基于极限学习机的多传感器旋转机械故障诊断

张钦尧 杨艳萍

摘  要：为了更好的对旋转机械故障进行识别与分类，文章提出了一类基于极限学习机的多传感器融合故障识别方法。首先，利用FFT对数据进行预处理，并对多传感器的预处理结果进行加权融合，以单传感器历史数据识别得到的正确率为融合系数。然后，对极限学习机进行训练和测试。结果表明基于融合数据特征的识别率表现优于基于单传感器数据特征的识别率。

关键词：多传感器融合;极限学习机;旋转机械故障识别

中图分类号：TH17         文献标志码：A 文章编号：2095-2945（2019）23-0128-02

Abstract： In order to better identify and classify the faults of rotating machinery， a kind of multi-sensor fusion fault recognition method based on limit learning machine is proposed in this paper. First of all， the FFT is used to preprocess the data， and the weighted fusion of the preprocessing results of multi-sensor is carried out， and the correct rate of historical data recognition of single sensor is taken as the fusion coefficient. Then， the extreme learning machine is trained and tested. The results show that the recognition rate based on fusion data feature is better than that based on single sensor data feature.

Keywords： multi-sensor fusion; limit learning machine; fault identification of rotating machinery

引言

随着科学技术的飞速发展，旋转机械在各个行业中变得越来越重要。旋转机械故障的快速识别，及时止损，变的非常有意义[1]。

机械故障诊断一般分为两个部分：先是采集故障信号，并对信号进行预处理;然后根据故障信号对应识别故障，以达到故障诊断的目的。传统的信号采集往往由单一传感器完成，由于故障的发生具有不确定性，采用多传感器融合的方法是很有必要的，可以有效的反映全局信息[2]。人工神经网络具有不需要大量人工干预，识别精度高，速度快的优点，使得其能够很好的适用于故障识别。傅其凤等利用BP神经网络建立了旋转机械故障诊断模型来对其进行故障诊断[3]，但BP网络存在训练时间长，容易陷入局部最优等一些问题。由黄广斌等人提出的极限学习机（Extreme Learning Machine， ELM），其训练速度快，具有良好的泛化能力，已被应用于各个不同的领域。

本文提出基于ELM的多传感器融合故障识别方法。首先，在旋转机械重要部位安装多个传感器进行数据采集，将数据按周期经过快速傅里叶变换（Fast Fourier Transform， FFT）处理后，将单传感器历史数据的识别正确率作为系数进行加权融合，较于单传感器，多传感器融合之后的数据具有全局性，所蕴含的故障特征更多，最后用ELM对其进行训练和测试得到识别正确率。

1 数据处理

对于旋转机械，采集的信号一般为周期性时域离散数据，不能准确、清晰地获取其频率和振幅等信息，特征不明显，含有大量的噪声，若直接对采集到的原始数据进行融合，需要处理的信息量大，其速度慢，且实时性较差。将数据提取特征后进行融合，能够在保存足够原始信息的同时又实现了数据压缩，有利于实时处理[4]。

设有三个传感器。Sl（t）=el（t） l=1，2，3分别为其在t0时刻到t1时刻采集的信号，采集间隔为？着。将数据按周期T分为N=（t1-t0）/T个向量，每个向量有P=T/？着个点，作为一组数据，即：

2 极限学习机

ELM中输入权重和隐层偏置是被随机确定的，输出权重是通过使用广义逆来分析得到的。速度快，泛化能力强，能避免梯度法所面对的许多问题。假设有N个样本X={xj|j=1，2，…，N}对应的标签为Y={yj|j=1，2，…，N}。構建一个有隐层节点，激活函数g（x）为tanh函数的单隐层前馈网络：

3 实验结果和分析

本文所使用的数据是在ZHS-2型多功能电机柔性转子试验台采集得到的，采用3个传感器采集转子时域振动信号，人为模拟基座松动故障。在测试中，设阈值为±0.2。由于单个数据体量较大，采用100个隐层节点。取280组数据进行训练，20组进行测试，结果如表1所示：

从该结果分析可得，当利用不同位置的单传感器采集到的数据来进行分析时，传感器2所采集到的数据无法准确反映故障信息，网络识别率低。多传感器融合数据特征明显优于单传感器。

4 结束语

本文将多传感器融合思想应用到旋转机械故障诊断中，将数据按周期分割，以单传感器历史数据的网络识别正确率为加权融合系数对多传感器数据进行融合，并利用ELM对旋转机械典型故障进行识别，实验证明，多传感器融合后的结果优于传统单传感器。

参考文献：

[1]Xue X， Zhou J. A hybrid fault diagnosis approach based on mixed-domain state features for rotating machinery[J]. ISA Transactions，2016，66：284-295.

[2]周荫清，洪信镇.多传感器信息融合技术[J].遥测遥控，1996（1）：16-22.

[3]傅其凤，葛杏卫.基于BP神经网络的旋转机械故障诊断[J].煤矿机械，2006，27（4）：712-714.

[4]腾召胜，等.智能检测系统与数据融合[M].北京：机械工业出版社，1999.

[5]袁小宏，屈梁生.机械故障诊断中的信息融合利用问题研究[J].振动：测试与诊断，1999（3）：187-192.