基于機器學習的信息融合故障診斷模型研究

趙明 彭璐

摘要：當前，機器故障問題日益增多，給生產發展帶來極大不利。因此，對關鍵設備進行有針對性的實時監控和診斷，盡快發現各種設備存在的問題，從而去防止機器故障的發生，而這也成為故障診斷系統面臨和解決的首要問題。該文就故障診斷問題，在機器學習的基礎上研究信息融合故障診斷模型，來實現機器故障的智能診斷與決策，幫助人們發現機器存在的問題，解決機器存在的隱患。

關鍵詞：機器學習;信息融合;故障診斷

中圖分類號：G623.58? ? ? ? 文獻標識碼：A

文章編號：1009-3044（2021）09-0188-03

開放科學（資源服務）標識碼（OSID）：

Research on Fault Diagnosis Model of Information Fusion Based on Machine Learning

ZHAO Ming，PENG Lu

（City College of Wuhan University of Science and Technology， Wuhan 430072， China）

Abstract：At present， the problem of machine failure is increasing， which brings great disadvantages to production development. Therefore， targeted real-time monitoring and diagnosis of key equipment， as soon as possible to find the problems of various equipment， so as to prevent the occurrence of machine failures， and this has become the primary problem that the fault diagnosis system faces and solves. This article focuses on the problem of fault diagnosis. Based on machine learning， the information fusion fault diagnosis model is studied to realize the intelligent diagnosis and decision-making of machine faults， help people discover machine problems， and solve machine problems.

Key words：machine learning;information fusion;fault diagnosis

隨著科學技術的快速發展，工業生產表現出大型化和復雜化等特點。因為這些大型系統通常是重要的設備，所以故障的發生可能會降低生產效率，并且在最壞的情況下會導致停止生產。因此，在設備運行期間監視關鍵設備并盡快發現各種問題已成為解決故障診斷以防止故障的主要問題。為了解決以上問題，我們進行了信息融合故障診斷模型的研究，該模型在基于機器學習的基礎上，采用信息融合故障診斷技術，來實現對機器的智能診斷。

1故障診斷方法

傳統的故障診斷是通過人工經驗來進行檢測的，需要耗費巨大的人力和時間，而我們提出的是基于機器學習的故障診斷技術。利用機器學習的真正價值，在于可以實現自動化，從而達到解放人力的作用。真正意義上做到了精確、自動化、可自定義、迅速等方面。利用機器學習的優勢可以有效地解放人力。傳統的故障診斷相對于機器學習的故障診斷工作效率也是遠遠不可比的，使用機器學習技術可以實現快速決策，這是故障診斷中最重要的一點，從而進行視情維修，提高設備的利用率，為高效生產提供技術支持。

2基于機器學習的信息融合故障診斷模型

當前，機械設備信息處理系統存儲了大量的部件狀態信息，診斷信息和故障預測信息，但是在實際應用中，系統之間的實時信息交互是不夠的，無法形成集中的知識管理系統，并且基于故障類型庫的自動故障診斷和預測能力很弱。因此，本項目以機器學習相關技術為基礎，構建一個信息融合故障診斷模型，檢測機器的故障，來進行診斷，從而提高設備的利用率。

2.1模型概述

本模型從人的健康診斷過程受到啟發，來研究機器設備的故障診斷機制及模型。如同人的健康診斷經歷如下過程，如圖1所示。

設備系統故障診斷也經歷如下過程：檢測--采集數據--形成指標--信息融合診斷故障設備及關鍵部件--修復。因此，需要對機器設備系統故障管理的理論、機制、數據表示、智能診斷等進行系統性研究。我們需要采集設備運行產生的各種數據，通過數據融合轉換成相應的指標，再通過指標中的信息進行再次融合來診斷故障并修復，從而保障裝置的健康運行。

本模型從一個全新的角度——以機器學習為基礎，從信息融合理念出發，結合健康管理理念及機器學習及人工免疫等相關技術，構建故障診斷模型，如圖2所示。將故障問題表示在空間中， 通過映射表示不同空間中數據之間的對應關系，通過融合測量及觀察到的數據抽象出其特征;再通過特征融合整理出其指標，通過設備系統提供的已知指標及機器學習和人工免疫方法發現的未知指標建立動態指標庫;這些指標數據是離散的零碎的，通過數據補全及連續化等多種信息融合方式建立全方位的故障診斷模型;根據組件指標數據的變化對機器設備系統的關鍵組件進行健康評估。通過信息融合，我們可以對故障進行合理診斷，促進后期智能決策。其中研究大概分為以下幾個方面。

2.2信息獲取方法的研究

信息來源是根本，怎樣從客觀的現實空間中獲得與故障模式緊密關聯的信息，這是信息融合故障診斷的一個關鍵點。從客觀空間到測量空間之間獲取信息的研究，是我們將客觀的現象數據化的過程。使用有效的信息獲取方法，能使獲取的信息的范圍更廣泛，速度越快，更全面化。

數據采集最主要使用的是多傳感器采集和人工采集，這兩種采集方法各有千秋，我們這里主要使用的是多傳感器采集的方法，以多傳感器采集為主（如圖3），人工采集為輔來實現信息的采集。我們方法的優點是減少信息的缺乏。通過主和輔雙重收集的方法，保障了信息收集的一致性。 通過多個傳感器收集信息可減少信息冗余，從而實現信息收集的完整性。

2.3故障特征抽取算法研究

故障特征信息的抽取與診斷準確性的速度密切相關。有效的特征提取可以消除不相關的數據和信息，減少信息融合的計算量，提高信息融合的實時性。

由于模型的對象是一些大型的機器，這導致所采取信息量也是巨大的，怎樣從大量信息中抽取有效的故障特征，是我們研究的重點。

針對這一問題，我們采用了基于神經網絡的特征提取方法，有效的去解決這個問題。它可以根據一定條件執行特征選擇，考慮每個變量對輸出模式的響應，并選擇與輸出模式密切相關的變量作為故障特征。

我們具體所需要做的就是把收集起來的信息進行過濾，提取幅值均方差，測量信號與健康信號差異幅值和正則化，最后用神經元模糊網絡控制融合各傳感器得出的數據的特征值，這個特征值可以有效減少操作環境引起的誤差，從而得到故障的特征信息。

2.4融合算法研究

信息融合故障診斷研究的重心是有效的信息融合算法研究。我們這里使用的是多粒度信息融合，這也是本研究的一個創新點。

多粒度信息融合是通過數據級，特征級以及指標級的三個不同粒度的融合，從而可以修正一些錯誤信息，補全可能丟失的信息以及推測可能發生的信息，使得融合后的信息較全面正確高效地映射到不同層次上，達到數據、特征及指標信息補全的目的。

2.4.1 數據級信息融合

數據級融合屬于第一層次的融合，它是指在各種傳感器接收信息之前對數據進行的分析和處理。它的主要優點是它可以提供其他融合級別無法提供的細微信息。但是，限制很明顯，需要處理太多的傳感器數據，導致其高昂的處理成本和較差的實時性能。因此我們在使用數據級信息融合時所使用的是多傳感器信息融合，減少了一個傳感器處理的數據量，同時也加快了處理時間，數據收集面也更廣，有效彌補了單個傳感器的缺點。

2.4.2 特征級信息融合

特征級融合屬于第二層次的融合，它是指從各種傳感器中提取初始信息的特征以及對其進行分析和處理。特征層數據融合所采用的方法有神經網絡、聚類算法、模板法等。

特征級融合的優勢在于它提供了對信息的實時處理以及有用的信息壓縮，因為提取的特征會影響決策分析，所以融合的結果最大程度給出了特征信息。此方法降低了通信帶寬要求，但導致數據丟失和準確性降低。因此我們在特征抽取時使用了基于神經網絡的特征提取方法，基于神經網絡的特征提取方法有效彌補了數據的準確性有所下降的這一問題。

2.4.3 指標級信息融合

指標級融合屬于第三層次的融合，它是對傳感器的結果進行處理，來得到系統的綜合結果。適用指標級融合的方法有模糊集理論、專家系統、D-S證據理論等。

決策級融合的主要優點是高容錯能力，低流量和強大的抗干擾能力。但是指標級融合性能比價差，導致處理數據代價高。針對這一點，我們建立了一個動態指標庫，使其對原傳感器信息的處理轉換到對動態指標庫的處理，使得處理代價有所減小。三種融合的關系如圖4。

2.5故障智能診斷技術

這是故障診斷的關鍵問題。由于機器故障與其征兆之間的復雜關系，不同部位的機器故障所表現出來的故障特征亦不相同，從而導致機器故障與其征兆之間復雜的從屬關系。因此該技術一定程度上模仿人腦神經系統處理信息的功能，將我們指標庫中的指標與故障類型庫中的故障相對應，通過是否超出指標來判斷故障以及故障類型，從而簡化智能決策的過程，通過找出故障征兆與故障原因之間的非線性映射關系，來實現已知故障的診斷，未知故障的發現，使得故障診斷的難度大幅度降低。

目前，故障智能診斷技術在很多方面都有應用。軍事方面：在預警機系統以及水下目標探測識別系統等系統中具有廣泛的應用。生活方面：能夠快速檢測出各種機器的問題，實現問題精準快速的解決。也為我們的研究提供了基礎。

3結論

本文就基于機器學習的信息融合故障診斷模型，做了一系列的研究。使用該模型可以減少人工操作，達到自動化運行，做到早發現故障征兆，進行智能決策，并且維修從而減少損失。

參考文獻：

[1] 謝思翔.基于機器學習的故障診斷研究現狀與未來發展趨勢[J].通訊世界，2019，26（4）：312-313.

[2] 崔鵬宇，王澤勇，邱春蓉，等.基于多尺度排列熵與雙核極限學習機的滾動軸承故障診斷方法[J].電子測量與儀器學報，2019，33（5）：142-147.

[3] 李從志，鄭近德，潘海洋，等.基于自適應多尺度散布熵的滾動軸承故障診斷方法[J].噪聲與振動控制，2018，38（5）：173-179.

[4] 沈林.基于深度學習的故障診斷方法研究[D].沈陽：沈陽理工大學，2018.

[5] 陳星寧.論如何利用故障診斷系統來提高工程機械的工作效益[J].經濟師，2020（12）：264，266.

[6] 李俊杰，喬建軍，王堯，等.基于故障樹的遠程故障診斷任務分解和決策方法[J].計算機測量與控制，2020，28（7）：45-49，54.

[7] 徐曉濱，葉梓發，徐曉健，等.基于分層式證據推理的信息融合故障診斷方法[J].控制理論與應用，2020，37（8）：1681-1692.

[8] 許鵬.基于信息融合的多故障診斷方法研究[D].沈陽：東北大學，2017.

[9] 趙璐，許昕，潘宏俠，等.基于信息熵與信息融合的供輸彈系統故障診斷研究[J].機械設計與研究，2020，36（1）：169-172.

[10] 徐欣怡，徐永能，任宇超.基于小波神經網絡的地鐵軸承故障診斷方法[J].兵器裝備工程學報，2020，41（12）：177-181.

[11] 胡蔦慶，陳徽鵬，程哲，等.基于經驗模態分解和深度卷積神經網絡的行星齒輪箱故障診斷方法[J].機械工程學報，2019，55（7）：9-18.

[12] 任浩，屈劍鋒，柴毅，等.深度學習在故障診斷領域中的研究現狀與挑戰[J].控制與決策，2017，32（8）：1345-1358.

[13] 張維沖，王芳，趙洪.多源信息融合用于新興技術發展趨勢識別——以區塊鏈為例[J].情報學報，2019，38（11）：1166-1176.

[14] 金棋，王友仁，王俊.基于深度學習多樣性特征提取與信息融合的行星齒輪箱故障診斷方法[J].中國機械工程，2019，30（2）：196-204.

[15] 劉準釓，潘泉，韓德強.多源信息融合專題簡介[J].中國科學：信息科學，2020，50（11）：1781-1782.

[16] 陸正嘉，楊在樂，杜長宇，等.基于信息融合技術的變電設備運行故障協同診斷方法研究[J].自動化與儀器儀表，2020（10）：207-210.

[17] 潘建雄.信息融合下船舶柴油機故障診斷方法研究[J].決策探索（中），2020（10）：52-53.

【通聯編輯：代影】