基于證據(jù)理論和支持向量機(jī)的多傳感器融合在風(fēng)機(jī)齒輪故障診斷中的應(yīng)用

肖立健 謝源 王杰 金鵬飛

摘 要：針對單一傳感器只能采集風(fēng)電機(jī)組齒輪箱的部分振動信息，故障診斷結(jié)果具有片面性，提出一種基于證據(jù)理論和支持向量機(jī)的多傳感器融合在風(fēng)機(jī)齒輪故障診斷方法。首先運(yùn)用單個傳感器采集齒輪箱各種狀態(tài)下的振動信息，用小波分析提取齒輪箱狀態(tài)特征；然后采用支持向量機(jī)對故障診斷特征進(jìn)行訓(xùn)練，構(gòu)建各類故障診斷子分類器；最后采用融合技術(shù)故障診斷子分類器的輸出結(jié)果進(jìn)行融合，將所融合結(jié)果作為最終故障診斷結(jié)果。采用仿真實(shí)驗(yàn)進(jìn)行驗(yàn)證。結(jié)果顯示，本文所提供的方法可以在很短時間內(nèi)得到較高的風(fēng)力機(jī)齒輪箱故障診斷正確率，提高故障診斷精度和效率。

關(guān)鍵詞：故障診斷；小波分析；D-S證據(jù)理論；支持向量機(jī)

隨著社會的發(fā)展，風(fēng)能的利用逐漸受到重視，齒輪箱作為風(fēng)電機(jī)組中重要部分組成部分，對其故障診斷的研究也尤為重要[ 1 ]。風(fēng)電機(jī)組機(jī)齒輪箱故障診斷方法目前主要采用單一信息進(jìn)行工作狀態(tài)推斷，診斷結(jié)果具有一定單一性，因?yàn)轱L(fēng)力機(jī)齒輪箱故障類型繁多，僅靠單一信息難免會出現(xiàn)誤判現(xiàn)象[ 2 ]。針對風(fēng)電機(jī)組機(jī)齒輪箱單一故障信息量不足，利用信息融合技術(shù)[ 3 ]，本文提出一種多傳感器融合的風(fēng)電機(jī)組齒輪箱故障診斷方法。對于單臺風(fēng)電機(jī)組齒輪箱，采用單個傳感器采集狀態(tài)信息，并采用小波特征分析提取特征，然后用向量機(jī)對故障診斷特征進(jìn)行訓(xùn)練得到單一傳感器的訓(xùn)練結(jié)果，最后將單一傳感器的訓(xùn)練結(jié)果作為一個證據(jù)，采用DS證據(jù)理論對它們進(jìn)行融合，得到采用風(fēng)力機(jī)齒輪箱故障診斷的最終結(jié)果。

1 相關(guān)理論

1.1 小波特征提取[ 4 ]

（1）對采集所得信號進(jìn)行 N 層小波正交分解并進(jìn)行單支重構(gòu)，得到從第1層到第N層的共N個高頻小波重構(gòu)序列{d1，d2，…，dN}和第 N 層低頻小波重構(gòu)序列。

（2）求出高頻層小波重構(gòu)序列和第 N 層低頻小波重構(gòu)序列的能量。

（3）構(gòu)造特征向量。將各層小波能量構(gòu)成向量如下：

得到可以用于風(fēng)電機(jī)組齒輪箱故障診斷的特征向量。

1.2 DS證據(jù)理論

由于不同的證據(jù)信息來源，于是一個復(fù)雜問題會產(chǎn)生多個基本概率分配函數(shù)。設(shè)是H上的兩個mass函數(shù)，則 DS的合成規(guī)則為：

為利用沖突信息，根據(jù)可信度把證據(jù)沖突概率按各命題的加權(quán)進(jìn)行分配，因此風(fēng)力發(fā)電機(jī)組故障融合診斷模型為：

2 基于DS-SVM的多傳感器融合的風(fēng)電機(jī)組齒輪箱故障診斷

基于DS-SVM的多傳感器風(fēng)電機(jī)組齒輪箱故障診斷具體步驟如下：

（1）首先采用單個傳感器采集齒輪箱工作時的振動信號。

（2）其次采用小波分析對振動信號進(jìn)行分解，提取期能量特征并進(jìn)行歸一化處理，得到齒輪箱故障診斷的特征向量值。

（3）然后采用各種核函數(shù)支持向量機(jī)對故障診斷特征值進(jìn)行相應(yīng)的訓(xùn)練，構(gòu)建風(fēng)電機(jī)組齒輪箱故障診斷子分類器，得到每一個傳感器的齒輪箱故障診斷結(jié)果。

（4）最后采用DS證據(jù)理論對故障診斷子分類器的輸出結(jié)果進(jìn)行融合，將融合輸出作為風(fēng)電機(jī)組齒輪箱最終故障結(jié)果。

基于DS-SVM的多傳感器風(fēng)電機(jī)組齒輪箱故障診斷模型結(jié)構(gòu)如圖1所示。

3 仿真實(shí)驗(yàn)

3.1 樣本數(shù)據(jù)

為了驗(yàn)證 DS-SVM 的多傳感器風(fēng)電機(jī)組齒輪箱故障診斷性能，將齒輪箱故障類型分為： 齒輪點(diǎn)蝕、齒輪斷裂、軸承裂紋、正常工作狀態(tài)，采用 5個傳感器進(jìn)行信息融合。將其與小波+支持向量機(jī)（WA-SVM）進(jìn)行比較，WA-SVM采用單一傳感器收集信息，齒輪箱故障診斷性能采用故障診斷率、診斷時間進(jìn)行評價，齒輪箱每一類狀態(tài)的樣本為：訓(xùn)練樣本90、測試樣本10。

3.2 分析結(jié)果

采用 WA-SVM、DS-SVM 方法對齒輪箱測試樣本進(jìn)行故障診斷，得到的診斷率見表1。將各子分類器歸一化后的齒輪箱故障診斷結(jié)果作為證據(jù)，采用DS對風(fēng)電機(jī)組齒輪箱故障融合診斷，結(jié)果如圖2所示。

3.3 結(jié)論

從表1可看出，采用DS-SVM的多傳感器齒輪箱故障診斷率顯著提高，而且診斷速度沒有相差太大，這主要是由于采用多個傳感器對齒輪箱振動信號進(jìn)行采集，從不同角度對風(fēng)電機(jī)組齒輪箱工作狀態(tài)進(jìn)行診斷，全面、準(zhǔn)確、高效反映了故障變化特點(diǎn)。

圖2表明，采用DS-SVM方法對齒輪箱進(jìn)行故障診斷相比其它方法精度更高、結(jié)果更準(zhǔn)確。DS-SVM診斷方法通過證據(jù)理論加強(qiáng)了對原來故障高的類型的支持，有效降低了對原來低故障類型的支持，診斷結(jié)果與期望值相近，且診斷精度比其他故障診斷方法較高。

綜上可述：本文提出的基于證據(jù)理論和支持向量機(jī)的多傳感器融合在風(fēng)力機(jī)齒輪箱故障診斷的方法，在很短時間內(nèi)得到較高的通風(fēng)機(jī)故障診斷正確率，提高風(fēng)機(jī)故障診斷精度和效率。通過證據(jù)理論和支持向量機(jī)的多傳感器故障診斷方法加強(qiáng)了對高故障類型的支持，有效降低了對原來低故障類型的支持，診斷結(jié)果與期望值基本吻合，且診斷精度比明顯提高。

參考文獻(xiàn)：

[1] 王志遠(yuǎn).風(fēng)力發(fā)電機(jī)組中齒輪箱的故障診斷分析.通訊世界，2016-03-25.

[2] 李林琛，蔣小平.多傳感器融合在通風(fēng)機(jī)故障診斷中的應(yīng)用.激光雜志，2016-04-25.

[3] 李家偉.基于證據(jù)理論和支持向量機(jī)的風(fēng)機(jī)故障智能診斷.吉林大學(xué)學(xué)報（理學(xué)版）， 2016-05-26.

[4] 胡漢輝，楊洪，譚青，易念恩.基于小波分析的風(fēng)機(jī)故障診斷.中南大學(xué)學(xué)報（自然科學(xué)版），2007-12-26.