基于多传感器信号分析的故障诊断*

陈　轶，杨　奕，包辉慧，陆艳娟，张　烨

(南通大学 电气工程学院，江苏 南通 226019)



基于多传感器信号分析的故障诊断*

陈轶，杨奕，包辉慧，陆艳娟，张烨

(南通大学 电气工程学院，江苏 南通 226019)

为解决复杂环境中难以诊断的机械故障，以振动信号和温度、压力等测量信号为基础，建立一种基于多种传感器信号分析的故障诊断模型。针对振动信号，采用小波包对原始振动信号进行分解，提取特征值组成原始特征向量，然后采用粗糙集方法对原始特征向量进行特征约简，将约简后的分类规则作为对向神经网络的训练集。针对温度、压力等测量信号，将各个传感器测量的数据融合形成特征向量，利用遗传算法优化的BP神经网络对其进行训练和模式识别。最后对这两类信号的诊断结果进行融合，构成了一种复合故障诊断模型。实验证明，该诊断模型有较高诊断精度和准确度。

小波包；粗糙集；神经网络；信息融合；故障诊断

0　引言

故障诊断方法是在检测基础上发展起来的一整套方法，不同的故障诊断方法虽然不同，但其大体实施过程基本相同[1]。随着计算机技术及数字信号处理技术的快速发展，机械设备也更为大型化和复杂化。因此，当机械设备发生故障时，其故障原因及故障点就更难以确定。面对某些场合，单一的智能故障诊断技术无法做到精确的判断故障产生的原因，有些甚至进行了误诊断。

文献[2]提出针对大型复杂机械设备故障的不确定性、复杂性、多故障并发性等，运用智能技术之间的互补性，提出混合智能诊断技术，能够有效地提高诊断系统的敏感性、鲁棒性、精确性。同时，大量的学者对混合智能故障诊断技术进行了研究。王晓晓等人[3]提出了基于粒子群算法和神经网络的混合智能方法用于诊断蒸汽轮机故障; Zhu等人[4]提出了基于粗糙集和人工神经网络的特征约简混合智能方法解决了单一智能方法难以处理复杂系统故障诊断的问题。国内外在多智能故障诊断研究方面取得了较大的进展。然而，目前混合智能故障诊断技术大多注重方法的优化与结合，忽视了信号来源的重要性，造成诊断信息的不完备。信号的丰富性可以帮助掌握机械设备的状态，对后期机械设备状态的判别起到了决定性的作用，能更好地避免误诊和漏诊。

为此，本文研究了一种基于多传感器信号分析的故障诊断方法。获取多种传感器信号可以有助于全方面掌握机械运行状态，并且针对不同信号形式，利用多种混合智能诊断算法，能够更为精确地诊断出机械故障。

1　基于多信号的故障判别

本文以某空气源热泵DKFXRS-71Ⅱ机组的振动信号和温度、压力等测量信号为基础，利用不同的分析和诊断方法对信号进行识别，最后将不同信号的诊断结果进行融合。这种故障诊断方法可以提高故障诊断的能力，解决复杂环境而难以诊断的机械故障。图1是本文建立的故障诊断模型。

图1　多传感器故障诊断模型

1.1故障信号的检测

机械设备的一些参数会反映出机械可能存在的故障，如温度、压力、流量等参数，这些参数可以使用传感器的测量获得。测量仪表如压力表、温度计、液位计。空气源热泵内部主要由压缩机、冷凝器、热膨胀阀和蒸发器四个核心部件组成，如图2所示。

图2　热泵机组工作原理

采集的信号主要有热电偶信号和开关信号。在采集各类信号中，热电偶用来测量水箱温度、回水温度、出水温度、环境温度、盘管温度以及排气温度；开关输入量包括水流开关、水压开关、高压开关、低压开关、高水位开关、低水位开关和启停连锁开关；开关输出量包括水箱补水阀、水箱电加热，曲轴箱电加热、风机、压缩机、回水泵、进水阀、四通阀、恒温水泵和故障输出。通过对上述参数的检测，可对机组的运行状态进行诊断，查找故障发生的原因。

机械设备在运行过程中产生的振动和噪音及其特征信息是反映机械设备及其运行状态变化的主要信号。机组的振动信号的检测可以利用电涡流传感器，电涡流传感器是一种相对式非接触式传感器，通过传感器端部与被测物体之间的距离变化来测量物体的振动位移或幅值。电涡流传感器的优点：频率范围宽，灵敏度高、线性工作范围大以及非接触式测量等。获取振动信号后，其中的关键技术是通过对振动和噪音信号的分析处理提取机械故障特征信息。

1.2基于振动信号的故障判别

振动信号常用分析方法有傅里叶变换、小波分析和小波包分析。傅里叶变换是一种整体变换，处理时变的非平稳信号时有一定的局限性。小波分析是一种适合于处理非平稳信号的方法，它对傅里叶变换进行了补充与发展，克服了傅里叶变换只适用于稳态信号和无法分析信号细微特征的缺点。

1.2.1小波包特征提取

虽然小波变换对信号的低频部分实现了进一步分解，但它对高频信号的分解有所欠缺，不能实现空间分辨率更进一步地提高。小波包变换则能实现多层次信号分解，对频率窗口的再细化。根据多分辨分析的空间分解理论[5]：

(1)

按照不同尺度因子j将空间L2(R)分解成小波空间Wj(j∈Z)的直和。小波包变换在此基础上对Wj进一步地划分，即：

(2)

j=0,1,2…,2i-1

(3)

式中，fi,j(tj)为小波包分解在第i层节点(i,j)上的重构信号。根据Parseval[6]定理和式(3)，f(t)小波包分解的能量谱可表示为：

(4)

Ei,j(tj)为f(t)小波包分解到节点(i,j)上的频带能量，xj,k为fi,j(tj)的离散点幅值，m为信号采样点数。

小波包分解遵循能量守恒定理，每个频带的信号就代表了原始信号在该频率段内的信息。小波包有较高的分辨率，对信号实现深层分解后，求取特定频带的能量值，利用求得的特征值构成诊断特征向量。

1.2.2粗糙集特征约简

小波包分解提取的原始特征中可能存在一部分的冗余特征，而冗余特征会使得后期故障分类更为复杂，对分类精度也存在影响。因此，有必要对提取的特征进行约简和选择，在不丢失故障信息的情况下，选取敏感特征作为分类器的输入[7]。

由Pawalk等人[8]提出的粗糙集理论，作为一种新的处理模糊和不确定性知识的数学工具，在决策分析、模式识别及数据挖掘等领域取得了很大的成功[9]。粗糙集方法可以克服传统技术解决复杂对象系统时面临的困难：数据不完整，有噪声，难以奖励系统精确的数学模型等，解决诊断征兆获取和规则知识的自动提取问题[10]。粗糙集属性约简算法流程框图如图3。

图3　粗糙集属性约简算法流程图

利用训练好的规则，对待测试的特征在训练的规则中检索，找到符合规则，其决策属性即为其类别。

1.3温度等信号的故障判别

温度、压力、流量等参数的测量可以使用温度计、压力表、液位计等传感器获得，可以将各个传感器测量的数据融合形成特征向量，获取多个时刻或是多个机械状态的多个传感器数据，得出故障与征兆之间的关系，以此来进行故障分类，以便系统进行故障诊断时，可以根据不同的故障征兆来完成模式映射过程。

人工神经网络(ArtificialNeuralNetworks,ANN)从20世纪40年代提出基本概念以来得到了迅速的发展，由于其具有高度的并行处理能力、容错性以及非线性映射的特性，在故障诊断方面有着广阔的前景[11]。因此温度、压力、流量等变化引起的故障可使用人工神经网络进行判别。

在人工神经元系统中，输出是利用传递函数来控制的。传递函数把可能的无限域变换到给定范围的输出，对输入和输出进行函数转换，以模拟生物神经元线性或非线性转移特性。人工神经网络的自学习和自适应功能强，能够模拟人类的学习过程，对不完整或是模糊的数据集进行学习和决策。

2　实例分析

本文以某空气源热泵DKFXRS-71Ⅱ机组为研究对象，对其常见的软故障进行了模拟实验，通过测量的数据，得出故障与征兆之间的关系，以此建立故障诊断模型。

但因为BP网络容易陷入局部极小，从而在训练过程中达不到想要的训练结果。神经网络自身存在一些缺陷和不足，需要对其进行优化。由于遗传算法具有全局搜索能力和较强的鲁棒性，可以加强网络训练和提高网络性能。因此，利用遗传算法来优化BP神经网络的初始值和阈值，有效地改善BP神经网络的收敛速度和收敛精度，提高故障诊断成功率。图4是将遗传算法应用到BP神经网络中的训练结果。

图4　GA-BP神经网络的训练曲线图

基于上述温度、压力、流量等参数的故障诊断，热泵机组无故障T1、故障T2～T6模式下利用电涡流传感器进行振动信号的采集，采用小波包分析算法对振动信号进行分解，提取各个波形的特征向量。以某一波形为例，分析验证上面所述的小波包特征提取方法的可行性。图5为机械振动波形。

图5　振动信号波形

信号的小波包分解可以用多种小波包基实现，可以通过花费代价函数求取一个最佳小波包基。信号的特征可以用小波包系数体现，系数的大小可以表征该小波包基内的信息对信号的贡献大小。这里采用shannon嫡标准作为花费代价函数求取最佳小波包基。图6是振动信号第三层重构小波系数波形图，图7是振动信号第三层重构小波能量波形图。

图6　振动信号第三层重构小波系数

图7　振动信号第三层重构小波能量

将各个节点的能量、方差等作为该信号的特征向量。然后利用粗糙集理论将小波包提取的特征向量进行规则约简。将粗糙集约简前的规则和约简后的规则分别利用对向传播神经网络(CounterPropagationNetwork,CPN)进行诊断测试，表1是测试结果,从测试结果可以看出判别的准确率有了大幅度的提升。

表1　规则约简前后测试结果

最后，进入故障决策融合阶段，使用Dempster-Shafer(简称D-S)证据理论融合算法进行融合。决策级融合的核心思想是,各传感器根据各自的观测结果做出局部判决,然后将判决结果经由通信信道传送到融合中心,再由融合中心对各局部判决进行综合处理,做出最终判决。假设辨识框架Ω下两组证据E1和E2，对应的基本信任分配函数分别为m1和m2，焦元分别为Ai和Bj，D-S合成规则为[12]：

(5)

利用D-S合成规则可以结合若干条独立的证据。与单一集合独立处理相比，信息融合可以提高决策结果的可信度，同时降低推理模糊程度，提高探测精度，提高空间分辨率，并且能够增强系统的容错能力和自适应性，从而提高全系统性能[13]。

将以上利用GA-BP神经网络的测试结果与经粗糙集规则约简后的测试结果进行融合，并对结果进行归一化处理。表2是部分决策融合结果。从表格数据中可以看出，其诊断结果的精度基本都达到了0.95级以上，得到了较高的诊断精度。同时，将经D-S融合的结果与单一使用GA-BP神经网络的测试结果进行误差比较，结果见图8。

图8　融合结果与GA-BP测试结果误差比较

序号无故障T1故障T2故障T3故障T4故障T5故障T610.91390.00170.00020.00020.05810.025920.00020.98710.00060.00220.00560.004330.00340.00120.98690.00040.00300.005240.00010.00820.00020.99130.00010.000150.01270.00020.00120.00090.98470.000360.00280.00050.00100.00020.02160.9739

综合分析，单一的对振动信号进行检测分析，存在一定的误诊断，无法得到较高的准确率，而融合的结果基本都正确；单一的对温度、压力等变化引起的故障判别，其精度较低。而同时对这两种信号进行分析判别，保证了准确率和精确度，便于准确判别故障发生的原因，预测故障的发生并及时处理。

3　总结

在基于多传感器信号分析的故障诊断模型的研究中，使用多个不同种类的传感器，实现了对热泵机组运行状态的全面检测，利用多种混合智能算法，对机组的不同信号进行分析、分类和决策，相比于单一的信号采集和使用单一的智能故障诊断方法，这种故障诊断模型能更全面监控机械的运行状态，从而获得更为精确的诊断结果。以这种故障诊断模型来提高故障诊断的能力，可以解决大型机械设备在复杂环境而难以诊断的机械故障，有效地实现对实际设备故障的定位。

[1] 吕琛. 故障诊断与预测[M]. 1版. 北京:北京航空航天大学出版社, 2012.

[2] 雷亚国. 混合智能技术及其在故障诊断中的应用研究[D]. 西安:西安交通大学, 2007.

[3] Wang X Y, Li X X, Li F S. Analysis on oscillation in electro-hydraulic regulating system of steam turbine and fault diagnosis based on PSOBP [J]. Expert Systems with Application,2010,37:3887-3892.

[4] Geng Z, Zhu Q. Rough set-based heuristic hybrid recognizer and its application in fault diagnosis [J]. Expert Systems with Application,2009 36:2711-2718.

[5] Ingrid D. 小波十讲[M]. 北京:国防工业出版社, 2004.

[6] GARGOOM A M, ERTUGRUL N, SOONG W L. Automatic Classification and Characterization of Power Quality Event[J]. IEEE Transaction on Power Delivery, 23(4):2417-2425.

[7] 瞿金秀, 张周锁, 何正嘉. 基于多小波包和邻域粗糙集的故障诊断模型[J]. 振动、测试与诊断, 2013, 33(S1):137-226.

[8] Pawlak Z. Rough-Sets: Theoretical Aspects of Reasoning About Data[M]. Dordrecht: Kluwer Academic Publisher，1991.

[9] 陈昊, 杨俊安, 庄镇泉, 等. 变精度粗糙集的属性核和最小属性约简算法[J]. 计算机学报, 2012, 35(5):1011-1017.

[10] 刘金福, 于达仁, 胡清华, 等. 基于加权粗糙集的代价敏感故障诊断方法[J]. 中国电机工程学报, 2007, 27(23):93-99.

[11] 陈小玉. 改进的神经网络在变压器故障诊断中的应用[J]. 计算机仿真, 2012, 29(8):318-321，335.

[12] 潘泉, 王增福, 梁彦, 等. 信息融合理论的基本方法与进展(II)[J]. 控制理论与应用, 2012, 29(10):1233-1244.

[13] 李玲玲, 马东娟, 王成山, 等. DS证据理论冲突处理新方法[J].计算机应用研究, 2011, 28(12):4528-4531.

(编辑李秀敏)

Fault Diagnosis Based on Multi Sensor Signal Analysis

CHEN Yi, YANG Yi, BAO Hui-hui, LU Yan-juan, ZHANG Ye

(School of Electrical Engineering, Nantong University, Nantong Jiangsu 226019, China)

In order to solve the problem of mechanical fault diagnosis in complex environment, a fault diagnosis model based on multiple sensor signal analysis is established based on vibration signal and the signal of temperature and pressure. For the vibration signal, wavelet package decomposition is applied to the original vibration signal, to extract the feature values which are form the original feature vector, and then uses rough set method for feature reduction of the original feature vector, the classification rules after reduction as neural network training set. For the signal of temperature ,pressure and other data, the data of each sensor is fused to form the feature vector, and the BP neural network is optimized by genetic algorithm to train and pattern recognition. Finally, the results of these two types of diagnostic signals are fused to form a composite fault diagnosis model. Experiments show that the diagnostic model has a high diagnostic accuracy and precision.

wavelet package; rough sets; neural network; information fusion; fault diagnosis

1001-2265(2016)09-0099-04DOI:10.13462/j.cnki.mmtamt.2016.09.028

2015-09-22；

2015-10-22

国家自然科学基金(61403217)；江苏省产学研前瞻性联合创新项目(BY2014081-03)；南通大学校级资助省级立项研究生科研创新项目基金(KYLX_1307，YKC14020)

陈轶(1991—)，女，江苏南通人，南通大学硕士研究生，研究方向为智能检测与控制技术，(E-mail)13120003@yjs.ntu.edu.cn；通讯作者：杨奕(1963—)，女，江苏南通人，南通大学教授，硕士，研究方向为智能检测与控制技术，(E-mail)yang.y@ntu.edu.cn。

TH165+.3;TG506

A