基于信息融合的电机音频故障诊断

《基于信息融合的电机音频故障诊断》由会员上传分享，免费在线阅读，更多相关内容在工程资料-天天文库。

1、基于信息融合的电机音频故障诊断摘要：针对目前电机音频故障诊断单传感器信号分析可靠性不足的缺点，将信息融合技术与神经网络相结合，建立电机故障诊断系统。采用多层神经网络进行故障特征级融合与电机故障的局部诊断，获得彼此独立的证据，运用D-S证据理论合成算法对各证据理论进行决策级融合，构建了电机故障咅频多源信息诊断系统模型，并对此模型进行了验证，取得了良好的诊断效果。关键词：神经网络；证据理论；电机；故障诊断中图分类号：TP277文献标识码：A文章编号：1009-3044(2013)26-5960-03传统电机故障诊断多采用接触式诊断方式，如振动监测法、电流分析法、瞬时功率法、

2、失电残压法等。但上述故障诊断方法基木上都是在电机运行情况下对其进行实时检测、诊断，而对于电机生产企业而言，上述方法在生产线质量检验中显然是不具备操作性的。由于质量控制是生产过程最关键的环节，因此，如何在电机生产线提高质量检测精度和速度，成为电机生产行业亟待解决的问题。众所周知，电机在运转过程屮会由于振动、转动而产生一定的运转声，而这种声音信息中实际上也包含了电机的实时状态信息。当电机出现故障时，其运转噪声的振幅和频谱都会相应地发生变化。目前，绝大多数电机生产企业是通过熟练技术工人在隔音室环境中凭借经验检测。显然，这种落后的、不可控的检测方式无论是在检测精度上还是在检测速

3、度上都难以满足电机生产企业的需求和良性发展。但是，如前所述，电机声咅信号实施故障诊断，具有非接触式测量、设备简单、速度快、效率高、易于实现早期预报和在线监测等优点。电机在故障情况下产生非平稳的随机噪声，目前电机音频故障诊断仅使用单一传感器进行，只能获得部分信息［1］。而采用多传感器信息融合,如Dempster-Shafer证据理论、模糊集理论等方法［2］,可以对多个传感器所采集到的信息进行综合判断，得到更真实、准确的判定结果。但是，由于传感器的精度、外部环境影响以及数据的后处理等因素的影响，会导致融合过程中存在各种不确定性。在对各种非精确推理技术中，D-S证据理论凭借其

4、自身的优点，在处理不确定性问题时具有独到的优势［3］。该文将D-S证据理论融合技术引入到电机音频信号故障诊断中，将证据推理技术和人工神经网络相结合，提出一种可靠的电机故障诊断模型，通过诊断试验测试证明：该诊断系统冇利于提高电机音频信号故障诊断的准确度，并能满足诊断的快速、实时性耍求。1证据理论的合成规则及决策过程设［®］表示［X］所有可能取值的一个论域集合，口所有在［®］内的元素间是互不相容的，则称［◎］为［X］的识别框架。［们可以有限也可以无限，应用到故障诊断屮是冇限论域。设［©］为识别框架，如果集函数血2©-＞［0,1］］(［20］为［®］的幕集)满足:［m(?)=

5、0；A?0m(A)=1］则称［m］为框架［们上的基本可信度分配。对于［?A?B］,［m(A)］称为［A］的基本概率数,实际上是对各种假设的评价权值。定义函数:?A?©,Bel(A)=B?Am(B)］表示对［A］的总信任度。定义函数［?A?©,Pl(A)=1-Bel(A)二B?AH?m(B)］为［A］的似真度。［Pl(A)］表示不怀疑［A］的程度或者说发现［A］可靠或似真的程度。区间［Bel(A),Pl(A)］为信度区间，描述了命题的不确定性［6］。D-S合成规则是一个反映证据联合作用的法则。给定几个同一识别框架上的基于不同证据的信度函数，如果这几批证据不是完全冲突的，那

6、么就可以利用该合成规则计算出一个信度函数，而这个信度函数就可以作为那几批证据的联合作用下产牛的信度函数。设［Bell,Beln］是同一识别框架［6)］上的信度函数，［ml,•••,nin］是对应的基木可信度分配，如果［Bell㊉…㊉BelN］存在，那么由下式定义的函数［皿2—［0,1］］称为合成后的基本可信度分配［m(A)=OA=??Ai=An=lNmn(An)?Ai^?n=lNmn(An)AH?］基于D-S证据理论的信息融合诊断过程，主要分为以下几个步骤［4］：1)针对目标信息系统,构造基于识别框架的证据体［Ei］,［1=1,2,・・・，N］；2)根据所收集各证据体的

7、资料，结合识别框架中各命题集合的特点,确定出各证据体的基本可信度分配［mi(Aj)］；3)由基本可信度分配［mi(Aj)］,分别计算单证据体作用下识别框架中各命题的信度区间［［Beli,Pli］］;4)利用D-S合成规则计算所有证据体联合作用下的基本可信度分配［m(Aj)］和信度区间［［Bel,Pl］］；5)根据具体问题构造相应的决策规则；6)根据该决策规则得出决策结论。2电机音频故障诊断模型木文采用的基于神经网络和D-S证据理论的电机音频故障诊断模型如图1所示。从图中可以看到，整个诊断过程分为两层，即基于神经网络的特征级融合与基于D-S