基于證據(jù)理論多源多特征融合的柱塞泵故障診斷方法

吳勝強,姜萬錄

(1.燕山大學機械工程學院,河北 秦皇島 066004;2.邢臺職業(yè)技術(shù)學院,河北 邢臺 054035)

液壓泵作為液壓系統(tǒng)的動力源,是整個液壓系統(tǒng)的心臟,它的好壞直接影響整個液壓系統(tǒng)的工作,其故障診斷是液壓系統(tǒng)故障診斷的重要部分.為了提高故障診斷的準確率,采用多個傳感器來獲取泵的特征信號,綜合利用設(shè)備多方面的故障信息來診斷泵的狀態(tài).Dempster-Shafer(D-S)證據(jù)理論是一種利用多源信息來進行決策的方法,其在故障診斷領(lǐng)域的應(yīng)用受到普遍關(guān)注[1,2].本文提出了一種基于證據(jù)理論多源多特征融合的故障診斷方法:首先對采集信號進行小波消噪;接著利用信號時域、時頻域特征量組成特征向量;最后,對液壓泵進行故障診斷.

1 故障特征量

1.1 時域特征量

用以診斷機械故障的時域參數(shù)很多,并非每一參數(shù)對所有機械故障都敏感,要根據(jù)具體診斷對象加以選用.一般來說,單個參數(shù)診斷并不可靠,應(yīng)組合選用其中若干個參數(shù)來診斷.故障診斷常用的時域參數(shù)有有量綱的參數(shù)和量綱一的參數(shù)之分,而有量綱的特征參數(shù)隨載荷的變化波動很大,在實際中難以應(yīng)用,對其進行歸一化處理可得量綱一的數(shù)字特征參數(shù):波形指標S、峰值指標C、脈沖指標I、峪度L和峭度指標K等[3].

1.2 時頻域特征量

時頻域特征參數(shù)選用各分解頻帶的信號能量占總能量的百分比.用小波包[4]頻帶能量分析方法對軸向柱塞泵松靴故障信號進行故障特征向量提取,步驟如下:

(1)將泵的信號按以下方法處理:小波包分解→對選定頻段重構(gòu)→閾值去噪→包絡(luò)解調(diào)→隔點采樣降至2 kHz,將所得信號用Daubechies 5小波進行3層小波包分解,這樣在尺度3上形成了23=8個頻帶.小波包分解可表示為

式中:d(0,0)表示原始信號,d(j,k)表示小波包分解第j層第k個頻帶的小波包系數(shù).

(2)對各小波包系數(shù)進行重構(gòu),提取各頻帶范圍的信號.

(3)求各頻帶信號的能量E3k(k=0,1,2,…,7)和總能量E.

(4)求分解頻帶的信號能量E3k占總能量E的百分比.

1.2 構(gòu)建特征向量

在時域選用5個特征參數(shù):波形指標S、峰值指標C、脈沖指標I、峪度L和峭度指標K;在時頻域選用8個特征參數(shù):8個分解頻帶的信號能量占總能量的百分比;由此13個特征量構(gòu)成特征向量.特征信號特征向量提取過程如圖1所示.

圖1 信號特征向量提取流程圖Fig.1 Flow chart of feature vector extraction process of signal

2 證據(jù)理論

2.1 證據(jù)理論[5～7]

在命題A的一個識別框架Θ中,有集函數(shù)m:2Θ→[0,1]滿足

則稱m(A)為A在框架Θ上的mass函數(shù),也稱基本概率分配(BPA),表示對A的精確信任程度.

若A?Θ且m(A)＞0,則稱 A為焦元,焦元分別為 A1,A2,…,Ak和B1,B2,…,Bn.設(shè) m1,m2,…mn是同一識別框架Θ上的基本可信度分配,令

式中:K稱為不確定因子,反映了證據(jù)沖突的程度;γ(A)稱為mass函數(shù)的影響因子.

那么,合成后的mass函數(shù) m:→2Θ→[0,1]如下:

式中:系數(shù)1/(1-K)為歸一化因子.

2.2 基于矩陣分析的融合算法

對于傳感器網(wǎng)絡(luò)中n個傳感器同時識別1個目標的情況,假設(shè)識別的結(jié)果有s種可能的情況,即目標可能的類型有s種,則置信度分配可采用n×s的矩陣來表示

式中:矩陣M中的任一元素mij表示第i個傳感器給出的目標為第j種類型的置信度.由于同一傳感器分配給s種可能的識別結(jié)果的置信度之和應(yīng)為1,所以,矩陣的每1行的元素之和應(yīng)滿足歸一化條件,即

用矩陣中的1行的轉(zhuǎn)置與另1行相乘得到1個s×s的新矩陣R

其中主對角線的元素為這2個傳感器目標識別的置信度累積,非主對角線元素的總和構(gòu)成了證據(jù)的不確定因子.即

該算法在每一次執(zhí)行過程中都完成了s維列向量與一s維行向量的矩陣乘法運算,計算需要的時間為T(s2),得到融合結(jié)果需要的時間為T(s2n),與n成近似線性關(guān)系;直接應(yīng)用證據(jù)理論融合規(guī)則,由于要進行n元乘法運算,且每個因子可能的取值有s個,所以計算需要的時間為T(sn),和發(fā)現(xiàn)目標的傳感器數(shù)量n成冪指數(shù)關(guān)系.

3 多源多特征融合故障診斷

3.1 單源多特征融合故障診斷

3.1.1 單源多特征融合故障診斷系統(tǒng)

單源多特征融合故障診斷系統(tǒng)包括信號采集、信號預(yù)處理、訓練樣本集選取、測試樣本集選取、訓練神經(jīng)網(wǎng)絡(luò)和用神經(jīng)網(wǎng)絡(luò)診斷故障,該系統(tǒng)的原理如圖2所示.

液壓泵常見故障有:缸體與配流盤磨損、柱塞與缸體磨損、軸承磨損.為此可以構(gòu)建故障識別框架為{正常狀態(tài)(f1)、缸體與配流盤磨損(f2)、柱塞與缸體磨損(f3)和軸承磨損(f4)}.

由上分析可知,Back Propagation(BP)神經(jīng)網(wǎng)絡(luò)的輸入維數(shù)為13,輸出維數(shù)為4.這里,采用13—25—4三層BP算法,網(wǎng)絡(luò)的誤差設(shè)定為0.005.

3.1.2 診斷步驟

單源多特征融合故障診斷系統(tǒng)的步驟包含BP神經(jīng)網(wǎng)絡(luò)訓練和診斷二大步.

圖2 單源多特征融合故障診斷系統(tǒng)原理圖Fig.2 Schematic diagram of multi-featurefusion fault diagnosis for single source information

(1)確定BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu):①采集各種故障和正常狀態(tài)的信號;②對信號進行預(yù)處理提取特征向量,選取l組特征向量構(gòu)造訓練樣本集;③訓練BP神經(jīng)網(wǎng)絡(luò),確定BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu).

(2)系統(tǒng)狀態(tài)診斷:①采集信號;②對信號進行預(yù)處理提取特征向量;③輸入到BP神經(jīng)網(wǎng)絡(luò),得到各故障可能發(fā)生的概率,判斷系統(tǒng)狀態(tài).

3.2 多源多特征融合故障診斷

對被診斷對象采用n個傳感器進行監(jiān)測,每個單源多特征融合故障診斷模塊的輸出作為D-S證據(jù)理論的一個證據(jù)Ai,i∈(1,2,…,n),用D-S證據(jù)理論融合所有的Ai,判斷系統(tǒng)狀態(tài),這就是多源多特征融合故障診斷系統(tǒng),如圖3所示.

圖3 多源多特征融合故障系統(tǒng)原理圖Fig.3 Schematic diagram of multi-feature fusion fault diagnosis for multi-source information

4 試驗研究

4.1 試驗系統(tǒng)

采用如圖4所示的試驗系統(tǒng),以系統(tǒng)中的液壓泵作為診斷對象.在液壓泵故障診斷中,采用NIUSB-6221數(shù)據(jù)采集卡連接1個振動傳感器(測量圖4中加速度a)、壓力傳感器(測量圖4中壓力p)和噪聲傳感器(聲級計)(測量圖4中噪聲PL,對軸向柱塞泵MCY14-1B進行信號采集.主溢流閥壓力為10 MPa,采樣頻率為100 kHz,采集時間為10 s.首先對泵正常工作時的信號進行采集,然后對缸體與配流盤磨損、中心彈簧失效、松靴這3種故障形式,采集故障信號.

圖4 故障診斷試驗系統(tǒng)原理圖Fig.4 Schematic diagram of fault diagnosis of experiment system

4.2 試驗研究

采用模擬脫靴故障作為被診故障,采集泵在3 MPa時200組正常和故障數(shù)據(jù),其中160組數(shù)據(jù)作為神經(jīng)網(wǎng)絡(luò)訓練數(shù)據(jù),另40組數(shù)據(jù)作為診斷數(shù)據(jù).表1、表2和表3是其中5組數(shù)據(jù)對應(yīng)的特征級并行局部神經(jīng)網(wǎng)絡(luò)診斷模塊的結(jié)果,表4是經(jīng)證據(jù)理論融合的結(jié)果.

表1 壓力信息神經(jīng)網(wǎng)絡(luò)輸出結(jié)果Tab.1 Output result of pressure information neural network

表2 振動信息神經(jīng)網(wǎng)絡(luò)輸出結(jié)果Tab.2 Output result of vibration information neural network

表1～表3都是利用單一信號源來診斷故障,都存在無法正確決策的情況,即使能決策,但此時對缸體與配流盤磨損的支持率很低;表4是利用3個信號源融合后進行診斷故障,都能判斷出缸體與配流盤磨損,且支持率都很高.由此可看出,僅僅利用單一信號源信息進行故障診斷,可信度不高,具有不確定性,甚至有時不能決策;但是利用設(shè)備多信號源信息進行故障診斷,充分了利用各信號源的冗余互補信息,能大大提高診斷的可信度和準確性.

表3 噪聲信息神經(jīng)網(wǎng)絡(luò)輸出結(jié)果Tab.3 Output result of noise information neural network

表4 證據(jù)理論融合結(jié)果Tab.4 Evidence theory fusion result

5 結(jié)論

(1)BP神經(jīng)網(wǎng)絡(luò)確定出了證據(jù)理論所需的基本概率分配,為了證據(jù)理論確定基本概率分配提供了1條途徑.

(2)應(yīng)用了基本概率分配矩陣,給出了融合算法,解決了融合規(guī)則計算復(fù)雜度隨數(shù)據(jù)源個數(shù)成冪指數(shù)增長的難題,大大開拓了證據(jù)理論的使用空間.

(3)對液壓泵進行了故障診斷,診斷結(jié)果表明:基于證據(jù)理論的多源多特征融合故障診斷系統(tǒng)是現(xiàn)實可行的,它可以充分利用數(shù)據(jù)的冗余和互補信息,提高決策的準確率,降低診斷的不確定性.

[1]謝春麗,夏虹,劉永闊.多傳感器數(shù)據(jù)融合技術(shù)在故障診斷中的應(yīng)用[J].傳感器技術(shù),2004,23(4):67-69.XIE Chunli,XIA Hong,LIU Yongkuo.Application of multi-sensors data fusion in fault diagnosis[J].Journal of Transducer Technology,2004,23(4):67-69.

[2]OT MAN B,YUAN Xiaohong.Engine fault diagnosis based on multi-sensor information fusion using Dempster-Shafer evidence theory[J].Information Fusion,2007,8(4):379-386.

[3]WU Shengqiang,JIANG Wanlu.Study on data fusion faulty diagnosis method of hydraulic pump based on time-domain analysis[M].Beijing:World Publishing Corporation,2009.

[4]王少萍,苑中魁,楊光琴.基于小波消噪的液壓泵故障診斷[J].中國機械工程,2004,15(13):1160-1163.WANG Shaoping,YUAN Zhongkui,YANG Guangqin.Study on fault diagnosis based on wavelet for hydraulic pump[J].China Mechanical Engineering,2004,15(13):1160-1163.

[5]朱大奇,劉永安.故障診斷的信息融合方法[J].控制與決策,2007,22(12):1321-1328.ZHU Daqi,LIU Yongan.Information fusion method for fault diagnosis[J].Control and Decision,2007,22(12):1321-1328.

[6]向陽,史習智.證據(jù)理論合成規(guī)則的一點修正[J].上海交通大學學報,1999,33(3):357-360.XIANG Yang,SHI Xizhi.Modification on combination rules of evidence theory[J].Journal Of Shanghai Jiaotong University,1999,33(3):357-360.

[7]李弼程,王波,魏俊,等.一種有效的證據(jù)理論合成公式[J].數(shù)據(jù)采集與處理,2002,17(1):33-36.LI Bicheng,WANG Bo,WEI Jun,et al.An efficient combination rule of evidence theory[J].Journal of Data Acquisition Processing,2002,17(1):33-36.