先对各种传感器的特征矢量进行关联处理,将压力特征矢量与振动特征矢量进行合成,形成有意义的组

821机械科学与技术第21卷

合。例如,在实验中,将两个压力传感器特征信息关联时,如果简单地将两者合并,经融合中心处理后,故障的识别率为85%;而当将两者各10维特征矢量间隔交叉合并成20维联合特征矢量,作为融合中心的输入模式,其故障的识别率达95%,识别性能明显提高。

4　神经网络融合中心的构造

在机械故障诊断中,常用的神经网络是前馈网络,其学习算法通常为误差反向传播算法(BP 算法[6]),BP 算法是一个很有用的算法,因此受到广泛的重视。但也存在一些问题,主要是:存在局部极小值问题;算法收敛速度慢;选取隐单元的数目尚无一般的指导原则等。针对这些问题,各种改进算法应运而生,本系统所用的尺度共轭梯度算法[7]就是其中之一,它使网络的训练和运算速度都有很大的提高。

图3　前馈神经网络基本结构

本系统融合中心采用三层前馈神经网络,其基本结构如图3所示,它由输入层、隐层和输出层构成。神经元(节点)的作用函数为非线性的S 函

数(Sigmo id )

f (x )=1

(1-e -x )

(9)

网络学习算法采用尺度共轭梯度算法。

网络的输入层节点数对应于信号预处理与特征提取后的特征维数d ;输出层节点数取为10,对应于10种供油系统故障状态模式:正常状态f 0,喷油器针阀磨损f 1,喷油器针阀卡紧f 2,出油阀密封锥面磨损f 3,喷油压力过高f 4,喷

油压力过低f 5,供油量过多f 6,供油提前角过早f 7,供油提前角过晚f 8,油管泄漏f 9。至于隐层节点数取多少合适,是值得研究的问题。隐层节点数太少,势必将输入层传输的信息进行过分压缩,网络不能充分学习,导致映射逼近精度下降;隐层节点数过多,网络的非线性可能过于复杂,计算所需时间加长,产生过剩学习。鉴于此,在应用时,先确定隐层节点数为2d +1,然后在此基础上再反复试凑,寻求合适的隐层节点数。

在确定了网络的输入特征及结构后,就要用样本对网络进行训练,使网络认知来自多传感器的特征信息所代表的设备状态,训练学习结束后,当对网络输入新样本时,网络就会产生出对应新样本的设备运行状态。

5　融合诊断结果与讨论

为了比较多传感器信息融合诊断结果与单传感器信息神经网络的分类情况,本系统就神经网络输入特征矢量分为七种状况:①输入喷油器端压力传感器信息(压力1);②输入喷油泵端压力传感器信息(压力2);③输入缸盖振动加速度信息(振动1);④输入机身振动加速度信息(振动2);⑤两个压力传感器信息同时输入(压力12);⑥一个压力传感器和一个振动传感器信息同时输入(压力1+振动1);⑦两个加速度计信息同时输入(振动12)。表1～3是利用单个振动信息、单个压力信息、以及两者的融合信息对柴油机供油系统故障进行诊断的部分结果,表4所示是经过60个学习样本、60个检测样本对神经网络融合中心训练和检验后诊断性能比较结果。

表1　振动信息诊断结果

f

f

1

f

2

f

3

f

4

f

5

f

6

f

7

f

8

f

9

f 0

0.96010.00000.00250.00000.05730.00000.00000.00000.05100.0372f 0

0.00000.00000.06000.00000.04320.00000.00000.00000.05180.0436f 1

0.00000.96070.05580.00000.05270.00430.00000.00000.03260.0000f 1

0.00000.00000.00010.00000.00010.00000.00010.00000.04760.0453f 2

0.00000.00020.98150.00000.00070.04930.00000.00000.04860.0503f 2

0.00000.00080.95530.00000.00110.01970.00000.00000.05070.8872f 3

0.00000.00000.00520.00000.00010.08260.00000.00000.04910.0000f 3

0.00000.05130.00000.98380.05270.00000.06380.00000.04810.0000f 4

0.00000.01770.00000.00000.02500.99560.00000.00000.03050.0000f 4

0.00000.

06550.00000.00000.96090.00790.00000.00000.00050.0000f 5

0.00000.00220.00001.00000.10290.00001.00000.00000.02710.0000f

5

0.0000

0.0534

0.0000

0.0000

0.0474

0.9977

0.0284

0.0000

0.0503

0.0001

9

21第1期王江萍:基于神经网络的信息融合故障诊断技术

表2　燃油压力信息诊断结果

f0f1f2f3f4f5f6f7f8f9

f00.96170.04820.05040.05350.03850.05180.05010.04800.05070.0497 f00.99440.05040.05150.04940.00550.05100.04980.04930.05440.0390 f10.04990.88360.00470.00000.05030.06990.00880.04970.04620.1418 f10.04990.10060.00600.00000.05020.04930.06960.04840.05410.0147 f20.04980.07270.91970.00000.04830.03980.04810.05140.04810.0009 f20.05010.02050.81520.00000.04890.03830.10570.04960.05190.0000 f30.05000.47790.05620.00000.04890.04870.00420.05270.05610.0565 f30.05030.00030.03991.00000.06170.05200.03720.05170.04870.0501 f40.05030.02630.05120.22420.90210.05090.04860.04850.05070.0000 f40.04980.00160.38510.92690.15620.05820.04630.04740.04860.0000 f50.05130.12590.04490.00000.05110.93990.02630.04880.04880.0000 f50.04930.87390.09020.00000.04930.72980.00750.06040.04920.9990

表3　一个压力传感器和一个加速度计的融合信息对各种故障类型的识别结果

f0f1f2f3f4f5f6f7f8f9

f00.94510.00000.00000.00000.00010.00420.00230.00000.00000.0000 f00.95830.00000.00000.00000.00000.10840.09230.00000.00000.0000 f10.00000.92310.00300.00000.00000.00020.09760.00000.35810.0001 f10.00000.97380.00120.00000.00000.02300.06060.00000.04600.0590 f20.00000.00000.95180.04530.00000.00000.00000.00000.03280.0000 f20.00000.00000.94570.04950.00000.00000.00000.00000.04700.0000 f30.00000.00000.01510.98290.06940.00000.00000.00000.05530.0453 f30.00000.00000.00650.99730.45990.00000.00000.05380.00000.0001 f40.00000.00000.00000.21890.98930.00000.00000.00000.00020.0005 f40.00000.00000.00000.05420.97370.00000.00000.00000.00010.1246 f50.00430.02950.00000.00000.00000.98820.01030.00000.00200.0000 f50.02000.00000.00000.00000.00000.94860.06100.00000.00160.1696

表4　单一传感器信息与多传感器融合信息的网络识别性能比较

压力1压力2振动1振动2压力12振动12压力1+振动1

学习样本正确识别率100%100%76%100%100%100%100%

检测样本正确识别率76.7%80%38.3%50%95%61.6%78.3%

比较表1～3,可以看出,用多传感器信息经神经网络融合识别分类的效果要好于用单传感器信息分类的效果。

各种单传感器信息对故障分类差别较大,说明单传感器对供油系统故障的敏感程度及受环境噪声影响的程度不同,其中两个振动加速度计信息对故障诊断的结果,均不十分理想,其识别率仅分别为38.3%和50%。

经多传感器信息融合后,诊断分类效果得到改善。其中两个压力传感器融合的结果更好一些,误诊和错分类的情况最少,与单一压力传感器相比,对检验样本的正确识别率由80%提高到95%;而且对各种故障类型的错分与无法分类的情况几乎没有。同时从表中还可看到,压力信息与振动信息的融合诊断效果比单一压力信息或单一振动信息分类效果要好,与后两者相比,压力信息与振动信息的融合诊断正确识别率分别提高了1.6%和28.3%。即使两个加速度计信息的融合诊断效果也比单一振动信息分类效果强些,改变了单一振动特征信息对故障类型几乎无法识别分类的状况,其融合信息对故障的识别率达61.6%。由此可见,多传感器信息神经网络融合系统提高了学习样本的正确识别率,改善了检验样本的识别性能。另一方面也说明了,信息融合能够使不同信源的信息相互补充,从而减小了系统信息的不确定性,使系统信息具有更高的精度和可靠性,进而能够获得对故障状态的最优估计与判决。

(下转第149页)

031机械科学与技术第21

卷

系统,DCOM是更好的选择。DCOM、CORBA可以通过COM CORBA B ridge实现互操作,所以可根据具体情况选择。由于JAVA的功能和效率较差,目前CAD系统的开发语言大多不支持JAVA,还难以用JAVA实现系统的无缝集成,但JAVA跨平台性最好,JAVA和CORBA的组合能够满足多数应用需求,JAVA的编译执行技术及JAVA芯片会加快其速度,因此各CAD软件有望把它像C(C++)一样纳入其开发语言中。鉴于标准件的生成无需大量的计算,JAVA也不失为好的选择。

通用标准件库的设计过程大致和专用的相同,在此要存储的是ST EP中性文件,ST EP文件的生成比较复杂,需要根据ST EP协议标准对零件图形进行翻译[2],需要开发可视化ST EP参数化建库工具以方便开发和减少错误。比较简单的办法是借用支持ST EP标准的CAD系统生成并修改。修改时要十分小心,必须符合ST EP标准要求。这时的数据库最好选用支持多平台的,通过分布式环境建立标准件库的服务,数据的提取和参数化驱动完全由组件或代理进行处理,服务端只提供接口,因此具有平台无关、客户端程序语言无关及瘦客户机等一系列优点。但ST EP标准生成三维图形时需要重建,速度较慢。另外也可以再把标准件保存成V RM L,并和W eb结合,方便用户的查找和应用于动态仿真等。本参数化标准件库的特点:

(1)三维模型包含了空间关系可以进行装配、仿真;

(2)网络应用,即客户机、服务器工作方式以及分布式计算方式支持团队合作;

(3)以统一数据库为支持,易于扩充、管理和实现PDM;

(4)标准件库含有特征,以适应特征建模的需要,如材料特性、统一定位和自动化装配;

(5)标准件库具备跨平台,跨系统的特点。

6　结束语

通过模具标准件数据库系统的开发,为解决模具设计中大量标准件的快速、准确查询与绘制提供了有效途径,并为其它如机械标准件库的开发提供了思路,界面友好使用方便。通用图形库的开发实现了多系统、跨平台的标准件库的建立,为企业实现C I M S打下了良好的基础。

[参考文献]

[1]　袁立颖,陈锦昌,刘林等.机械标准件库的开发研究[J].华南

理工大学学报,1999,27(9):45～48

[2]　蔡长韬,殷国富,陈学斌等.基于ST EP的机械零件CAD

CA PP的集成方法[J].机械科学与技术,1999,18(5):821～

823

[3]　裴云彰,史元春,徐光佑.分布式计算模式下的协同工作环境

[J].小型微型计算机系统,1999,20(8):561～566[4]　沈军营,黄进,严隽琪等.基于CORBA的异地协同工作流模

式[J].计算机应用,1999,19(9):19～22

(上接第130页)

[参考文献]

[1]　屈梁生,何正嘉.机械故障诊断学[M].上海:上海科技出版

社,1986

[2]　王江萍等.柴油机运行状态监测信息获取试验研究[J].西安

石油学院学报,1998,13(3):57～61

[3]　S.R angw ala and D.A.Do rnfeld.Senso r Intergrati on U sing

N eural N etwo rk s fo r Intelligent Too l Conditi on M onito ring [J].Journal of Engineering fo r Industry,A ug.1990,112:

219～228

[4]　王鸿飞,王江萍.小波分析在柴油机监测信号处理中的应用

[J].机械科学与技术,1998(3):440～441

[5]　A.Ch iuderi,S.F ini and V.Cappellini.A n A pp licati on of

D ata Fusi on to L andcover C lassificati on of R emo te Sensed

I m agery:a N eural N etwo rk A pp roach[A].P roceedings of

the1994lnternati onal Conference on M ultisenso r Fusi on and Integrati on fo r Intelligent System s(M F I’94)[C].L as V egas,1994,2～5:756～762

[6]　程相君等.神经网络原理及其应用[M].北京:国防工业出版

社,1995

[7]　魏强.尺度共轭梯度神经网络及其在压缩机喘振监测中的应

用[D].西安交通大学,1996

(上接第142页)

4　结束语

产品结构管理作为PDM系统中的一个基本功能,它为实现产品的快速化协同设计提供了工具[2]。网络技术,尤其是W EB技术的飞速发展,为PS M技术提供了新的发展方向。本文通过分析产品结构管理的技术特点,设计并开发出W EB PS M的原型系统。

[参考文献]

[1]　李建明,黄利平,李和良等.面向C I M S的CA x信息管理与集

成系统的研究[J].清华大学学报,1998,38(10):104～108 [2]　A.Grego ry.PDM2fo r R eal Co llabo rative W o rk ing[J].

M anufacturing Computer So luti ons,1999,5(1):32～35

941

第1期苏铁明等:

网络环境下三维参数化冲裁模标准件图形库

本文来源：https://www.bwwdw.com/article/be8q.html