基于極限學習機的多傳感器旋轉機械故障診斷

張欽堯 楊艷萍

摘? 要：為了更好的對旋轉機械故障進行識別與分類，文章提出了一類基于極限學習機的多傳感器融合故障識別方法。首先，利用FFT對數據進行預處理，并對多傳感器的預處理結果進行加權融合，以單傳感器歷史數據識別得到的正確率為融合系數。然后，對極限學習機進行訓練和測試。結果表明基于融合數據特征的識別率表現優于基于單傳感器數據特征的識別率。

關鍵詞：多傳感器融合;極限學習機;旋轉機械故障識別

中圖分類號：TH17? ? ? ? ?文獻標志碼：A 文章編號：2095-2945（2019）23-0128-02

Abstract： In order to better identify and classify the faults of rotating machinery， a kind of multi-sensor fusion fault recognition method based on limit learning machine is proposed in this paper. First of all， the FFT is used to preprocess the data， and the weighted fusion of the preprocessing results of multi-sensor is carried out， and the correct rate of historical data recognition of single sensor is taken as the fusion coefficient. Then， the extreme learning machine is trained and tested. The results show that the recognition rate based on fusion data feature is better than that based on single sensor data feature.

Keywords： multi-sensor fusion; limit learning machine; fault identification of rotating machinery

引言

隨著科學技術的飛速發展，旋轉機械在各個行業中變得越來越重要。旋轉機械故障的快速識別，及時止損，變的非常有意義[1]。

機械故障診斷一般分為兩個部分：先是采集故障信號，并對信號進行預處理;然后根據故障信號對應識別故障，以達到故障診斷的目的。傳統的信號采集往往由單一傳感器完成，由于故障的發生具有不確定性，采用多傳感器融合的方法是很有必要的，可以有效的反映全局信息[2]。人工神經網絡具有不需要大量人工干預，識別精度高，速度快的優點，使得其能夠很好的適用于故障識別。傅其鳳等利用BP神經網絡建立了旋轉機械故障診斷模型來對其進行故障診斷[3]，但BP網絡存在訓練時間長，容易陷入局部最優等一些問題。由黃廣斌等人提出的極限學習機（Extreme Learning Machine， ELM），其訓練速度快，具有良好的泛化能力，已被應用于各個不同的領域。

本文提出基于ELM的多傳感器融合故障識別方法。首先，在旋轉機械重要部位安裝多個傳感器進行數據采集，將數據按周期經過快速傅里葉變換（Fast Fourier Transform， FFT）處理后，將單傳感器歷史數據的識別正確率作為系數進行加權融合，較于單傳感器，多傳感器融合之后的數據具有全局性，所蘊含的故障特征更多，最后用ELM對其進行訓練和測試得到識別正確率。

1 數據處理

對于旋轉機械，采集的信號一般為周期性時域離散數據，不能準確、清晰地獲取其頻率和振幅等信息，特征不明顯，含有大量的噪聲，若直接對采集到的原始數據進行融合，需要處理的信息量大，其速度慢，且實時性較差。將數據提取特征后進行融合，能夠在保存足夠原始信息的同時又實現了數據壓縮，有利于實時處理[4]。

設有三個傳感器。Sl（t）=el（t） l=1，2，3分別為其在t0時刻到t1時刻采集的信號，采集間隔為？著。將數據按周期T分為N=（t1-t0）/T個向量，每個向量有P=T/？著個點，作為一組數據，即：

2 極限學習機

ELM中輸入權重和隱層偏置是被隨機確定的，輸出權重是通過使用廣義逆來分析得到的。速度快，泛化能力強，能避免梯度法所面對的許多問題。假設有N個樣本X={xj|j=1，2，…，N}對應的標簽為Y={yj|j=1，2，…，N}。構建一個有隱層節點，激活函數g（x）為tanh函數的單隱層前饋網絡：

3 實驗結果和分析

本文所使用的數據是在ZHS-2型多功能電機柔性轉子試驗臺采集得到的，采用3個傳感器采集轉子時域振動信號，人為模擬基座松動故障。在測試中，設閾值為±0.2。由于單個數據體量較大，采用100個隱層節點。取280組數據進行訓練，20組進行測試，結果如表1所示：

從該結果分析可得，當利用不同位置的單傳感器采集到的數據來進行分析時，傳感器2所采集到的數據無法準確反映故障信息，網絡識別率低。多傳感器融合數據特征明顯優于單傳感器。

4 結束語

本文將多傳感器融合思想應用到旋轉機械故障診斷中，將數據按周期分割，以單傳感器歷史數據的網絡識別正確率為加權融合系數對多傳感器數據進行融合，并利用ELM對旋轉機械典型故障進行識別，實驗證明，多傳感器融合后的結果優于傳統單傳感器。

參考文獻：

[1]Xue X， Zhou J. A hybrid fault diagnosis approach based on mixed-domain state features for rotating machinery[J]. ISA Transactions，2016，66：284-295.

[2]周蔭清，洪信鎮.多傳感器信息融合技術[J].遙測遙控，1996（1）：16-22.

[3]傅其鳳，葛杏衛.基于BP神經網絡的旋轉機械故障診斷[J].煤礦機械，2006，27（4）：712-714.

[4]騰召勝，等.智能檢測系統與數據融合[M].北京：機械工業出版社，1999.

[5]袁小宏，屈梁生.機械故障診斷中的信息融合利用問題研究[J].振動：測試與診斷，1999（3）：187-192.