基于证据理论多源多特征融合的柱塞泵故障诊断方法

吴胜强,姜万录

(1.燕山大学机械工程学院,河北 秦皇岛 066004;2.邢台职业技术学院,河北 邢台 054035)

液压泵作为液压系统的动力源,是整个液压系统的心脏,它的好坏直接影响整个液压系统的工作,其故障诊断是液压系统故障诊断的重要部分.为了提高故障诊断的准确率,采用多个传感器来获取泵的特征信号,综合利用设备多方面的故障信息来诊断泵的状态.Dempster-Shafer(D-S)证据理论是一种利用多源信息来进行决策的方法,其在故障诊断领域的应用受到普遍关注[1,2].本文提出了一种基于证据理论多源多特征融合的故障诊断方法:首先对采集信号进行小波消噪;接着利用信号时域、时频域特征量组成特征向量;最后,对液压泵进行故障诊断.

1 故障特征量

1.1 时域特征量

用以诊断机械故障的时域参数很多,并非每一参数对所有机械故障都敏感,要根据具体诊断对象加以选用.一般来说,单个参数诊断并不可靠,应组合选用其中若干个参数来诊断.故障诊断常用的时域参数有有量纲的参数和量纲一的参数之分,而有量纲的特征参数随载荷的变化波动很大,在实际中难以应用,对其进行归一化处理可得量纲一的数字特征参数:波形指标S、峰值指标C、脉冲指标I、峪度L和峭度指标K等[3].

1.2 时频域特征量

时频域特征参数选用各分解频带的信号能量占总能量的百分比.用小波包[4]频带能量分析方法对轴向柱塞泵松靴故障信号进行故障特征向量提取,步骤如下:

(1)将泵的信号按以下方法处理:小波包分解→对选定频段重构→阈值去噪→包络解调→隔点采样降至2 kHz,将所得信号用Daubechies 5小波进行3层小波包分解,这样在尺度3上形成了23=8个频带.小波包分解可表示为

式中:d(0,0)表示原始信号,d(j,k)表示小波包分解第j层第k个频带的小波包系数.

(2)对各小波包系数进行重构,提取各频带范围的信号.

(3)求各频带信号的能量E3k(k=0,1,2,…,7)和总能量E.

(4)求分解频带的信号能量E3k占总能量E的百分比.

1.2 构建特征向量

在时域选用5个特征参数:波形指标S、峰值指标C、脉冲指标I、峪度L和峭度指标K;在时频域选用8个特征参数:8个分解频带的信号能量占总能量的百分比;由此13个特征量构成特征向量.特征信号特征向量提取过程如图1所示.

图1 信号特征向量提取流程图Fig.1 Flow chart of feature vector extraction process of signal

2 证据理论

2.1 证据理论[5～7]

在命题A的一个识别框架Θ中,有集函数m:2Θ→[0,1]满足

则称m(A)为A在框架Θ上的mass函数,也称基本概率分配(BPA),表示对A的精确信任程度.

若A⊆Θ且m(A)＞0,则称 A为焦元,焦元分别为 A1,A2,…,Ak和B1,B2,…,Bn.设 m1,m2,…mn是同一识别框架Θ上的基本可信度分配,令

式中:K称为不确定因子,反映了证据冲突的程度;γ(A)称为mass函数的影响因子.

那么,合成后的mass函数 m:→2Θ→[0,1]如下:

式中:系数1/(1-K)为归一化因子.

2.2 基于矩阵分析的融合算法

对于传感器网络中n个传感器同时识别1个目标的情况,假设识别的结果有s种可能的情况,即目标可能的类型有s种,则置信度分配可采用n×s的矩阵来表示

式中:矩阵M中的任一元素mij表示第i个传感器给出的目标为第j种类型的置信度.由于同一传感器分配给s种可能的识别结果的置信度之和应为1,所以,矩阵的每1行的元素之和应满足归一化条件,即

用矩阵中的1行的转置与另1行相乘得到1个s×s的新矩阵R

其中主对角线的元素为这2个传感器目标识别的置信度累积,非主对角线元素的总和构成了证据的不确定因子.即

该算法在每一次执行过程中都完成了s维列向量与一s维行向量的矩阵乘法运算,计算需要的时间为T(s2),得到融合结果需要的时间为T(s2n),与n成近似线性关系;直接应用证据理论融合规则,由于要进行n元乘法运算,且每个因子可能的取值有s个,所以计算需要的时间为T(sn),和发现目标的传感器数量n成幂指数关系.

3 多源多特征融合故障诊断

3.1 单源多特征融合故障诊断

3.1.1 单源多特征融合故障诊断系统

单源多特征融合故障诊断系统包括信号采集、信号预处理、训练样本集选取、测试样本集选取、训练神经网络和用神经网络诊断故障,该系统的原理如图2所示.

液压泵常见故障有:缸体与配流盘磨损、柱塞与缸体磨损、轴承磨损.为此可以构建故障识别框架为{正常状态(f1)、缸体与配流盘磨损(f2)、柱塞与缸体磨损(f3)和轴承磨损(f4)}.

由上分析可知,Back Propagation(BP)神经网络的输入维数为13,输出维数为4.这里,采用13—25—4三层BP算法,网络的误差设定为0.005.

3.1.2 诊断步骤

单源多特征融合故障诊断系统的步骤包含BP神经网络训练和诊断二大步.

图2 单源多特征融合故障诊断系统原理图Fig.2 Schematic diagram of multi-featurefusion fault diagnosis for single source information

(1)确定BP神经网络结构:①采集各种故障和正常状态的信号;②对信号进行预处理提取特征向量,选取l组特征向量构造训练样本集;③训练BP神经网络,确定BP神经网络结构.

(2)系统状态诊断:①采集信号;②对信号进行预处理提取特征向量;③输入到BP神经网络,得到各故障可能发生的概率,判断系统状态.

3.2 多源多特征融合故障诊断

对被诊断对象采用n个传感器进行监测,每个单源多特征融合故障诊断模块的输出作为D-S证据理论的一个证据Ai,i∈(1,2,…,n),用D-S证据理论融合所有的Ai,判断系统状态,这就是多源多特征融合故障诊断系统,如图3所示.

图3 多源多特征融合故障系统原理图Fig.3 Schematic diagram of multi-feature fusion fault diagnosis for multi-source information

4 试验研究

4.1 试验系统

采用如图4所示的试验系统,以系统中的液压泵作为诊断对象.在液压泵故障诊断中,采用NIUSB-6221数据采集卡连接1个振动传感器(测量图4中加速度a)、压力传感器(测量图4中压力p)和噪声传感器(声级计)(测量图4中噪声PL,对轴向柱塞泵MCY14-1B进行信号采集.主溢流阀压力为10 MPa,采样频率为100 kHz,采集时间为10 s.首先对泵正常工作时的信号进行采集,然后对缸体与配流盘磨损、中心弹簧失效、松靴这3种故障形式,采集故障信号.

图4 故障诊断试验系统原理图Fig.4 Schematic diagram of fault diagnosis of experiment system

4.2 试验研究

采用模拟脱靴故障作为被诊故障,采集泵在3 MPa时200组正常和故障数据,其中160组数据作为神经网络训练数据,另40组数据作为诊断数据.表1、表2和表3是其中5组数据对应的特征级并行局部神经网络诊断模块的结果,表4是经证据理论融合的结果.

表1 压力信息神经网络输出结果Tab.1 Output result of pressure information neural network

表2 振动信息神经网络输出结果Tab.2 Output result of vibration information neural network

表1～表3都是利用单一信号源来诊断故障,都存在无法正确决策的情况,即使能决策,但此时对缸体与配流盘磨损的支持率很低;表4是利用3个信号源融合后进行诊断故障,都能判断出缸体与配流盘磨损,且支持率都很高.由此可看出,仅仅利用单一信号源信息进行故障诊断,可信度不高,具有不确定性,甚至有时不能决策;但是利用设备多信号源信息进行故障诊断,充分了利用各信号源的冗余互补信息,能大大提高诊断的可信度和准确性.

表3 噪声信息神经网络输出结果Tab.3 Output result of noise information neural network

表4 证据理论融合结果Tab.4 Evidence theory fusion result

5 结论

(1)BP神经网络确定出了证据理论所需的基本概率分配,为了证据理论确定基本概率分配提供了1条途径.

(2)应用了基本概率分配矩阵,给出了融合算法,解决了融合规则计算复杂度随数据源个数成幂指数增长的难题,大大开拓了证据理论的使用空间.

(3)对液压泵进行了故障诊断,诊断结果表明:基于证据理论的多源多特征融合故障诊断系统是现实可行的,它可以充分利用数据的冗余和互补信息,提高决策的准确率,降低诊断的不确定性.

[1]谢春丽,夏虹,刘永阔.多传感器数据融合技术在故障诊断中的应用[J].传感器技术,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,杨光琴.基于小波消噪的液压泵故障诊断[J].中国机械工程,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,刘永安.故障诊断的信息融合方法[J].控制与决策,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]向阳,史习智.证据理论合成规则的一点修正[J].上海交通大学学报,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.一种有效的证据理论合成公式[J].数据采集与处理,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.