资源描述：
《12基于信息融合的支撑座早期松动故障诊断》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、基于信息融合的支撑座早期松动故障诊断孙卫祥陈进伍星董广明(上海交通大学振动、冲击、噪声国家重点实验室，上海200240)宁佐贵，王东升，王雄祥(中国工程物理研究院结构力学研究所，四川绵阳，621900)摘要：采用基于信号分析的无模型检测方案和信息融合技术，对支撑座早期松动故障进行检测诊断。针对支撐座松动的小波包变换特征和功率谱特征进行特征融合与决策融合，同时采用基于爛度量的无监督特征约简方法对功率谱特征进行约简，有效地减少了特征数目，加快了融合和诊断速度。特征融合与决策融合采用分层神经网络实现，该网络综合了局部融合和全局融合的优点，具有很高的故障确诊率和很好的抗噪性能，无噪声样本综合确诊
2、率达94.3%,有噪声样本综合确诊率达88.6%。关键字：信息融合，特征约简，故障诊断，分层神经网络1.引言工程中常用的局部无损检测技术(non-destructiveevaluation(NDE))已经成功地应用于检查结构部件的裂纹，松动等损伤叫但要进行结构实时损伤检测，局部NDE技术还存在一些不足Z处⑵，因此，有必要发展简便经济的、不影响结构正常工作状态的结构损伤全局检测技术。结构损伤全局检测技术一般分为两种：基于动力学模型的损伤检测方案和基于信号分析的无模型损伤检测方案⑶。目询，基于动力学模型的结构整体损伤监测技术离实际工程应用尚有较大的差距，因此，采用无模型的信号分析方法，对结构
3、损伤信号进行分析和处理成为结构损伤全局检测的一个重要途径。近儿年，利用时间序列分析⑷，小波变换⑸，高阶统计分析⑹等现代信号处理技术的结构损伤诊断方法得到了相当的研究。但是这些方法都仅仅考虑某一特征作用，没有充分利用多特征的互补作用，检测精度与鲁棒性在一定程度上受到限制。于是，木文拟将信息融合技术引入支撑廉松动的全局监测中，针对小波包变换特征和功率谱特征利用分层神经网络进行特征融合和决策融合，从而提高支撑座松动故障确诊率。2.特征提取与特征约简2.1.基于小波包分析的特征向量构造小波包分析(WaveletPackageAnalysis)将信号频带进行多层次划分，对分辨率没有细分的高频部分进
4、一步分解，同时能根据被分析信号的特征，H适应地选择相应频段与信号频谱相匹配。在满足Heisenberg测不准原理下，小波包分析能将信号按任意的时频分辨率分解到不同的频段，并将信号的时频成分相应地投影到所有代表不同频段的正交小波包空间上，小波包空间的完整性和正交性使得信号经过小波包变换之示，信息量完整无缺，所有成分均得到保留。下而说明小波包变换示的特征向量(简称小波包特征向量)的构造过程。首先，对原始时间序列｛兀｝(7=1,2,・・・山)进行五层小波包分解。在笫五层可以获得从低频到高频的32个分解系数〃=其次，对小波包分解系数进行重构，提取各频带范围的信号，系数《对应的璽构信号记作｛兀｝；
5、,则匕｝可表示为｛打珂兀^+匕冷+…+匕｝;1⑴第三，计算各频带信号的能量。设｛兀｝；对应的能量为=I,--,31),则有】基金项目：国家H然科学基金(50335030和10176()⑷资助项目。作者简介：孙卫祥(1977-),男,江苏泰州人，博士研究生,主要从事机械设备状态监测与故障诊断方面的研究。E-mail:vvxsun@sjtu.edu.cnZ=1最终，用绘构造出一个基于小包波变换的特征向量：Avp=［E；,E；,・・・,E"。2.2.基于功率谱密度分析的特征向量构造故障诊断的一个重要途径是通过振动信号的频谱分析揭示振动过程的频率结构，特别是随着快速傅里叶变换（FFT）算法的出现
6、和近代谱分析仪的推出，频域分析现已被广泛采用。大量的文献表明，频谱分析在诸如对汽车发动机⑺、直升机电动舵机⑻、钻加工过程〔9］以及其他旋转机械的故障诊断叫小中都获得了广泛的应用。根据文献112J,一般异常振动（包括不平衡、不对中、弯曲、螺栓松动）的频带属于低频段［0,5/,］；齿轮故障的频带属于中频段［5X，1000Hz］；轴承故障的频带属于高频段［1000Hz,〜］,具屮人为工频。本文利用功率谱密度估计进行特征提取，分析带宽设定在1000Hz以下。功率谱密度估计公式如式（3）所示，d（/）=i
7、^（/）r（3）N式中//）可通过FFT变换求得的。为了减少功率谱密度估计的随机误差，需対功
8、率谱估计密度进行平滑处理，为此，—将有限长采集数据分为N段，每相邻两段数据重叠50%,每5个数据段的谱估计平均一次得到G（/）o由于FFT变换的数据点通常成百上千，这样获得的功率谱特征就有成百上千个，如此人量的特征给故障分类计算带来较大的困难，而且这些特征中存在许多对故障分析无用的信息，所以应对特征进行约简。实际中，领域专家经过长期研究、调查和实验，甚至经过很多火误Z后，对特定设备的最佳诊断特征选择已经给出了一些经典总结［卩这是数据
