基于机器学习的信息融合故障诊断模型研究

赵明 彭璐

摘要：当前，机器故障问题日益增多，给生产发展带来极大不利。因此，对关键设备进行有针对性的实时监控和诊断，尽快发现各种设备存在的问题，从而去防止机器故障的发生，而这也成为故障诊断系统面临和解决的首要问题。该文就故障诊断问题，在机器学习的基础上研究信息融合故障诊断模型，来实现机器故障的智能诊断与决策，帮助人们发现机器存在的问题，解决机器存在的隐患。

关键词：机器学习;信息融合;故障诊断

中图分类号：G623.58        文献标识码：A

文章编号：1009-3044（2021）09-0188-03

开放科学（资源服务）标识码（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

隨着科学技术的快速发展，工业生产表现出大型化和复杂化等特点。因为这些大型系统通常是重要的设备，所以故障的发生可能会降低生产效率，并且在最坏的情况下会导致停止生产。因此，在设备运行期间监视关键设备并尽快发现各种问题已成为解决故障诊断以防止故障的主要问题。为了解决以上问题，我们进行了信息融合故障诊断模型的研究，该模型在基于机器学习的基础上，采用信息融合故障诊断技术，来实现对机器的智能诊断。

1故障诊断方法

传统的故障诊断是通过人工经验来进行检测的，需要耗费巨大的人力和时间，而我们提出的是基于机器学习的故障诊断技术。利用机器学习的真正价值，在于可以实现自动化，从而达到解放人力的作用。真正意义上做到了精确、自动化、可自定义、迅速等方面。利用机器学习的优势可以有效地解放人力。传统的故障诊断相对于机器学习的故障诊断工作效率也是远远不可比的，使用机器学习技术可以实现快速决策，这是故障诊断中最重要的一点，从而进行视情维修，提高设备的利用率，为高效生产提供技术支持。

2基于机器学习的信息融合故障诊断模型

当前，机械设备信息处理系统存储了大量的部件状态信息，诊断信息和故障预测信息，但是在实际应用中，系统之间的实时信息交互是不够的，无法形成集中的知识管理系统，并且基于故障类型库的自动故障诊断和预测能力很弱。因此，本项目以机器学习相关技术为基础，构建一个信息融合故障诊断模型，检测机器的故障，来进行诊断，从而提高设备的利用率。

2.1模型概述

本模型从人的健康诊断过程受到启发，来研究机器设备的故障诊断机制及模型。如同人的健康诊断经历如下过程，如图1所示。

设备系统故障诊断也经历如下过程：检测--采集数据--形成指标--信息融合诊断故障设备及关键部件--修复。因此，需要对机器设备系统故障管理的理论、机制、数据表示、智能诊断等进行系统性研究。我们需要采集设备运行产生的各种数据，通过数据融合转换成相应的指标，再通过指标中的信息进行再次融合来诊断故障并修复，从而保障装置的健康运行。

本模型从一个全新的角度——以机器学习为基础，从信息融合理念出发，结合健康管理理念及机器学习及人工免疫等相关技术，构建故障诊断模型，如图2所示。将故障问题表示在空间中， 通过映射表示不同空间中数据之间的对应关系，通过融合测量及观察到的数据抽象出其特征;再通过特征融合整理出其指标，通过设备系统提供的已知指标及机器学习和人工免疫方法发现的未知指标建立动态指标库;这些指标数据是离散的零碎的，通过数据补全及连续化等多种信息融合方式建立全方位的故障诊断模型;根据组件指标数据的变化对机器设备系统的关键组件进行健康评估。通过信息融合，我们可以对故障进行合理诊断，促进后期智能决策。其中研究大概分为以下几个方面。

2.2信息获取方法的研究

信息来源是根本，怎样从客观的现实空间中获得与故障模式紧密关联的信息，这是信息融合故障诊断的一个关键点。从客观空间到测量空间之间获取信息的研究，是我们将客观的现象数据化的过程。使用有效的信息获取方法，能使获取的信息的范围更广泛，速度越快，更全面化。

数据采集最主要使用的是多传感器采集和人工采集，这两种采集方法各有千秋，我们这里主要使用的是多传感器采集的方法，以多传感器采集为主（如图3），人工采集为辅来实现信息的采集。我们方法的优点是减少信息的缺乏。通过主和辅双重收集的方法，保障了信息收集的一致性。 通过多个传感器收集信息可减少信息冗余，从而实现信息收集的完整性。

2.3故障特征抽取算法研究

故障特征信息的抽取与诊断准确性的速度密切相关。有效的特征提取可以消除不相关的数据和信息，减少信息融合的计算量，提高信息融合的实时性。

由于模型的对象是一些大型的机器，这导致所采取信息量也是巨大的，怎样从大量信息中抽取有效的故障特征，是我们研究的重点。

针对这一问题，我们采用了基于神经网络的特征提取方法，有效的去解决这个问题。它可以根据一定条件执行特征选择，考虑每个变量对输出模式的响应，并选择与输出模式密切相关的变量作为故障特征。

我们具体所需要做的就是把收集起来的信息进行过滤，提取幅值均方差，测量信号与健康信号差异幅值和正则化，最后用神经元模糊网络控制融合各传感器得出的数据的特征值，这个特征值可以有效减少操作环境引起的误差，从而得到故障的特征信息。

2.4融合算法研究

信息融合故障诊断研究的重心是有效的信息融合算法研究。我们这里使用的是多粒度信息融合，这也是本研究的一个创新点。

多粒度信息融合是通过数据级，特征级以及指标级的三个不同粒度的融合，从而可以修正一些错误信息，补全可能丢失的信息以及推测可能发生的信息，使得融合后的信息较全面正确高效地映射到不同层次上，达到数据、特征及指标信息补全的目的。

2.4.1 数据级信息融合

数据级融合属于第一层次的融合，它是指在各种传感器接收信息之前对数据进行的分析和处理。它的主要优点是它可以提供其他融合级别无法提供的细微信息。但是，限制很明显，需要处理太多的传感器数据，导致其高昂的处理成本和较差的实时性能。因此我们在使用数据级信息融合时所使用的是多传感器信息融合，减少了一个传感器处理的数据量，同时也加快了处理时间，数据收集面也更广，有效弥补了单个传感器的缺点。

2.4.2 特征级信息融合

特征级融合属于第二层次的融合，它是指从各种传感器中提取初始信息的特征以及对其进行分析和处理。特征层数据融合所采用的方法有神经网络、聚类算法、模板法等。

特征级融合的优势在于它提供了对信息的实时处理以及有用的信息压缩，因为提取的特征会影响决策分析，所以融合的结果最大程度给出了特征信息。此方法降低了通信带宽要求，但导致数据丢失和准确性降低。因此我们在特征抽取时使用了基于神经网络的特征提取方法，基于神经网络的特征提取方法有效弥补了数据的准确性有所下降的这一问题。

2.4.3 指标级信息融合

指标级融合属于第三层次的融合，它是对传感器的结果进行处理，来得到系统的综合结果。适用指标级融合的方法有模糊集理论、专家系统、D-S证据理论等。

决策级融合的主要优点是高容错能力，低流量和强大的抗干扰能力。但是指标级融合性能比价差，导致处理数据代价高。针对这一点，我们建立了一个动态指标库，使其对原传感器信息的处理转换到对动态指标库的处理，使得处理代价有所减小。三种融合的关系如图4。

2.5故障智能诊断技术

这是故障诊断的关键问题。由于机器故障与其征兆之间的复杂关系，不同部位的机器故障所表现出来的故障特征亦不相同，从而导致机器故障与其征兆之间复杂的从属关系。因此该技术一定程度上模仿人脑神经系统处理信息的功能，将我们指标库中的指标与故障类型库中的故障相对应，通过是否超出指标来判断故障以及故障类型，从而简化智能决策的过程，通过找出故障征兆与故障原因之间的非线性映射关系，来实现已知故障的诊断，未知故障的发现，使得故障诊断的难度大幅度降低。

目前，故障智能诊断技术在很多方面都有应用。军事方面：在预警机系统以及水下目标探测识别系统等系统中具有广泛的应用。生活方面：能够快速检测出各种机器的问题，实现问题精准快速的解决。也为我们的研究提供了基础。

3结论

本文就基于机器学习的信息融合故障诊断模型，做了一系列的研究。使用该模型可以减少人工操作，达到自动化运行，做到早发现故障征兆，进行智能决策，并且维修从而减少损失。

参考文献：

[1] 谢思翔.基于机器学习的故障诊断研究现状与未来发展趋势[J].通讯世界，2019，26（4）：312-313.

[2] 崔鹏宇，王泽勇，邱春蓉，等.基于多尺度排列熵与双核极限学习机的滚动轴承故障诊断方法[J].电子测量与仪器学报，2019，33（5）：142-147.

[3] 李从志，郑近德，潘海洋，等.基于自适应多尺度散布熵的滚动轴承故障诊断方法[J].噪声与振动控制，2018，38（5）：173-179.

[4] 沈林.基于深度学习的故障诊断方法研究[D].沈阳：沈阳理工大学，2018.

[5] 陈星宁.论如何利用故障诊断系统来提高工程机械的工作效益[J].经济师，2020（12）：264，266.

[6] 李俊杰，乔建军，王尧，等.基于故障树的远程故障诊断任务分解和决策方法[J].计算机测量与控制，2020，28（7）：45-49，54.

[7] 徐晓滨，叶梓发，徐晓健，等.基于分层式证据推理的信息融合故障诊断方法[J].控制理论与应用，2020，37（8）：1681-1692.

[8] 许鹏.基于信息融合的多故障诊断方法研究[D].沈阳：东北大学，2017.

[9] 赵璐，许昕，潘宏侠，等.基于信息熵与信息融合的供输弹系统故障诊断研究[J].机械设计与研究，2020，36（1）：169-172.

[10] 徐欣怡，徐永能，任宇超.基于小波神经网络的地铁轴承故障诊断方法[J].兵器裝备工程学报，2020，41（12）：177-181.

[11] 胡茑庆，陈徽鹏，程哲，等.基于经验模态分解和深度卷积神经网络的行星齿轮箱故障诊断方法[J].机械工程学报，2019，55（7）：9-18.

[12] 任浩，屈剑锋，柴毅，等.深度学习在故障诊断领域中的研究现状与挑战[J].控制与决策，2017，32（8）：1345-1358.

[13] 张维冲，王芳，赵洪.多源信息融合用于新兴技术发展趋势识别——以区块链为例[J].情报学报，2019，38（11）：1166-1176.

[14] 金棋，王友仁，王俊.基于深度学习多样性特征提取与信息融合的行星齿轮箱故障诊断方法[J].中国机械工程，2019，30（2）：196-204.

[15] 刘准钆，潘泉，韩德强.多源信息融合专题简介[J].中国科学：信息科学，2020，50（11）：1781-1782.

[16] 陆正嘉，杨在乐，杜长宇，等.基于信息融合技术的变电设备运行故障协同诊断方法研究[J].自动化与仪器仪表，2020（10）：207-210.

[17] 潘建雄.信息融合下船舶柴油机故障诊断方法研究[J].决策探索（中），2020（10）：52-53.

【通联编辑：代影】