浅析信息融合技术在机械设备故障诊断中的应用

李润豪

北京科技大学 北京 100083

引言

制造业是国民经济的支柱，各种机械设备是制造业快速发展的核心。近年来随着以信息技术为基础的互联网技术、人工智能技术和云计算技术的发展，机械设备也越来越复杂，这就意味着一旦机械设备发生故障，轻则停产，重则造成人身和财产的损失，这就对机械设备故障诊断技术提出了新的要求。所以，机械设备从设计阶段，就要考虑对机械设备运行状态的监测和诊断，实时监控设备的运行状态，提前预知可能发生的故障并反馈处理。很多的实践也证明，以设备的监测和故障诊断技术为基础的设备预知维修能节省大量的维修费用，保障设备的正常运行，消除隐患，减少恶性事故发生。在这种情况下，信息融合技术应运而生，它是利用信息技术将来自机械设备上的多个传感器或者多个来源的信息根据一定的准则进行组合，分析，处理，以提高机械设备故障诊断结果的可信度。

1 机械设备故障诊断技术的发展

传统的机械故障诊断技术，往往只是观察和分析一种或者是有限的几种机械信息，然后根据这些有限的信息对机械设备的故障进行诊断，缺少对机械设备故障信息的全面观察，判断故障的依据比较少，导致无法得出准确的评价，判断结果不够准确也不可靠，诊断结果具有一定的局限性。比如，对机械设备中轴承状态的诊断，往往是通过振动加速度的信号进行诊断，但仅仅依靠振动加速度一个信号类型，能够获得的轴承真实信息太少，从而无法对轴承的状态特征进行准确的评价。如果能够多层次多角度获得轴承润滑油的温度信息，油样信息等，并进行相关的观察分析，才有可能得出对轴承状态更为准确的评价和分析。例如，机械设备的齿轮出现裂纹时，如果是依靠箱体振动加速度的信号来分析原因和得出结论，结果往往是不可靠的。

在实际的生产制造过中，造成机械设备故障的因素很多，而且各因素之间二回相互作用，如果只是依靠单一的信号来进行故障的诊断，得到的往往是片面的，不准确的。如果依靠不准确的诊断结果去对机械设备进行维修，就会造成疏忽，可能会引发更严重的问题[1]。

随着机械设备故障诊断技术的发展，故障诊断技术到了今天已经成为一个独立的跨学科的综合信息处理技术。所谓的机械故障诊断，简单地说，就是通过提前设计布置在机械设备上的多种传感器，监测和观察机械设备运行中的各项数据，识别其是否在设定的正常状态。如果监测到的信息出现异常，通过信息融合相关的算法，确定故障发证的部位和性质，寻找故障出现的原因，预测故障后续发展的趋势，并给出相应的应对策略。现有的机械设备故障诊断技术是以故障机理和现代检测技术为基础，以信号处理和模式识别为基本的理论和方法，其目的是为了实时动态的检测机械设备的运行情况，尽力避免故障的发生，最大限度地提高机械设备的使用效率，使用寿命和使用安全。

2 机械故障诊断引进信息融合技术的必然性

随着信息技术的飞速发展，信息融合技术已经广泛使用在人工智能、目标识别、医学诊断等领域，并已取得不错的效果。同样在机械故障诊断领域，多传感器的信息融合技术，可以对设备的各个工作参数进行合理的融合，有效地获得设备运行的状态特征，从而对故障进行正确的判断，这会是未来机械故障诊断技术的发展趋势。

2.1 多传感器的应用提供了不同通道的信息

传统的机械故障诊断技术，往往只能依靠少量的信息来判断设备的状态特征。随着机械设备系统变得越来越复杂，越来越多的传感器被用来探测和感受各种各样类型的机械设备运行情况，而且不同类型的大量传感器所能够探测和感受的信息类型和部位也不相同，这些不同来源不同通道获得的设备运行信息就给故障诊断提供了非常多的决策依据。

2.2 信息融合提高了诊断的准确性

由于机械设备变得越来越智能，系统变得越来越庞大，引起机械设备故障的原因也越来越复杂。反映在故障的特征上，就是同一特征的故障表现，可能是因为不同的故障原因造成的，这就对机械故障诊断技术和决策提出了更高的要求。例如，旋转机的转子出现了异常振动的故障，原因可能是机械轴承松动，也可能是旋转机的转子互相碰撞引起的，甚至可能是因为看上去不想干的原因。所以，尽管表现出来的故障是相同的，但造成故障的原因可能是不同的。在这种情况下，仅仅依靠对某一个信号的观察来分析故障原因，就显得有些片面了。

而信息融合则可以把来自不同传感器不同通道的信息，依据一定的准则进行组合，以获得被监测机械设备对象的一致性解释和描述，其目的是通过各种数据的组合推算出更多的信息，最大程度的了解被检测目标的相关信息环境信息，为诊断和决策提供更多的参考。

就现阶段的机械设备故障诊断技术来看，信息融合技术通常应用在以下几个方面[2]。

第一是信号处理：包括视频相关技术，频谱分析，视频分析等，这些信号处理技术可以对传感器收集到的各类信号进行变换和重构，获得信号中包含的特征数据。

第二个是参数优化：将不同机械设备的参数和信号指标进行重组和优化，产生更好的反应被检测目标设备对象的各类参数。

第三个是模式识别：针对传感器获取的各类特征参数，运用各种识别方法，如人工神经网络，贝叶斯理论聚合方法等。对机械设备的运行状态进行识别。

第四个是智能诊断：对机械设备的运行状态与故障类型作出判断，并给出适当的维护与维修方案，以便快速地对故障进行维修。

3 机械故障诊断过程中的信息融合技术

信息融合技术在机械设备中的应用，按融合算法的不同，主要可以分为以下几种：以神经网络为基础的信息融合方法，以贝叶斯理论为基础的信息融合方法，以D-S理论为基础的信息融合方法，模糊信息融合故障诊断方法，集成信息融合故障诊断方法等等。在实际操作中，可以根据实际情况选择一种或多种信息融合算法。

3.1 以神经网络为基础的信息融合方法

神经网络，简单地说，它是一种以人脑神经系统为基础，由大量处理单元即神经元组成的非线性大规模自适应动力系统，能够模拟人类的大脑处理各种复杂的非线性的映射。它不但模仿人脑的神经系统，还具有学习、记忆、计算等能力，具有了智能信息处理、检索等功能，能够从各种类型的多个传感器探测到的信息中，提取出机械设备的各种状态特征，准确地找出机械故障的原因。神经网络融合方法最独特的优点是可以运用大规模并行处理网络技术，对于突发的故障或意想不到的异常，可以像人脑一样运用联想记忆来进行诊断。

3.2 以贝叶斯理论为基础的信息融合方法

在机械设备故障诊断中，面对同样的故障特征，诊断对象可能是不确定的，或者因为机械设备运行的声音太过嘈杂，或者是传感器监测到的信息不全面或不准确的，这样就很难从中提取出机械设备准确的状态特征，对于机械设备故障的诊断往往很难做到准确。在这种情况下，科学家们提出了贝叶斯理论。

贝叶斯理论，是在概率密度函数基础上发展和建立起来的推理方法。在机械设备的运行中，随时可能会出现各种问题，出现的时机和特征看似随意，其实是有一定的规律的，对这种规律计算的最严密的算法就是概率密度函数。贝叶斯理论以此为基础，可以对传感器监测到的不同类型，不同部分的信息进行综合观察和分析，从而得出机械设备的准确状态特征，并对故障进行分类。

3.3 以D-S理论为基础的信息融合方法

与传统的机械设备故障诊断方法相比，贝叶斯理论的使用确实取得了重大突破，也很有成效。但贝叶斯理论的缺陷是，不能在所有传感器抽象级上给出精确的可信度。基于这一点，D-S理论就产生了，该理论将每一种可能产生的故障称为假设，把所有可能故障的组合称为识别框，不是可能故障的其他特征称为证据[3]。

在故障诊断中，D-S理论先计算证据的基本概率分配函数、信任函数以及似然函数，接着计算所有可能的证据联合作用下的上述三个函数的数值，最后选择支持率最大的假设，根据该假设去找机械设备的故障。D-S理论，作为贝叶斯理论的推理理论，在实际的使用中，更多的是把两种方法结合起来，寻求最佳的诊断方案。

4 信息融合技术在机械设备故障诊断中的应用

在机械设备故障诊断中，多传感器信息融合技术构建了三个融合模块，分别是数据级融合模块，特征级融合模块，以及决策级融合诊断模块。

数据级融合是在信息的最底层完成的，主要目的是进行数据采集和特征提取。首先将全部传感器观测到的数据进行融合，接着从融合的数据中提取特征向量，诊断出故障发生的正确原因。数据级融合的优点是，保持尽可能多的现场数据，特别是一些细微的信息。这也意味着数据级融合需要处理的信息量非常大，数据处理的代价高，时效性比较差。

特征级融合是中间层次的融合，先提取传感器的原始信息，接着综合分析和处理提取到的多种特征信息。特征级融合的优点是对大量信息进行了压缩，有利于对数据实时处理，并且提取的特征更加的精准，能够最大限度地为决策分析提供支持。

决策级融合则是三级融合中最终的结果，是一种高层次的融合，是直接面对决策目标的。决策级融合是依据一定的准则和之前所有决策的可信度做出的最优决策[4]。决策级融合的过程，从具体的决策需求出发，利用特征级融合提取的机械设备测量对象的各类特征，再使用适当的融合技术来实现更精准的决策。它的优点是通信量少，对传输带宽的要求低，抗干扰能力强，处理所需要的代价低，对传感器的兼容性比较好，同质或异质的传感器都可以，甚至在少量传感器出错不能工作时，也能通过融合方法获得相对准确的结果，具有较高的容错性和鲁棒性。

5 结束语

信息融合的过程是一个实时的，连续的过程，三级融合也是在不间断的额发展，在融合的过程中，系统运用相关的推理规则，多层次，多方面的对传感器返回的多元信息进行探测、联想、估计以及组合处理，获得精确的被测目标状态，从系统角度对机械设备运行情况和设备本身的状态进行全面准确的评估，也提高了机械故障诊断结果的可信度，使用价值非常高。

随着人工智能，5G网络和云计算大量的投入使用，机械设备故障诊断技术也得到了长足的发展，其中人工智能算法、高速数据采集技术、先进传感器技术等设计开发的信息融合技术和系统将是未来故障诊断系统的发展方向。