基于BP神经网络和D-S证据理论的发电机故障综合诊断

中北大学 芦 斌 姚竹亭

1.引言

在发电机故障诊断中，故障多种多样，而每种故障信息之间又存在着冗余性和相关性，针对某一个故障信息进行分析已满足不了对故障分析的可靠性。目前还没有哪种单一传感器对被测对象的状态进行完全可靠的描述，所以采用多传感器进行综合的诊断，已成为当前的趋势。

采用多传感器进行测量师，由于测得信息量很大，各测点提取的故障征兆必然存在着随机性和矛盾性。若将大量的高维信息输入同一个神经网络处理的话，必然会导致诊断时间过长，效果变差等失真结果。为避免这种情况出现，提出了BP神经网络和D-S证据理论结合的综合诊断方法。首先对个测点的信号进行神经网络的局部诊断，这就将所测得高维信息分解成了低维的信息，而后将各神经网络局部诊断结果利用D-S理论进行决策级融合，最终得到综合的诊断结果。

2.数据融合的发电机故障诊断模型

本文利用BP神经网络和D-S理论对发电机进行综合的故障诊断，首先将个测点的信号进行BP神经网络局部诊断，对所有的局部诊断数据进行归一化，并对其进行决策级的D-S理论融合，得到准确的故障信息。

具体方法如下：

假设在故障征兆域S中，bel1对应第一通道神经网络的结果，bel2对应第二通道神经网络的结果，以此类推，每个信任函数的焦点元素都对应不同神经网络目标诊断结果，所有诊断结果构成辨别框架，对每个通道的神经网络输出值进行归一化处理，作为各焦点元素的基本概率分配mi,j，其中i=1, 2 ,…n,j=1,2,…p,n作为通道数，p为故障模式分类数，即焦元数，最后利用D-S理论的证据联合规则得到最终结果mn(j)。如图1所示。

3.BP神经网络局部诊断

本文采用BP神经网络对发电机先进行局部的诊断，根据从各测量的数据信息利用BP神经网络逐个对其进行诊断，并进行归一化处理，从而判断故障情况。在进行局部诊断时，为了使相同数据间具有可比性，对采集的数据信息进归一化处理，归一化公式如下：

神经网络的结构确定一个含有33个神经元的三层网络，每个层的个数为10，18和5。创建符合要求的BP神经网络：

图1 发电机故障诊断模型

令P表示网络输入样本向量，T表示网络的目标向量

创建该BP神经网络的程序为：

训练网络的程序为：

该网络训练结果为：

4.D-S证据理论决策融合诊断

本文中将BP神经网络的局部诊断结果转化为证据理论模型，设信任函数ibel对应第i测点的判断结果，i=1,2,…5,5个信任函数的焦点元素都是A1,A2,…A5，这些不同的故障模式构成了分辨框θ，即bel1,bel2,bel3,bel4,bel5有共同的分辨框。

表1 第一次与第二次测量数据融合结果

表2 数据最终融合结果

将神经网络的训练误差作为不确定因素，将网络节点的输出作归一化处理，作为各焦点元素的基本概率值，计算公式为：

由于A1,A2,…A5中状态相互独立，所以有：

AiAj=Φ(Φ是空集，i≠j)，第一次的局部诊断数据排成横排，第二次的数据成竖排，再用D-S合并规则计算表中的各栏，可以得到其融合的结果；用融合的结果再与第三次局部诊断数据融合，即可得最终的结果，如表1，2所示。

从表2可以看出，经过数据融合的结果与理想目标输出比较接近，误差满足实际需求，从而证明了BP神经网络和D-S理论综合诊断方法的实效性。

5.结论

针对多传感器数据融合发电机故障特点，提出了将神经网络和D-S证据理论相结合的综合诊断思路，设计了诊断模型，利用BP神经网络进行局部诊断，然后采用D-S证据理论对局部诊断进行决策级融合，得到的结果基本满足实际需求，证明BP神经网络和D-S证据理论相结合的发电机故障综合诊断方法的实效性。

[1]郝红勋.人工神经网络在航空发电机故障诊断中的应用[J].2006,03,18.

[2]王江萍.神经网络信息融合技术在故障诊断中的应用[J].石油机械,29,8:27-30.

[3]刘怀国,吴陈,张冰.D-S证据理论在多传感器数据融合中的应用[J].华东船舶工业学院学报,200l,15,3:20-25.

[4]耿立恩,潘旭峰,李晓雷.Dempster—Shafer证据理论在数据融合中的应用[J].北京理工大学学报,1997,17,2:198-203.