應(yīng)用于破碎機(jī)故障診斷系統(tǒng)中的信息融合技術(shù)

1、應(yīng)用于破碎機(jī)故障診斷系統(tǒng)中的信息融合技術(shù)論文摘要：本文以該設(shè)備故障診斷為研究對(duì)象在對(duì)國(guó)內(nèi)外研究現(xiàn)狀進(jìn)行深入分析的根底上給出一種基于神經(jīng)網(wǎng)絡(luò)和D-S證據(jù)理論相結(jié)合的信息融合的故障診斷方法并進(jìn)行實(shí)際檢驗(yàn)。以信息融合的根本思路，將多子神經(jīng)網(wǎng)絡(luò)和D-S 證據(jù)理論綜合起來(lái)設(shè)計(jì)出一套綜合診斷方法，將兩種方法取長(zhǎng)補(bǔ)短相結(jié)合應(yīng)用于故障診斷中，取得了較好的診斷效果。論文關(guān)鍵詞：故障診斷,信息融合,神經(jīng)網(wǎng)絡(luò),證據(jù)理論0引言現(xiàn)代工業(yè)生產(chǎn)設(shè)備趨向大型化、連續(xù)化、高速化和自動(dòng)化，功能越來(lái)越多、結(jié)構(gòu)越來(lái)越復(fù)雜，但因此設(shè)備故障停工造成的損失大大增加。保證生產(chǎn)正常進(jìn)行的關(guān)鍵是使各種重要的大型設(shè)備正常運(yùn)轉(zhuǎn)。如果在設(shè)備出了問(wèn)題后

2、維修，停產(chǎn)不僅帶來(lái)經(jīng)濟(jì)上的巨大損失，而且設(shè)備帶病工作有可能引起嚴(yán)重?fù)p害。目前對(duì)設(shè)備進(jìn)行定期檢修，如檢修間隔長(zhǎng)，有可能在兩次檢修之間設(shè)備發(fā)生故障。設(shè)備發(fā)生故障時(shí)，將產(chǎn)生機(jī)械的、電氣的、物理的、化學(xué)的變化，并隨著故障程度的增加而顯著，可以通過(guò)各種檢測(cè)手段來(lái)發(fā)現(xiàn)這些異常現(xiàn)象來(lái)分析設(shè)備的故障狀況。但是采用單一檢測(cè)手段都因各種不確定因素的影響，采用單一檢測(cè)手段診斷設(shè)備故障的結(jié)論往往不準(zhǔn)確。針對(duì)上述問(wèn)題，本系統(tǒng)將通過(guò)對(duì)設(shè)備進(jìn)行在線動(dòng)態(tài)連續(xù)監(jiān)測(cè)分析，隨時(shí)了解設(shè)備的狀態(tài)，給出故障報(bào)警信號(hào)。要實(shí)現(xiàn)設(shè)備故障診斷的準(zhǔn)確性，最有效的方法就是采用多種檢測(cè)手段來(lái)進(jìn)行綜合診斷。1故障診斷技術(shù)故障診斷是指在一定工作環(huán)境下查明

3、導(dǎo)致系統(tǒng)某種功能失調(diào)的原因或性質(zhì)，判斷劣化狀態(tài)發(fā)生的部位或部件，以及預(yù)測(cè)劣化狀態(tài)的開(kāi)展趨勢(shì)等。故障診斷的過(guò)程有三個(gè)主要步驟：1)檢測(cè)設(shè)備狀態(tài)的特征信號(hào)；2)從所有檢測(cè)到的特征信號(hào)中提取征兆；3)根據(jù)征兆和其它診斷信息來(lái)識(shí)別設(shè)備的狀態(tài)，從而完成故障診斷。2神經(jīng)網(wǎng)絡(luò)技術(shù)的信息融合故障診斷方法神經(jīng)網(wǎng)絡(luò)是一個(gè)具有高度非線性的超大規(guī)模連續(xù)時(shí)間動(dòng)力系統(tǒng)，主要特征為連續(xù)時(shí)間非線性動(dòng)力學(xué)、網(wǎng)絡(luò)的全局作用、大規(guī)模并行分布處理和聯(lián)想學(xué)習(xí)能力。其在故障診斷領(lǐng)域的應(yīng)用主要集中于三個(gè)方面：一是從模式識(shí)別角度應(yīng)用神經(jīng)網(wǎng)絡(luò)作為分類器進(jìn)行故障診斷；二是從預(yù)測(cè)角度應(yīng)用神經(jīng)網(wǎng)絡(luò)作為動(dòng)態(tài)預(yù)測(cè)模型進(jìn)行故障預(yù)測(cè)；三是從知識(shí)處理角度建立

4、基于神經(jīng)網(wǎng)絡(luò)的診斷專家系統(tǒng)。2.1神經(jīng)網(wǎng)絡(luò)的特點(diǎn)以及用于故障診斷的原因神經(jīng)網(wǎng)絡(luò)故障診斷問(wèn)題可以看成模式識(shí)別。通過(guò)對(duì)一系列過(guò)程參量進(jìn)行測(cè)量，然后用神經(jīng)網(wǎng)絡(luò)從測(cè)量空間映射到故障空間，實(shí)現(xiàn)故障診斷。應(yīng)用于故障診斷的方法多種多樣，神經(jīng)網(wǎng)絡(luò)之所以適合于故障診斷，有以下三個(gè)主要原因：1)訓(xùn)練過(guò)的神經(jīng)網(wǎng)絡(luò)能存儲(chǔ)有關(guān)過(guò)程的知識(shí)，能直接從定量的、歷史故障信息中學(xué)習(xí)。可以根據(jù)對(duì)象的正常歷史數(shù)據(jù)訓(xùn)練網(wǎng)絡(luò)，然后將此信息與當(dāng)前測(cè)量數(shù)據(jù)進(jìn)行比擬，以確定故障。2)神經(jīng)網(wǎng)絡(luò)具有濾出噪聲及在有噪聲情況下得出正確結(jié)論的能力，可以訓(xùn)練人工神經(jīng)網(wǎng)絡(luò)來(lái)識(shí)別故障信息，使其能在噪聲環(huán)境中有效的工作，這種濾出噪聲的能力使得神經(jīng)網(wǎng)絡(luò)適合在線故

5、障檢測(cè)和診斷。3)神經(jīng)網(wǎng)絡(luò)具有分辨原因及故障類型的能力。BP網(wǎng)絡(luò)在諸如模式識(shí)別、系統(tǒng)辨識(shí)、圖像處理、語(yǔ)言理解、函數(shù)擬合等一系列實(shí)際問(wèn)題中得到了極為廣泛的應(yīng)用。2.2神經(jīng)網(wǎng)絡(luò)的故障診斷過(guò)程模糊神經(jīng)網(wǎng)絡(luò)與傳統(tǒng)多層感知器的主要區(qū)別在于其輸入和輸出均表示為模糊隸屬度，通過(guò)隸屬度函數(shù)的適中選擇，該網(wǎng)絡(luò)既可以處理數(shù)字形式輸入又能適應(yīng)語(yǔ)義形式輸入，同時(shí)輸出也不再是單一的分類結(jié)果而是各類的隸屬度，這樣就更好地模擬了人腦思維的模糊性。3證據(jù)理論的信息融合故障診斷方法3.1D-S證據(jù)理論概述在診斷領(lǐng)域，由于設(shè)備本身的復(fù)雜性和運(yùn)行環(huán)境的不穩(wěn)定性，設(shè)備反映的信息具有不確定性。貝葉斯法和證據(jù)理論方法提供了有效的處理不確

6、定性信息的手段。具體的講，診斷問(wèn)題中不確定性的來(lái)源有：事實(shí)中的、準(zhǔn)那么中條件的、準(zhǔn)那么本身有效性的以及不完全知識(shí)、片面數(shù)據(jù)等。由此決定了三種不確定性：隨機(jī)性或可能性、模糊性、不完全性或不知性。對(duì)這些不確定性的處理，貝葉斯法和證據(jù)理論D-S推理方法提供了有效的手段。3.2證據(jù)理論的推理結(jié)構(gòu)及其優(yōu)點(diǎn)任何一個(gè)完整的推理系統(tǒng)都需要用幾個(gè)不同推理級(jí)來(lái)保持精確的可信度表示。D-S方法的推理結(jié)構(gòu)自上而下分為三級(jí)：第一級(jí)是合成，它把由它獲取傳感器報(bào)告并進(jìn)行推斷，將傳感器報(bào)告擴(kuò)展成目標(biāo)報(bào)告。這種推理的根底是：一定的傳感器報(bào)告以某種可信度在邏輯上定會(huì)產(chǎn)生可信的某些目標(biāo)報(bào)告。第三級(jí)是更新，因各種傳感器一般都有隨機(jī)誤

7、差，所以，在時(shí)間上充分獨(dú)立的將比任何單一報(bào)告都可靠。這樣，在進(jìn)行推斷和多傳感器合成之前要先組合更新傳感器級(jí)的信息。證據(jù)理論具有以下一些優(yōu)點(diǎn)：1)證據(jù)理論采用信任函數(shù)而不是概率作為度量，通過(guò)對(duì)一些時(shí)間的概率加以約束以建立信任函數(shù)而不必說(shuō)明精確的難以獲得的概率。2)證據(jù)理論具有比擬強(qiáng)的理論根底，既能處理隨機(jī)性所導(dǎo)致的不確定性，又能處理模糊性所導(dǎo)致的不確定。3)證據(jù)理論可以依靠證據(jù)的積累，不斷的縮小假設(shè)集。4)證據(jù)理論能將不知道;和不確定;區(qū)分開(kāi)來(lái)。5)證據(jù)理論可以不需要先驗(yàn)概率和條件概率密度。4BP網(wǎng)絡(luò)與D-S證據(jù)理論相結(jié)合的綜合診斷模型在用D-S證據(jù)理論進(jìn)行各征兆域神經(jīng)網(wǎng)絡(luò)輸出結(jié)果的局部信息融合

8、時(shí)，在系統(tǒng)中將單通道輸出直接轉(zhuǎn)化為證據(jù)推理模型，即將神經(jīng)網(wǎng)絡(luò)的單通道輸出經(jīng)過(guò)歸一化處理，直接作為各焦點(diǎn)元素的根本概率分配，從而防止了構(gòu)造根本概率分配函數(shù)的復(fù)雜性，然后用D-S證據(jù)理論的組合規(guī)那么逐次合并各通道的診斷信息，得到該征兆域獨(dú)立的局部診斷結(jié)果。假設(shè)在征兆域s中，Bel對(duì)應(yīng)于第一通道神經(jīng)網(wǎng)絡(luò)的輸出結(jié)果，Be1對(duì)應(yīng)第二通道神經(jīng)網(wǎng)絡(luò)輸出結(jié)果，依次類推，每個(gè)信任函數(shù)的焦點(diǎn)元素都對(duì)應(yīng)不同神經(jīng)網(wǎng)絡(luò)目標(biāo)診斷結(jié)果A表示故障模式，i=1,2,.,10；y(A)表示BP網(wǎng)絡(luò)的診斷結(jié)果，E為網(wǎng)絡(luò)的樣本誤差，t,y分別對(duì)應(yīng)第j個(gè)神經(jīng)元的期望值和實(shí)際值。表4.2單個(gè)樣本網(wǎng)絡(luò)誤差 測(cè)點(diǎn) 樣本 1 樣本2 樣本 3

9、 樣本 4 樣本5 樣本6 樣本7 樣本8 樣本9 樣本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 0.0202 0.0168 0.0258 0.0131 0.0139 0.0161 0.0156 3 0.0193 0.0171 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.

10、0120 0.0266 0.0039 由于A,A,.,A相互獨(dú)立，那么AA=(ij)，把測(cè)點(diǎn)1的數(shù)據(jù)排成橫排，測(cè)點(diǎn)2的數(shù)據(jù)排成豎排，再用Dempster合并規(guī)那么計(jì)算表格中的各欄，即可得到1、2測(cè)點(diǎn)的融合結(jié)果；用融合的結(jié)果再與測(cè)點(diǎn)3的判斷結(jié)果融合，即可得到1、2、3測(cè)點(diǎn)的融合結(jié)果；最后再用1、2、3測(cè)點(diǎn)的融合結(jié)果與測(cè)點(diǎn)4的判斷結(jié)果融合，得到所有測(cè)點(diǎn)的融合數(shù)據(jù)。將表4.1中的數(shù)據(jù)用D-S合并規(guī)那么融合，得到的結(jié)果如表4.3所示。表4.3數(shù)據(jù)融合的局部結(jié)果 組號(hào) A B C D E F 1 0.00001 0.999985 0.000000 0.000008 0.000003 0.000001 0

11、.000008 2 0.00001 0.000008 0.999944 0.000001 0.000008 0.000007 0.000006 3 0.00001 0.000009 0.000005 0.999922 0.000003 0.000002 0.000004 4 0.00001 0.000000 0.000003 0.000002 0.999963 0.000006 0.000007 5 0.00001 0.000010 0.000006 0.000006 0.000006 0.999973 0.000006 5結(jié)束語(yǔ)以信息融合的根本思路，將多子神經(jīng)網(wǎng)絡(luò)和D-S證據(jù)理論綜合起來(lái)設(shè)計(jì)出一套綜合診