基于D-S证据理论的电机声频故障诊断

摘要:采用小波分析技术对电机噪声进行能量分布特征提取,将信息融合技术与神经网络相结合,建立电机故障诊断系统。采用多层神经网络进行故障特征级融合与电机故障的局部诊断,获得彼此独立的证据,运用Dempster-Shafer证据理论合成算法对各证据理论进行决策级融合。实验表明,此系统诊断结果与实际相符,提高了故障诊断的精度,并满足了诊断的在线实时性要求。

关键词:神经网络;证据理论;电机;声频故障诊断

中图分类号:TP277文献标识码:A文章编号:1009-3044(2010)13-3482-02

Audio Fault Diagnosis for Motor Based on D-S Evidence Theory

TAN Xiao, GU Ai-yu

(College of Automatic, Guangdong University of Technology, Guangzhou 510006, China)

Abstract: In this paper, a new efficient audio fault diagnosis system based on information fusion technology and neural network was presented, the background of wavelet transform was given. In data fusion level, multi-neural networks are used to carry on fusion in motor feature level and carry on local motor fault diagnosis, in order to acquire independent evidence each other. Then D-S evidence theory and fusion algorithm are used to fuse evidence. The results show that the proposed method was effective, improved the diagnostic precision and satisfy the requirement for real time.

Key words: neural network; evidence theory; electromotor; audio fault diagnosis

利用电机声音信号实施故障诊断,具有非接触式测量、设备简单、速度快、效率高、易于实现早期预报和在线监测等优点,逐渐得到人们的重视。电机在故障情况下产生非平稳的随机噪声,利用小波分析技术的多分辨分析特性,可以使其能够准确地从复杂的背景噪声中提取内故障的声音信号特征,神经网络具有自学习能力和极强的非线性映射能力等特点,而小波神经网络继承了两者的优点,同时具有良好的函数逼近能力和模式分类能力[1]。目前电机声频故障诊断仅使用单一传感器进行,只能获得部分信息[2]。而采用多传感器信息融合,如Bayes推理、Dempster-Shafer证据理论、模糊集理论等方法[3],可以更真实、更准确地反应电机的运行状态。通常,信息融合过程分为数据层、特征层和决策层融合,每一级分别代表了对原始数据不同的抽象。由于传感器的精度、外部环境影响以及数据的后处理等因素的影响,会导致融合过程中存在各种不确定性[4]。在对各种非精确推理技术中,D-S证据理论凭借其自身的优点,在处理不确定性问题时具有独到的优势[4]。

本文将D-S证据理论融合技术引入到电机故障诊断中,将证据推理技术和人工神经网络相结合,提出一种可靠的电机故障诊断模型,通过诊断试验测试证明:该诊断系统有利于故障特征的准确提取,有利于提高电机故障诊断的准确度,并能满足诊断的实时性要求。

1 小波变换的基本原理与能量分布特征提取

若ψ(t)∈L1∩L2,如果满足可容性条件:,则称ψ(t)为一个基本小波或小波母函数,在实际应用中主要是使用其离散形式。由基本小波生成的二进制离散小波函数定义为。根据多尺度分析和多尺度分辨率逼近的概念,如果二进离散小波函数簇ψ(t)m,n构成L2(R)中的标准正交基,则对信号x(t)有如下的正交小波分解,式中N为分解层数,dn m为第j层高频小波分解系数序列的第n个分量,cn m为尺度分解系数,φm,n(t)是由尺度函数φ(t)得到的二进正交尺度函数簇,即。从滤波的角度来看,正交小波分解信号是通过一个高通滤波器和一个低通滤波器来进行滤波:低通滤波器的作用是实现函数x(t)的逼近。高通滤波器作用是抽取x(t)的细节。将信号分解N层,每次分解得到的低频信号和高频信号长度都是原信号长度的一半。在实际的工程中,有用信号通常表现为低频部分或是一些比较平稳的信号,而噪声信号则通常表现为高频信号。小波分解得到的信号无冗余也不损失原信号[5]。因此用小波分解后各尺度空间的高频信号能量作为特征向量。

2 基于神经网络的D-S证据推理过程

D-S证据理论是一种数据融合方法,能依据不确定性的信息进行推理,广泛用于信息融合和不确定推理等领域。它应用于故障诊断,可增加故障诊断的信任度。

在证据融合过程中,先进行多传感器融合,对故障模式做初步识别,并通过数据处理与分析方法提取故障特征, 然后,用人工神经网络对各故障特征向量进行分类与局部诊断,结果作为各个证据体的基本可信度分配,形成彼此独立的证据,最后,运用证据融合决策规则,实现对故障的准确判别。故障诊断如图1所示。

2.1 BP神经网络局部诊断

各神经网络分别从不同的征兆域进行诊断,分别处理不同的参数类型,可根据需要选取适合该参数类型的网络模型及算法,其中输入节点数为各征兆域的征兆数目,输出节点对应诊断故障类型,并根据样本数目的大小选择适当的网络层数及中间层节点个数。

2.2 D-S证据理论决策级融合方法

选择整个故障空间做识别框架,每一个子神经网络的输出作为DS融合决策级的证据体。假设各证据体互不相关,则可按下面的方法计算各证据的基本信任度分配。

1)对神经网络的输出进行归一化:

(1)

式中Ai为故障诊断中的基本故障模式,m(Ai)为在故障框架上对故障Ai的信任度函数分配,即对故障Ai判断的准确度,可根据各传感器对于故障的关联度进行确定。y(Ai)为神经网络各节点的实际输出。则各节点的总输出s为:

(2)

式中,n为神经网络的个数,err为网络误差。经归一化处理后,得到各证据的基本信任度分配。

2)对多个神经网络的证据进行融合处理,得到最终的基本信任度分配。如果,则有如下合成公式:

(3)

式中,φ为空集,m(Ai)为在故障框架上对故障Ai的信任度函数分配,E为假设的故障模式Ai和Bj布尔组合的一个综合命题。E的信任度函数m(E)是包含不冲突故障假设Ai的所有信任度函数乘积之和。由此可递推得到多个故障证据的融合结果。

通过D-S证据理论融合规则联合几个证据组形成了一个新的综合证据,为电机故障模式的决策提供综合、准确的信息。

3)设定门限值作为判定规则,得到证据融合决策诊断结果,即电机的故障模式。

表1 1号传感器标准训练样本及期望输出 表2 2号传感器标准训练样本及期望输出

3 声频故障诊断系统应用实例

实验采用某型号的窗式空调电机,额定电流4.7A,额定电压220V,工频50Hz,制冷功率为2500W,转速为0～2000r/min之间无极调速。设置2个传感器接收声音信号。设定的2种模式分别为:正常、电磁故障。以db3小波对信号进行6层分解,重构后提取高频的能量作为特征值,并以此输入神经网络。由于BP网络输入节点为6,输出节点为2,参考文献[6]的经验公式构建5-5-2结构网络。以表1与表2所示的训练样本及期望输出训练网络。

以表1与表2中的待识别故障模式样本数据代入已训练完毕的网络进行检验,分别得到两个不同的判别结果m1,m2。由前述定义的识别框架?专={u0,u1},命题u0为正常状态,命题u1为电磁故障。以BP神经网络的输出作为证据体的基本信任度分配:m1(u0)=0.2358,m1(u1)=0.7642, m2(u0)=0.1687, m2(u1)=0.8313。取决策门限λ=0.90,各网络的输出无法诊断出结果。由D-S证据融合规则可得m(u)=0.9602,测试样本显然为电机电磁故障,这一结果与实际故障相符。

4 结论

通过对单传感器检测信号进行故障检测难以满足实时性与精度要求。因此,电机声频故障检测中,采用D-S证据理论与小波神经网络相结合的信息融合模式,将该方法应用到一个实例中,解雇哦表明,在对多源传感器信号提供的证据进行合成后,诊断结论的可信度明显提高,不确定性明显降低,因此该诊断方法合理有效。

参考文献:

[1] 马建仓.小波人工神经网络信息融合故障诊断方法[J].中国机械工程,1997,8(2):38.

[2] 谷爱昱.基于小波神经网络的电机声频故障诊断系统[J].仪器仪表装置,2006(3):24-26.

[3] 王润生.信息融合[M].北京:科学出版社,2007.

[4] WU Sheng-qiang. Research on data fusion fault diagnosis method based on D-S evidence theory[C].2009 International Conference on Measuring Technology and Mechatronics Automation, ICMTMA 2009(1):689-692.

[5] 郭存杰.小波降噪方法在电动机故障信号特征提取中的应用[J].科学技术与工程,2006,6(2):189-191.

[6] 朱大奇.人工神经网络原理及应用[M].北京:科学出版社,2006.