基于BP神經網絡和D-S證據理論的發電機故障綜合診斷

中北大學 蘆 斌 姚竹亭

1.引言

在發電機故障診斷中，故障多種多樣，而每種故障信息之間又存在著冗余性和相關性，針對某一個故障信息進行分析已滿足不了對故障分析的可靠性。目前還沒有哪種單一傳感器對被測對象的狀態進行完全可靠的描述，所以采用多傳感器進行綜合的診斷，已成為當前的趨勢。

采用多傳感器進行測量師，由于測得信息量很大，各測點提取的故障征兆必然存在著隨機性和矛盾性。若將大量的高維信息輸入同一個神經網絡處理的話，必然會導致診斷時間過長，效果變差等失真結果。為避免這種情況出現，提出了BP神經網絡和D-S證據理論結合的綜合診斷方法。首先對個測點的信號進行神經網絡的局部診斷，這就將所測得高維信息分解成了低維的信息，而后將各神經網絡局部診斷結果利用D-S理論進行決策級融合，最終得到綜合的診斷結果。

2.數據融合的發電機故障診斷模型

本文利用BP神經網絡和D-S理論對發電機進行綜合的故障診斷，首先將個測點的信號進行BP神經網絡局部診斷，對所有的局部診斷數據進行歸一化，并對其進行決策級的D-S理論融合，得到準確的故障信息。

具體方法如下：

假設在故障征兆域S中，bel1對應第一通道神經網絡的結果，bel2對應第二通道神經網絡的結果，以此類推，每個信任函數的焦點元素都對應不同神經網絡目標診斷結果，所有診斷結果構成辨別框架，對每個通道的神經網絡輸出值進行歸一化處理，作為各焦點元素的基本概率分配mi,j，其中i=1, 2 ,…n,j=1,2,…p,n作為通道數，p為故障模式分類數，即焦元數，最后利用D-S理論的證據聯合規則得到最終結果mn(j)。如圖1所示。

3.BP神經網絡局部診斷

本文采用BP神經網絡對發電機先進行局部的診斷，根據從各測量的數據信息利用BP神經網絡逐個對其進行診斷，并進行歸一化處理，從而判斷故障情況。在進行局部診斷時，為了使相同數據間具有可比性，對采集的數據信息進歸一化處理，歸一化公式如下：

神經網絡的結構確定一個含有33個神經元的三層網絡，每個層的個數為10，18和5。創建符合要求的BP神經網絡：

圖1 發電機故障診斷模型

令P表示網絡輸入樣本向量，T表示網絡的目標向量

創建該BP神經網絡的程序為：

訓練網絡的程序為：

該網絡訓練結果為：

4.D-S證據理論決策融合診斷

本文中將BP神經網絡的局部診斷結果轉化為證據理論模型，設信任函數ibel對應第i測點的判斷結果，i=1,2,…5,5個信任函數的焦點元素都是A1,A2,…A5，這些不同的故障模式構成了分辨框θ，即bel1,bel2,bel3,bel4,bel5有共同的分辨框。

表1 第一次與第二次測量數據融合結果

表2 數據最終融合結果

將神經網絡的訓練誤差作為不確定因素，將網絡節點的輸出作歸一化處理，作為各焦點元素的基本概率值，計算公式為：

由于A1,A2,…A5中狀態相互獨立，所以有：

AiAj=Φ(Φ是空集，i≠j)，第一次的局部診斷數據排成橫排，第二次的數據成豎排，再用D-S合并規則計算表中的各欄，可以得到其融合的結果；用融合的結果再與第三次局部診斷數據融合，即可得最終的結果，如表1，2所示。

從表2可以看出，經過數據融合的結果與理想目標輸出比較接近，誤差滿足實際需求，從而證明了BP神經網絡和D-S理論綜合診斷方法的實效性。

5.結論

針對多傳感器數據融合發電機故障特點，提出了將神經網絡和D-S證據理論相結合的綜合診斷思路，設計了診斷模型，利用BP神經網絡進行局部診斷，然后采用D-S證據理論對局部診斷進行決策級融合，得到的結果基本滿足實際需求，證明BP神經網絡和D-S證據理論相結合的發電機故障綜合診斷方法的實效性。

[1]郝紅勛.人工神經網絡在航空發電機故障診斷中的應用[J].2006,03,18.

[2]王江萍.神經網絡信息融合技術在故障診斷中的應用[J].石油機械,29,8:27-30.

[3]劉懷國,吳陳,張冰.D-S證據理論在多傳感器數據融合中的應用[J].華東船舶工業學院學報,200l,15,3:20-25.

[4]耿立恩,潘旭峰,李曉雷.Dempster—Shafer證據理論在數據融合中的應用[J].北京理工大學學報,1997,17,2:198-203.