無(wú)線傳感器網(wǎng)絡(luò)多級(jí)融合的機(jī)械故障診斷方法*

湯寶平， 鄧 兵， 鄧 蕾， 顏丙生

(1.河南工業(yè)大學(xué)機(jī)電工程學(xué)院 鄭州， 450007) (2.重慶大學(xué)機(jī)械傳動(dòng)國(guó)家重點(diǎn)實(shí)驗(yàn)室 重慶， 400030)

無(wú)線傳感器網(wǎng)絡(luò)多級(jí)融合的機(jī)械故障診斷方法*

湯寶平1,2， 鄧 兵2， 鄧 蕾2， 顏丙生1

(1.河南工業(yè)大學(xué)機(jī)電工程學(xué)院 鄭州， 450007) (2.重慶大學(xué)機(jī)械傳動(dòng)國(guó)家重點(diǎn)實(shí)驗(yàn)室 重慶， 400030)

針對(duì)無(wú)線傳感器網(wǎng)絡(luò)(wireless sensor networks, 簡(jiǎn)稱WSNs)在機(jī)械故障診斷應(yīng)用中大量振動(dòng)信號(hào)不能實(shí)時(shí)傳輸?shù)膯?wèn)題，提出基于無(wú)線傳感器網(wǎng)絡(luò)多級(jí)分層信息融合的機(jī)械故障診斷方法。采用簇樹(shù)網(wǎng)絡(luò)結(jié)構(gòu)擴(kuò)大網(wǎng)絡(luò)監(jiān)測(cè)覆蓋范圍，將WSNs信息融合分為數(shù)據(jù)級(jí)融合、特征級(jí)融合及決策級(jí)融合3個(gè)級(jí)別，終端節(jié)點(diǎn)對(duì)原始振動(dòng)信息進(jìn)行數(shù)據(jù)級(jí)融合以提取特征信息，簇頭節(jié)點(diǎn)對(duì)特征信息進(jìn)行特征級(jí)融合得到模式識(shí)別結(jié)果，網(wǎng)關(guān)節(jié)點(diǎn)對(duì)識(shí)別結(jié)果進(jìn)行決策級(jí)融合以評(píng)估機(jī)械設(shè)備運(yùn)行狀態(tài)。實(shí)驗(yàn)表明，該方法能有效應(yīng)用于機(jī)械故障診斷。

機(jī)械故障診斷； 無(wú)線傳感器網(wǎng)絡(luò)； 信息融合； 嵌入式信號(hào)處理

引 言

無(wú)線傳感器網(wǎng)絡(luò)[1]具有自組織、可擴(kuò)展和智能處理能力等特點(diǎn)[2]，適合用來(lái)構(gòu)建無(wú)線、分布式機(jī)械設(shè)備狀態(tài)監(jiān)測(cè)與故障診斷系統(tǒng)[3-5]，通過(guò)在不同位置布置多個(gè)測(cè)振傳感器進(jìn)行振動(dòng)信號(hào)監(jiān)測(cè)可更好地反映設(shè)備整體運(yùn)行狀態(tài)。

機(jī)械故障診斷中振動(dòng)信號(hào)采樣頻率高[6]，傳感器節(jié)點(diǎn)獲取的數(shù)據(jù)量大，若將原始振動(dòng)信號(hào)直接由終端節(jié)點(diǎn)實(shí)時(shí)傳輸至網(wǎng)關(guān)節(jié)點(diǎn)，對(duì)于帶寬資源有限的無(wú)線傳感器網(wǎng)絡(luò)仍是一個(gè)瓶頸[7]。Hou等[8-9]采用星型無(wú)線傳感器網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)，基于JN5139傳感器節(jié)點(diǎn)獲取監(jiān)測(cè)信號(hào)，在終端節(jié)點(diǎn)上進(jìn)行信號(hào)特征提取和故障模式識(shí)別，只傳輸識(shí)別結(jié)果至網(wǎng)關(guān)節(jié)點(diǎn)，在網(wǎng)關(guān)節(jié)點(diǎn)上對(duì)識(shí)別結(jié)果進(jìn)行融合，在一定程度上解決數(shù)據(jù)傳輸問(wèn)題，但是星型拓?fù)浣Y(jié)構(gòu)覆蓋范圍有限，在終端節(jié)點(diǎn)上進(jìn)行信號(hào)采集、特征提取和模式識(shí)別等任務(wù)會(huì)導(dǎo)致終端節(jié)點(diǎn)負(fù)載過(guò)重。為增加網(wǎng)絡(luò)監(jiān)測(cè)覆蓋范圍，均衡傳感器節(jié)點(diǎn)負(fù)載，筆者采用簇樹(shù)網(wǎng)絡(luò)結(jié)構(gòu)對(duì)WSNs中各級(jí)節(jié)點(diǎn)進(jìn)行分層信息融合，通過(guò)傳輸少量特征信息來(lái)替代大量原始振動(dòng)信號(hào)傳輸，以評(píng)估機(jī)械設(shè)備整體運(yùn)行狀態(tài)。

1 WSNs多級(jí)分層信息融合的故障診斷架構(gòu)

WSNs多級(jí)分層信息融合的機(jī)械故障診斷架構(gòu)如圖1所示，由網(wǎng)關(guān)節(jié)點(diǎn)、多個(gè)簇頭節(jié)點(diǎn)和終端節(jié)點(diǎn)組成簇樹(shù)網(wǎng)絡(luò)。WSN信息融合分為數(shù)據(jù)級(jí)融合、特征級(jí)融合及決策級(jí)融合3個(gè)級(jí)別。終端節(jié)點(diǎn)負(fù)責(zé)采集振動(dòng)信號(hào)并對(duì)振動(dòng)信息進(jìn)行數(shù)據(jù)級(jí)融合以提取特征信息。簇頭節(jié)點(diǎn)負(fù)責(zé)對(duì)簇內(nèi)終端節(jié)點(diǎn)特征信息進(jìn)行特征級(jí)融合以得到模式識(shí)別結(jié)果。網(wǎng)關(guān)節(jié)點(diǎn)負(fù)責(zé)整個(gè)WSNs的建立、管理和維護(hù)并對(duì)識(shí)別結(jié)果進(jìn)行決策級(jí)融合。D-S證據(jù)理論在不確定性的表示、量測(cè)和組合方面具有優(yōu)勢(shì)[10-11]，而人工神經(jīng)網(wǎng)絡(luò)具有非線性處理能力，可以解決D-S證據(jù)理論中的基本概率賦值難的問(wèn)題，同時(shí)在結(jié)構(gòu)和功能上和WSNs有很多的相似之處[12]，能夠很好地與WSNs相結(jié)合。因此，該架構(gòu)中的簇頭節(jié)點(diǎn)訓(xùn)練生成徑向基函數(shù)(radical basis function, 簡(jiǎn)稱RBF)神經(jīng)網(wǎng)絡(luò)分類器并對(duì)終端節(jié)點(diǎn)混合域特征集進(jìn)行特征級(jí)融合，得到描述機(jī)械設(shè)備運(yùn)行狀態(tài)的模式識(shí)別結(jié)果，網(wǎng)關(guān)節(jié)點(diǎn)針對(duì)簇頭節(jié)點(diǎn)的獨(dú)立診斷結(jié)果依托D-S證據(jù)理論進(jìn)行融合決策，評(píng)估機(jī)械設(shè)備整體運(yùn)行狀態(tài)。

圖1 WSNs多級(jí)分層信息融合的故障診斷架構(gòu)Fig.1 Fault diagnosis architecture based on WSNs multilevel hierarchical information fusion

2 雙核心WSNs節(jié)點(diǎn)設(shè)計(jì)

WSNs多級(jí)分層信息融合要求各級(jí)融合中傳感器節(jié)點(diǎn)均應(yīng)具備較強(qiáng)的信號(hào)處理能力和足夠大的樣本存儲(chǔ)空間。目前，國(guó)外針對(duì)工業(yè)振動(dòng)監(jiān)測(cè)應(yīng)用的節(jié)點(diǎn)有WibeaM[13]， WiVib[14]等，存在性能偏低、內(nèi)存小的缺點(diǎn)。筆者設(shè)計(jì)基于雙核心的傳感器節(jié)點(diǎn)，利用兩個(gè)獨(dú)立的處理和控制核心分別控制信號(hào)處理單元與無(wú)線模塊，并帶有大容量SD卡作為主要存儲(chǔ)介質(zhì)以滿足信息融合的需求。

雙核心WSNs節(jié)點(diǎn)設(shè)計(jì)方案如圖2所示。核心1是運(yùn)行頻率為72 MHz的基于ARM Cortex-M3內(nèi)核的低功耗STM32f103微控制器，利用處理器出色的計(jì)算性能以及對(duì)事件的優(yōu)異系統(tǒng)響應(yīng)能力，能夠執(zhí)行包括硬件除法、單周期乘法和位字段操作在內(nèi)的Thumb-2指令集以獲取最佳性能和代碼大小，具有256 kB的Flash空間和64 kB的內(nèi)部RAM，使得節(jié)點(diǎn)可輕松運(yùn)行較為復(fù)雜的算法。移植μC/OS-Ⅱ?qū)崟r(shí)操作系統(tǒng)以提高處理器的利用率，設(shè)計(jì)實(shí)時(shí)任務(wù)動(dòng)態(tài)優(yōu)先級(jí)配置，保證對(duì)任務(wù)的實(shí)時(shí)響應(yīng)和高效處理。核心2是無(wú)線射頻芯片TI CC2430集成的增強(qiáng)型8051微處理器，支持IEEE802.15.4無(wú)線通訊協(xié)議，負(fù)責(zé)完成WSNs自組網(wǎng)、時(shí)間同步和數(shù)據(jù)收發(fā)等任務(wù)。

雙核心設(shè)計(jì)將一個(gè)復(fù)雜的任務(wù)分解為多個(gè)子任務(wù)，映射到異構(gòu)雙核處理器上協(xié)調(diào)工作，既增強(qiáng)傳感器節(jié)點(diǎn)的整體性能，又能減小軟硬件模塊間的耦合性，能夠滿足節(jié)點(diǎn)振動(dòng)信號(hào)實(shí)時(shí)處理、網(wǎng)絡(luò)通信等多任務(wù)調(diào)度而不會(huì)相互干擾。雙核心之間采用命令包的形式進(jìn)行交互，在接收到命令包或者回應(yīng)包時(shí)，先經(jīng)過(guò)8階的CRC校驗(yàn)，若校驗(yàn)無(wú)誤則執(zhí)行相應(yīng)任務(wù)以增強(qiáng)系統(tǒng)穩(wěn)定性。節(jié)點(diǎn)選用帶有保護(hù)電路的大容量可充鋰電池供電。

圖2 雙核心WSNs節(jié)點(diǎn)Fig.2 WSNs node based on dual core

WSNs節(jié)點(diǎn)存儲(chǔ)模塊以8 GB Micro SD存儲(chǔ)卡為主要存儲(chǔ)介質(zhì)，在卡上建立FAT32文件系統(tǒng)，大量原始振動(dòng)數(shù)據(jù)及重要計(jì)算參數(shù)均以文件的形式保存在卡上，方便數(shù)據(jù)的檢索和管理。節(jié)點(diǎn)采用動(dòng)態(tài)分配內(nèi)存池的方式有效地分配節(jié)點(diǎn)內(nèi)存池以高效運(yùn)行較為復(fù)雜的算法。算法執(zhí)行過(guò)程中較長(zhǎng)的數(shù)組可以以文件形式暫時(shí)存儲(chǔ)在SD卡上，內(nèi)存中開(kāi)辟的動(dòng)態(tài)變量空間則可用于存儲(chǔ)其他需要立即運(yùn)算的數(shù)據(jù)，有效地緩解節(jié)點(diǎn)計(jì)算負(fù)載。采用Cortex-M3微處理器的SDIO接口以4 bit直接內(nèi)存存取(direct memory access, 簡(jiǎn)稱DMA)模式讀寫(xiě)Micro SD存儲(chǔ)卡，速率最大可以達(dá)到1.5 MB/s，完全滿足信號(hào)實(shí)時(shí)處理時(shí)節(jié)點(diǎn)對(duì)存儲(chǔ)系統(tǒng)讀寫(xiě)速度要求。

圖3 嵌入式函數(shù)庫(kù)結(jié)構(gòu)框圖Fig.3 Block diagram of embedded function library

在WSNs節(jié)點(diǎn)上設(shè)計(jì)獨(dú)立信號(hào)處理單元，從而避免使用性能過(guò)高的微處理器造成成本大幅提高和節(jié)點(diǎn)能耗過(guò)高問(wèn)題。設(shè)計(jì)開(kāi)發(fā)適用于機(jī)械振動(dòng)信號(hào)分析的實(shí)時(shí)預(yù)處理和常用分析函數(shù)并進(jìn)行算法優(yōu)化，形成一套較為完整的高效低復(fù)雜度嵌入式函數(shù)庫(kù)。嵌入式函數(shù)庫(kù)結(jié)構(gòu)框圖如圖3所示，包括基本數(shù)學(xué)函數(shù)模塊、統(tǒng)計(jì)功能函數(shù)模塊、變換功能函數(shù)模塊、插值運(yùn)算函數(shù)模塊和濾波函數(shù)模塊等8個(gè)模塊和各模塊相應(yīng)的功能函數(shù)。

3 WSNs信息融合故障診斷方法實(shí)現(xiàn)

WSNs節(jié)點(diǎn)的計(jì)算資源及能量有限，信息融合處理需要考慮算法的復(fù)雜度。時(shí)間復(fù)雜度和空間復(fù)雜度是算法復(fù)雜度的兩個(gè)重要特征，也是衡量軟件功耗的兩個(gè)重要特征，因此筆者以這兩個(gè)特征來(lái)度量節(jié)點(diǎn)各級(jí)融合算法的復(fù)雜度。時(shí)間復(fù)雜度主要以算法平均時(shí)間復(fù)雜度Os來(lái)度量?？臻g復(fù)雜度Ss的度量主要包括3個(gè)方面：?jiǎn)栴}本身所用空間、程序本身所占空間和動(dòng)態(tài)變量所占空間。問(wèn)題本身所用空間與算法無(wú)關(guān)，程序代碼所占空間對(duì)算法空間復(fù)雜度影響很小，這里均不進(jìn)行討論，而著重討論度量算法動(dòng)態(tài)變量所占內(nèi)存空間。

3.1 WSNs終端節(jié)點(diǎn)數(shù)據(jù)級(jí)融合

機(jī)械設(shè)備出現(xiàn)故障時(shí)振動(dòng)信號(hào)的幅值和概率分布將會(huì)發(fā)生變化，同時(shí)其對(duì)應(yīng)的頻譜成分，不同譜峰的幅值也將發(fā)生改變。通過(guò)構(gòu)造一些定量的機(jī)械設(shè)備振動(dòng)信號(hào)時(shí)域或頻域特征統(tǒng)計(jì)指標(biāo)量，可以表征機(jī)械設(shè)備的各類故障模式。WSNs節(jié)點(diǎn)數(shù)據(jù)級(jí)融合中特征統(tǒng)計(jì)指標(biāo)量最終按以下標(biāo)準(zhǔn)進(jìn)行選?。河?jì)算需求，分類性能，特征域(時(shí)域、頻域等)以及最優(yōu)的特征個(gè)數(shù)。選取d個(gè)特征統(tǒng)計(jì)指標(biāo)量組成特征集用于構(gòu)造d維特征空間x∈Rd。

以數(shù)據(jù)輸入規(guī)模len為2 048點(diǎn)數(shù)據(jù)特征提取為例，節(jié)點(diǎn)提取各時(shí)域特征統(tǒng)計(jì)指標(biāo)量時(shí)間復(fù)雜度為O(1)，參與運(yùn)算的數(shù)據(jù)所占的內(nèi)存空間為4×len字節(jié)。在進(jìn)行快速傅里葉變換時(shí)，為樣本輸入數(shù)組和變換輸出數(shù)組動(dòng)態(tài)開(kāi)辟的內(nèi)存空間大小為24 kB。節(jié)點(diǎn)獲取的原始振動(dòng)信號(hào)及特征信息均以文件形式存儲(chǔ)于SD卡以節(jié)省內(nèi)存空間。

3.2 WSNs簇頭節(jié)點(diǎn)特征級(jí)融合

簇頭節(jié)點(diǎn)接受簇內(nèi)終端節(jié)點(diǎn)發(fā)送的特征信息并作為樣本進(jìn)行特征級(jí)融合，算法流程如圖4所示。

圖4 簇頭節(jié)點(diǎn)特征級(jí)融合算法流程Fig.4 Feature level fusion algorithm flow on cluster head node

神經(jīng)網(wǎng)絡(luò)訓(xùn)練時(shí)隨機(jī)選取h個(gè)訓(xùn)練樣本作為聚類中心ci(i=1,2,…,h)，按照輸入的訓(xùn)練樣本xp與中心為ci之間的歐氏距離，將xp分配到輸入樣本的各個(gè)聚類集合Ωp(p=1,2,…,P)中，計(jì)算各個(gè)聚類集合Ωp中訓(xùn)練樣本的平均值，得到新的聚類中心ci，若新的聚類中心ci不再變化，得到RBF神經(jīng)網(wǎng)絡(luò)最終的基函數(shù)中心ci，否則重新按最近鄰規(guī)則分組求取新的聚類中心ci。選擇高斯函數(shù)作為基函數(shù)，求解方差σi，計(jì)算公式如式(1)所示。隱含層到輸出層間的權(quán)值w采用有監(jiān)督的學(xué)習(xí)算法進(jìn)行修改。輸出訓(xùn)練好的神經(jīng)網(wǎng)絡(luò)聚類中心ci，方差σi，權(quán)值w以文件形式保存在簇頭節(jié)點(diǎn)SD卡上。

(1)

其中：cmax為所選取中心之間的最大距離。

簇頭節(jié)點(diǎn)接受簇內(nèi)終端節(jié)點(diǎn)測(cè)試樣本，先判斷神經(jīng)網(wǎng)絡(luò)分類器是否生成。若未生成則讀取其SD卡中訓(xùn)練樣本集進(jìn)行訓(xùn)練以生成神經(jīng)網(wǎng)絡(luò)分類器，否則直接讀取SD卡相應(yīng)文件中的神經(jīng)網(wǎng)絡(luò)參數(shù)并對(duì)測(cè)試樣本進(jìn)行特征級(jí)融合，利用神經(jīng)網(wǎng)絡(luò)泛化能力得到各待識(shí)別模式的概率分配函數(shù)(basic probability assignment, 簡(jiǎn)稱BPA)。由于D-S理論要求各證據(jù)體的概率分配函數(shù)之和為1，概率分配函數(shù)由神經(jīng)網(wǎng)絡(luò)輸出結(jié)果進(jìn)行歸一化后得到

(2)

其中：y(Bi)為神經(jīng)網(wǎng)絡(luò)分類器的輸出結(jié)果；Bi(i=1,2,…,N)表示第i類故障類型；N為待識(shí)別的故障類型個(gè)數(shù)；概率分配函數(shù)m(Bi)用于進(jìn)一步?jīng)Q策級(jí)融合。

簇頭節(jié)點(diǎn)訓(xùn)練生成神經(jīng)網(wǎng)絡(luò)分類器過(guò)程中各函數(shù)時(shí)間復(fù)雜度為O(1)，而為其動(dòng)態(tài)分配的內(nèi)存空間大小由網(wǎng)絡(luò)分類器規(guī)模具體大小決定。節(jié)點(diǎn)獲取的訓(xùn)練樣本和測(cè)試樣本均以文件形式保存在SD卡中，通過(guò)文件系統(tǒng)管理神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)、測(cè)試階段的數(shù)據(jù)，并設(shè)計(jì)內(nèi)存調(diào)用策略降低節(jié)點(diǎn)內(nèi)存壓力。在燒寫(xiě)節(jié)點(diǎn)應(yīng)用程序時(shí)加載嵌入式函數(shù)庫(kù)更好地實(shí)現(xiàn)神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)和測(cè)試，使得簇頭節(jié)點(diǎn)能實(shí)現(xiàn)特征級(jí)融合。

3.3 WSNs網(wǎng)關(guān)節(jié)點(diǎn)決策級(jí)融合

簇頭節(jié)點(diǎn)通過(guò)RBF神經(jīng)網(wǎng)絡(luò)分類器對(duì)簇內(nèi)終端節(jié)點(diǎn)特征信息進(jìn)行模式識(shí)別，得到對(duì)應(yīng)各模式的概率分配函數(shù)并作為一個(gè)證據(jù)體。網(wǎng)關(guān)節(jié)點(diǎn)利用D-S理論合成規(guī)則將多個(gè)證據(jù)體的概率分配函數(shù)進(jìn)行決策級(jí)融合，原理如下。設(shè)Θ為識(shí)別框架，定義函數(shù)m:2Θ→[0,1]，稱為mass函數(shù)，滿足m(φ)=0(φ為空集)，∑m(A)=1(A∈2Θ)，則稱m(A)為2Θ上的概率分配函數(shù)，m(A)為命題A的基本概率數(shù)，使得m(A)﹥0的A稱為焦元。識(shí)別框架Θ上有限個(gè)m1,m2,…,mn的Dempster合成規(guī)則為

(3)

其中：k為證據(jù)的不確定因子

(4)

網(wǎng)關(guān)節(jié)點(diǎn)融合多個(gè)證據(jù)體的概率分配函數(shù)結(jié)果為一組新的概率分配函數(shù)，以融合后的函數(shù)作為決策依據(jù)，得到機(jī)械設(shè)備整體運(yùn)行狀態(tài)。

4 實(shí)例分析

齒輪箱故障模擬實(shí)驗(yàn)臺(tái)如圖5所示。該實(shí)驗(yàn)臺(tái)由單極減速器齒輪箱、調(diào)速電機(jī)、磁粉制動(dòng)器、WSNs節(jié)點(diǎn)和MEMS加速度傳感器ADXL001等組成。電機(jī)驅(qū)動(dòng)轉(zhuǎn)速為1.2kr/min，采樣頻率為10kHz。模擬齒輪箱的2種故障類型：a.驅(qū)動(dòng)輸入端齒輪齒根損傷；b.驅(qū)動(dòng)輸入端軸承內(nèi)圈損傷。其中：齒輪箱中齒輪齒數(shù)z1=55，z2=75，模數(shù)m=3，軸承型號(hào)為N205。

圖5 齒輪箱振動(dòng)測(cè)試實(shí)驗(yàn)臺(tái)Fig.5 The gearbox vibration measurement system

在驅(qū)動(dòng)輸入端軸承座和輸出端軸承座附近布置4個(gè)終端節(jié)點(diǎn)(編號(hào)1， 2， 3， 4)、 2個(gè)簇頭節(jié)點(diǎn)(編號(hào)5， 6)和1個(gè)網(wǎng)關(guān)節(jié)點(diǎn)，組建簇樹(shù)網(wǎng)絡(luò)。為降低節(jié)點(diǎn)計(jì)算復(fù)雜度，采用方差、方根幅值和均方根值等時(shí)域特征統(tǒng)計(jì)指標(biāo)量和均值頻率、標(biāo)準(zhǔn)偏差頻率等頻域特征統(tǒng)計(jì)指標(biāo)量來(lái)表征齒輪箱運(yùn)狀態(tài)。終端節(jié)點(diǎn)對(duì)正常狀態(tài)及兩種故障狀態(tài)的振動(dòng)信號(hào)，依照時(shí)間順序以2 048個(gè)連續(xù)采樣值為1個(gè)單位，分別構(gòu)造40組特征信息樣本，樣本總數(shù)為120組。簇頭節(jié)點(diǎn)接收終端節(jié)點(diǎn)120組樣本并輸入RBF神經(jīng)網(wǎng)絡(luò)進(jìn)行網(wǎng)絡(luò)學(xué)習(xí)以生成故障診斷分類器。為降低簇頭節(jié)點(diǎn)網(wǎng)絡(luò)學(xué)習(xí)壓力，訓(xùn)練目標(biāo)誤差設(shè)置為0.05。神經(jīng)網(wǎng)絡(luò)輸入層神經(jīng)元個(gè)數(shù)由特征維數(shù)決定為5。設(shè)置隱含層神經(jīng)元個(gè)數(shù)為3和1個(gè)偏置神經(jīng)元。考慮齒輪箱的3種運(yùn)行狀態(tài)，設(shè)計(jì)輸出層神經(jīng)元個(gè)數(shù)為3，即正常狀態(tài)、齒根損傷和軸承內(nèi)圈損傷，對(duì)應(yīng)的輸出分別記為[1,0,0]， [0,1,0]， [0,0,1]。

選擇驅(qū)動(dòng)輸入端軸承內(nèi)圈損傷運(yùn)行狀態(tài)作為未知狀態(tài)進(jìn)行神經(jīng)網(wǎng)絡(luò)測(cè)試，簇內(nèi)終端節(jié)點(diǎn)同時(shí)對(duì)齒輪箱運(yùn)行狀態(tài)構(gòu)造1組特征信息樣本，簇頭節(jié)點(diǎn)從SD卡中讀取相應(yīng)神經(jīng)網(wǎng)絡(luò)分類器參數(shù)，將特征信息樣本輸入分類器得到對(duì)待識(shí)別模式的概率分配函數(shù)。網(wǎng)關(guān)節(jié)點(diǎn)利用D-S融合決策理論對(duì)各證據(jù)體進(jìn)行融合決策，以融合后的函數(shù)作為決策依據(jù)識(shí)別出故障類型。分別進(jìn)行30組測(cè)試，其中一組測(cè)試概率分配及融合決策結(jié)果如表1所示。A1，A2，A3分別代表軸承的正常狀態(tài)、齒根損傷和軸承內(nèi)圈損傷；m代表概率分配函數(shù)。

表1 齒輪箱未知狀態(tài)的概率分配及融合決策結(jié)果

Tab.1 The BPA and fusion diagnosis result of bearing unknown state

節(jié)點(diǎn)編號(hào)m(A1)m(A2)m(A3)D-S融合1號(hào)2號(hào)3號(hào)4號(hào)0.11750.00010.00120.00130.00430.36790.54500.58730.87820.63200.45380.4114m(A1)=0.0000m(A2)=0.0049m(A3)=0.9951

由表1可以看出，3號(hào)、4號(hào)節(jié)點(diǎn)對(duì)軸承內(nèi)圈輕度損傷的支持程度并不明顯，因而不能僅用3號(hào)節(jié)點(diǎn)或4號(hào)節(jié)點(diǎn)對(duì)齒輪箱的運(yùn)行狀態(tài)進(jìn)行辨識(shí)。由于軸承內(nèi)圈輕度損傷的故障特征十分微弱，而3號(hào)、4號(hào)節(jié)點(diǎn)傳感器測(cè)點(diǎn)遠(yuǎn)離故障源，受信號(hào)傳播路徑等原因，使得3號(hào)及4號(hào)節(jié)點(diǎn)沒(méi)有完全觸及到相應(yīng)的故障特征信號(hào)。綜合4組的概率分配函數(shù)進(jìn)行決策級(jí)融合，準(zhǔn)確診斷出了軸承內(nèi)圈輕度損傷故障。對(duì)30組測(cè)試結(jié)果進(jìn)行統(tǒng)計(jì)，故障識(shí)別率為83.3%。

5 結(jié)束語(yǔ)

提出無(wú)線傳感器網(wǎng)絡(luò)多級(jí)分層信息融合的機(jī)械故障診斷方法。相比星型網(wǎng)絡(luò)結(jié)構(gòu)，采用的簇樹(shù)網(wǎng)絡(luò)結(jié)構(gòu)的網(wǎng)絡(luò)監(jiān)測(cè)覆蓋范圍更大。設(shè)計(jì)的雙核心WSNs節(jié)點(diǎn)滿足WSNs多級(jí)分層信息融合的故障診斷架構(gòu)需求。利用多級(jí)分層信息融合將計(jì)算任務(wù)分配給各級(jí)節(jié)點(diǎn)，有效地均衡傳感器節(jié)點(diǎn)計(jì)算負(fù)載，通過(guò)傳輸少量特征信息來(lái)替代大量原始振動(dòng)信號(hào)傳輸，降低網(wǎng)絡(luò)數(shù)據(jù)傳輸總量，節(jié)省網(wǎng)絡(luò)帶寬，降低網(wǎng)絡(luò)能耗，為WSNs應(yīng)用于機(jī)械設(shè)備故障診斷提出了新的思路。

[1] Flammini A, Ferrari P, Marioli D, et al. Wired and wireless sensor networks for industrial applications[J]. Microelectronics Journal, 2009, 40(9): 1322-1336.

[2] 湯寶平, 黃慶卿, 鄧?yán)? 等. 機(jī)械設(shè)備狀態(tài)監(jiān)測(cè)無(wú)線傳感器網(wǎng)絡(luò)研究進(jìn)展[J]. 振動(dòng)、測(cè)試與診斷, 2014, 34(1): 1-7.

Tang Baoping, Huang Qingqing, Deng Lei, et al. Research progress and challenges of wireless sensor networks for machinery equipment condition monitoring[J]. Journal of Vibration, Measurement & Diagnosis, 2014, 34(1): 1-7. (in Chinese)

[3] Sung W T, Chen J H, Hsu C C. WSN system based on weight adjust for machinery manufacturing machine monitoring[J]. Applied Mechanics and Materials, 2013, 300: 124-127.

[4] Chan J C, Tse P W. A novel, fast, reliable data transmission algorithm for wireless machine health monitoring[J]. IEEE Transactions on Reliability, 2009, 58(2): 295-304.

[5] 湯寶平, 賀超, 曹小佳. 面向機(jī)械振動(dòng)監(jiān)測(cè)的無(wú)線傳感器網(wǎng)絡(luò)結(jié)構(gòu)[J]. 振動(dòng)、測(cè)試與診斷, 2010, 30(4): 357-361.

Tang Baoping, He Chao, Cao Xiaojia. Topology of wireless sensor networks for mechanical vibration monitoring[J]. Journal of Vibration, Measurement & Diagnosis, 2010, 30(4): 357-361. (in Chinese)

[6] Vogl A, Wang D T, Stor?s P, et al. Design, process and characterisation of a high-performance vibration sensor for wireless condition monitoring[J]. Sensors and Actuators A: Physical, 2009, 153(2): 155-161.

[7] Latré B, De Mil P, Moerman I, et al. Maximum throughput and minimum delay in IEEE[C]∥Mobile Ad-hoc and Sensor Networks. Wuhan, China: Springer Berlin Heidelberg, 2005: 866-876.

[8] Hou L, Bergmann N W. Novel industrial wireless sensor networks for machine condition monitoring and fault diagnosis[J]. IEEE Transactions on Instrumentation and Measurement, 2012, 61(10): 2787-2798.

[9] Hou L, Bergmann N W. Induction motor fault diagnosis using industrial wireless sensor networks and dempster-shafer classifier fusion[C]∥IECON 2011-37th Annual Conference on IEEE Industrial Electronics Society. Melbourne: [s. n.], 2011: 2992-2997.

[10]Dempster A P. Upper and lower probabilities induced by a multivalued mapping[J]. The Annals of Mathematical Statistics, 1967, 38(2): 325-339.

[11]Shafer G. A mathematical theory of evidence[M]. Princeton: Princeton University Press, 1976：173-207.

[12]Soares S G, da Rocha A F, de A Barbosa T M G, et al. Embedding a neural network into WSN furniture[C]∥ 2010 10th International Conference on Hybrid Intelligent Systems (HIS). Atlanta: [s. n.], 2010: 219-222.

[13]Jagannath V M D, Raman B. WiBeaM: wireless bearing monitoring system[C]∥2007 2nd International Conference on Communication Systems Software and Middleware. Bangalore: [s. n.], 2007: 1-8.

[14]Neander J, Nolin M, Bjorkman M, et al. Wireless vibration monitoring (WiVib)-an industrial case study[C]∥2007 IEEE Conference on Emerging Technologies and Factory Automation (ETFA). Patras: [s. n.], 2007: 920-923.

10.16450/j.cnki.issn.1004-6801.2016.01.015

*國(guó)家自然科學(xué)基金資助項(xiàng)目(51375514, 51275546)；國(guó)家重點(diǎn)基礎(chǔ)研究發(fā)展計(jì)劃(“九七三”計(jì)劃)資助項(xiàng)目(2015CB057702)

2014-01-22；修回日期：2014-04-04

TH17

湯寶平，男，1971年9月生，教授、博士生導(dǎo)師。主要研究方向?yàn)闊o(wú)線傳感器網(wǎng)絡(luò)、機(jī)電裝備安全服役與壽命預(yù)測(cè)、測(cè)試計(jì)量技術(shù)及儀器。曾發(fā)表《Fault diagnosis for wind turbine transmission system based on manifold learning and shannon wavelet support vector machine》(《Renewable Energy》2014，Vol.62，No.9)等論文。 E-mail:bptang@cqu.edu.cn