基于機器學(xué)習(xí)的信息融合故障診斷模型研究

趙明 彭璐

摘要：當(dāng)前，機器故障問題日益增多，給生產(chǎn)發(fā)展帶來極大不利。因此，對關(guān)鍵設(shè)備進行有針對性的實時監(jiān)控和診斷，盡快發(fā)現(xiàn)各種設(shè)備存在的問題，從而去防止機器故障的發(fā)生，而這也成為故障診斷系統(tǒng)面臨和解決的首要問題。該文就故障診斷問題，在機器學(xué)習(xí)的基礎(chǔ)上研究信息融合故障診斷模型，來實現(xiàn)機器故障的智能診斷與決策，幫助人們發(fā)現(xiàn)機器存在的問題，解決機器存在的隱患。

關(guān)鍵詞：機器學(xué)習(xí);信息融合;故障診斷

中圖分類號：G623.58? ? ? ? 文獻標(biāo)識碼：A

文章編號：1009-3044（2021）09-0188-03

開放科學(xué)（資源服務(wù)）標(biāo)識碼（OSID）：

Research on Fault Diagnosis Model of Information Fusion Based on Machine Learning

ZHAO Ming，PENG Lu

（City College of Wuhan University of Science and Technology， Wuhan 430072， China）

Abstract：At present， the problem of machine failure is increasing， which brings great disadvantages to production development. Therefore， targeted real-time monitoring and diagnosis of key equipment， as soon as possible to find the problems of various equipment， so as to prevent the occurrence of machine failures， and this has become the primary problem that the fault diagnosis system faces and solves. This article focuses on the problem of fault diagnosis. Based on machine learning， the information fusion fault diagnosis model is studied to realize the intelligent diagnosis and decision-making of machine faults， help people discover machine problems， and solve machine problems.

Key words：machine learning;information fusion;fault diagnosis

隨著科學(xué)技術(shù)的快速發(fā)展，工業(yè)生產(chǎn)表現(xiàn)出大型化和復(fù)雜化等特點。因為這些大型系統(tǒng)通常是重要的設(shè)備，所以故障的發(fā)生可能會降低生產(chǎn)效率，并且在最壞的情況下會導(dǎo)致停止生產(chǎn)。因此，在設(shè)備運行期間監(jiān)視關(guān)鍵設(shè)備并盡快發(fā)現(xiàn)各種問題已成為解決故障診斷以防止故障的主要問題。為了解決以上問題，我們進行了信息融合故障診斷模型的研究，該模型在基于機器學(xué)習(xí)的基礎(chǔ)上，采用信息融合故障診斷技術(shù)，來實現(xiàn)對機器的智能診斷。

1故障診斷方法

傳統(tǒng)的故障診斷是通過人工經(jīng)驗來進行檢測的，需要耗費巨大的人力和時間，而我們提出的是基于機器學(xué)習(xí)的故障診斷技術(shù)。利用機器學(xué)習(xí)的真正價值，在于可以實現(xiàn)自動化，從而達到解放人力的作用。真正意義上做到了精確、自動化、可自定義、迅速等方面。利用機器學(xué)習(xí)的優(yōu)勢可以有效地解放人力。傳統(tǒng)的故障診斷相對于機器學(xué)習(xí)的故障診斷工作效率也是遠遠不可比的，使用機器學(xué)習(xí)技術(shù)可以實現(xiàn)快速決策，這是故障診斷中最重要的一點，從而進行視情維修，提高設(shè)備的利用率，為高效生產(chǎn)提供技術(shù)支持。

2基于機器學(xué)習(xí)的信息融合故障診斷模型

當(dāng)前，機械設(shè)備信息處理系統(tǒng)存儲了大量的部件狀態(tài)信息，診斷信息和故障預(yù)測信息，但是在實際應(yīng)用中，系統(tǒng)之間的實時信息交互是不夠的，無法形成集中的知識管理系統(tǒng)，并且基于故障類型庫的自動故障診斷和預(yù)測能力很弱。因此，本項目以機器學(xué)習(xí)相關(guān)技術(shù)為基礎(chǔ)，構(gòu)建一個信息融合故障診斷模型，檢測機器的故障，來進行診斷，從而提高設(shè)備的利用率。

2.1模型概述

本模型從人的健康診斷過程受到啟發(fā)，來研究機器設(shè)備的故障診斷機制及模型。如同人的健康診斷經(jīng)歷如下過程，如圖1所示。

設(shè)備系統(tǒng)故障診斷也經(jīng)歷如下過程：檢測--采集數(shù)據(jù)--形成指標(biāo)--信息融合診斷故障設(shè)備及關(guān)鍵部件--修復(fù)。因此，需要對機器設(shè)備系統(tǒng)故障管理的理論、機制、數(shù)據(jù)表示、智能診斷等進行系統(tǒng)性研究。我們需要采集設(shè)備運行產(chǎn)生的各種數(shù)據(jù)，通過數(shù)據(jù)融合轉(zhuǎn)換成相應(yīng)的指標(biāo)，再通過指標(biāo)中的信息進行再次融合來診斷故障并修復(fù)，從而保障裝置的健康運行。

本模型從一個全新的角度——以機器學(xué)習(xí)為基礎(chǔ)，從信息融合理念出發(fā)，結(jié)合健康管理理念及機器學(xué)習(xí)及人工免疫等相關(guān)技術(shù)，構(gòu)建故障診斷模型，如圖2所示。將故障問題表示在空間中， 通過映射表示不同空間中數(shù)據(jù)之間的對應(yīng)關(guān)系，通過融合測量及觀察到的數(shù)據(jù)抽象出其特征;再通過特征融合整理出其指標(biāo)，通過設(shè)備系統(tǒng)提供的已知指標(biāo)及機器學(xué)習(xí)和人工免疫方法發(fā)現(xiàn)的未知指標(biāo)建立動態(tài)指標(biāo)庫;這些指標(biāo)數(shù)據(jù)是離散的零碎的，通過數(shù)據(jù)補全及連續(xù)化等多種信息融合方式建立全方位的故障診斷模型;根據(jù)組件指標(biāo)數(shù)據(jù)的變化對機器設(shè)備系統(tǒng)的關(guān)鍵組件進行健康評估。通過信息融合，我們可以對故障進行合理診斷，促進后期智能決策。其中研究大概分為以下幾個方面。

2.2信息獲取方法的研究

信息來源是根本，怎樣從客觀的現(xiàn)實空間中獲得與故障模式緊密關(guān)聯(lián)的信息，這是信息融合故障診斷的一個關(guān)鍵點。從客觀空間到測量空間之間獲取信息的研究，是我們將客觀的現(xiàn)象數(shù)據(jù)化的過程。使用有效的信息獲取方法，能使獲取的信息的范圍更廣泛，速度越快，更全面化。

數(shù)據(jù)采集最主要使用的是多傳感器采集和人工采集，這兩種采集方法各有千秋，我們這里主要使用的是多傳感器采集的方法，以多傳感器采集為主（如圖3），人工采集為輔來實現(xiàn)信息的采集。我們方法的優(yōu)點是減少信息的缺乏。通過主和輔雙重收集的方法，保障了信息收集的一致性。 通過多個傳感器收集信息可減少信息冗余，從而實現(xiàn)信息收集的完整性。

2.3故障特征抽取算法研究

故障特征信息的抽取與診斷準(zhǔn)確性的速度密切相關(guān)。有效的特征提取可以消除不相關(guān)的數(shù)據(jù)和信息，減少信息融合的計算量，提高信息融合的實時性。

由于模型的對象是一些大型的機器，這導(dǎo)致所采取信息量也是巨大的，怎樣從大量信息中抽取有效的故障特征，是我們研究的重點。

針對這一問題，我們采用了基于神經(jīng)網(wǎng)絡(luò)的特征提取方法，有效的去解決這個問題。它可以根據(jù)一定條件執(zhí)行特征選擇，考慮每個變量對輸出模式的響應(yīng)，并選擇與輸出模式密切相關(guān)的變量作為故障特征。

我們具體所需要做的就是把收集起來的信息進行過濾，提取幅值均方差，測量信號與健康信號差異幅值和正則化，最后用神經(jīng)元模糊網(wǎng)絡(luò)控制融合各傳感器得出的數(shù)據(jù)的特征值，這個特征值可以有效減少操作環(huán)境引起的誤差，從而得到故障的特征信息。

2.4融合算法研究

信息融合故障診斷研究的重心是有效的信息融合算法研究。我們這里使用的是多粒度信息融合，這也是本研究的一個創(chuàng)新點。

多粒度信息融合是通過數(shù)據(jù)級，特征級以及指標(biāo)級的三個不同粒度的融合，從而可以修正一些錯誤信息，補全可能丟失的信息以及推測可能發(fā)生的信息，使得融合后的信息較全面正確高效地映射到不同層次上，達到數(shù)據(jù)、特征及指標(biāo)信息補全的目的。

2.4.1 數(shù)據(jù)級信息融合

數(shù)據(jù)級融合屬于第一層次的融合，它是指在各種傳感器接收信息之前對數(shù)據(jù)進行的分析和處理。它的主要優(yōu)點是它可以提供其他融合級別無法提供的細微信息。但是，限制很明顯，需要處理太多的傳感器數(shù)據(jù)，導(dǎo)致其高昂的處理成本和較差的實時性能。因此我們在使用數(shù)據(jù)級信息融合時所使用的是多傳感器信息融合，減少了一個傳感器處理的數(shù)據(jù)量，同時也加快了處理時間，數(shù)據(jù)收集面也更廣，有效彌補了單個傳感器的缺點。

2.4.2 特征級信息融合

特征級融合屬于第二層次的融合，它是指從各種傳感器中提取初始信息的特征以及對其進行分析和處理。特征層數(shù)據(jù)融合所采用的方法有神經(jīng)網(wǎng)絡(luò)、聚類算法、模板法等。

特征級融合的優(yōu)勢在于它提供了對信息的實時處理以及有用的信息壓縮，因為提取的特征會影響決策分析，所以融合的結(jié)果最大程度給出了特征信息。此方法降低了通信帶寬要求，但導(dǎo)致數(shù)據(jù)丟失和準(zhǔn)確性降低。因此我們在特征抽取時使用了基于神經(jīng)網(wǎng)絡(luò)的特征提取方法，基于神經(jīng)網(wǎng)絡(luò)的特征提取方法有效彌補了數(shù)據(jù)的準(zhǔn)確性有所下降的這一問題。

2.4.3 指標(biāo)級信息融合

指標(biāo)級融合屬于第三層次的融合，它是對傳感器的結(jié)果進行處理，來得到系統(tǒng)的綜合結(jié)果。適用指標(biāo)級融合的方法有模糊集理論、專家系統(tǒng)、D-S證據(jù)理論等。

決策級融合的主要優(yōu)點是高容錯能力，低流量和強大的抗干擾能力。但是指標(biāo)級融合性能比價差，導(dǎo)致處理數(shù)據(jù)代價高。針對這一點，我們建立了一個動態(tài)指標(biāo)庫，使其對原傳感器信息的處理轉(zhuǎn)換到對動態(tài)指標(biāo)庫的處理，使得處理代價有所減小。三種融合的關(guān)系如圖4。

2.5故障智能診斷技術(shù)

這是故障診斷的關(guān)鍵問題。由于機器故障與其征兆之間的復(fù)雜關(guān)系，不同部位的機器故障所表現(xiàn)出來的故障特征亦不相同，從而導(dǎo)致機器故障與其征兆之間復(fù)雜的從屬關(guān)系。因此該技術(shù)一定程度上模仿人腦神經(jīng)系統(tǒng)處理信息的功能，將我們指標(biāo)庫中的指標(biāo)與故障類型庫中的故障相對應(yīng)，通過是否超出指標(biāo)來判斷故障以及故障類型，從而簡化智能決策的過程，通過找出故障征兆與故障原因之間的非線性映射關(guān)系，來實現(xiàn)已知故障的診斷，未知故障的發(fā)現(xiàn)，使得故障診斷的難度大幅度降低。

目前，故障智能診斷技術(shù)在很多方面都有應(yīng)用。軍事方面：在預(yù)警機系統(tǒng)以及水下目標(biāo)探測識別系統(tǒng)等系統(tǒng)中具有廣泛的應(yīng)用。生活方面：能夠快速檢測出各種機器的問題，實現(xiàn)問題精準(zhǔn)快速的解決。也為我們的研究提供了基礎(chǔ)。

3結(jié)論

本文就基于機器學(xué)習(xí)的信息融合故障診斷模型，做了一系列的研究。使用該模型可以減少人工操作，達到自動化運行，做到早發(fā)現(xiàn)故障征兆，進行智能決策，并且維修從而減少損失。

參考文獻：

[1] 謝思翔.基于機器學(xué)習(xí)的故障診斷研究現(xiàn)狀與未來發(fā)展趨勢[J].通訊世界，2019，26（4）：312-313.

[2] 崔鵬宇，王澤勇，邱春蓉，等.基于多尺度排列熵與雙核極限學(xué)習(xí)機的滾動軸承故障診斷方法[J].電子測量與儀器學(xué)報，2019，33（5）：142-147.

[3] 李從志，鄭近德，潘海洋，等.基于自適應(yīng)多尺度散布熵的滾動軸承故障診斷方法[J].噪聲與振動控制，2018，38（5）：173-179.

[4] 沈林.基于深度學(xué)習(xí)的故障診斷方法研究[D].沈陽：沈陽理工大學(xué)，2018.

[5] 陳星寧.論如何利用故障診斷系統(tǒng)來提高工程機械的工作效益[J].經(jīng)濟師，2020（12）：264，266.

[6] 李俊杰，喬建軍，王堯，等.基于故障樹的遠程故障診斷任務(wù)分解和決策方法[J].計算機測量與控制，2020，28（7）：45-49，54.

[7] 徐曉濱，葉梓發(fā)，徐曉健，等.基于分層式證據(jù)推理的信息融合故障診斷方法[J].控制理論與應(yīng)用，2020，37（8）：1681-1692.

[8] 許鵬.基于信息融合的多故障診斷方法研究[D].沈陽：東北大學(xué)，2017.

[9] 趙璐，許昕，潘宏俠，等.基于信息熵與信息融合的供輸彈系統(tǒng)故障診斷研究[J].機械設(shè)計與研究，2020，36（1）：169-172.

[10] 徐欣怡，徐永能，任宇超.基于小波神經(jīng)網(wǎng)絡(luò)的地鐵軸承故障診斷方法[J].兵器裝備工程學(xué)報，2020，41（12）：177-181.

[11] 胡蔦慶，陳徽鵬，程哲，等.基于經(jīng)驗?zāi)B(tài)分解和深度卷積神經(jīng)網(wǎng)絡(luò)的行星齒輪箱故障診斷方法[J].機械工程學(xué)報，2019，55（7）：9-18.

[12] 任浩，屈劍鋒，柴毅，等.深度學(xué)習(xí)在故障診斷領(lǐng)域中的研究現(xiàn)狀與挑戰(zhàn)[J].控制與決策，2017，32（8）：1345-1358.

[13] 張維沖，王芳，趙洪.多源信息融合用于新興技術(shù)發(fā)展趨勢識別——以區(qū)塊鏈為例[J].情報學(xué)報，2019，38（11）：1166-1176.

[14] 金棋，王友仁，王俊.基于深度學(xué)習(xí)多樣性特征提取與信息融合的行星齒輪箱故障診斷方法[J].中國機械工程，2019，30（2）：196-204.

[15] 劉準(zhǔn)釓，潘泉，韓德強.多源信息融合專題簡介[J].中國科學(xué)：信息科學(xué)，2020，50（11）：1781-1782.

[16] 陸正嘉，楊在樂，杜長宇，等.基于信息融合技術(shù)的變電設(shè)備運行故障協(xié)同診斷方法研究[J].自動化與儀器儀表，2020（10）：207-210.

[17] 潘建雄.信息融合下船舶柴油機故障診斷方法研究[J].決策探索（中），2020（10）：52-53.

【通聯(lián)編輯：代影】