基于D—S理论的智能故障诊断关键技术研究与实现

1、基于DS理论的智能故障诊断关键技术研究与实现?18?测控技术)2008年第27卷第6期基于DS理论的智能故障诊断关键技术研究与实现王冬蕾,翟正军,姜红梅(西北工业大学计算机学院,陕西西安710072)摘要:以智能检测和故障诊断技术作为研究对象,分析了在智能故障诊断系统中用到的特征提取,模式识别和故障预测等关键技术,探讨了用于实现上述关键技术中的小波变换和人工神经网络算法.鉴于人工神经网络算法容易出现系统故障定位不准确性的不足,引入了D.S(DempsterShafer)证据理论.首先用BP神经网络对故障信息进行局部诊断,然后利用D.s证据理论对局部诊断结果进行融合,进行全局诊断,得到最终的故障

2、结果.Ds证据理论的引入,增大了诊断结果的可靠性和准确性,提高了诊断算法的适应性.在Labwindows/cVI的平台下,实现了智能故障诊断算法.关键词:Ds证据理论;故障诊断;小波变换;神经网络中图分类号:TP302文献标识码:A文章编号:10008829(2008)06001804DesignandRealizationoftheIntelligentFaultDiagnosisKeyTechnologiesBasedonD-SEvidenceTheoryWANGDong-lei,ZHAIZheng-jun,JIANGHongmei(CollegeofComputer,Northweste

3、rnPolyteehniealUniversity,Xian710072,China)Abstract:Takingtheintelligentexaminationandthefaultsdiagnostictechnologyastheobjectofstudy,thefeatureextraction,thepatternrecognitionandthefaultsforecastingtechnologyandSOonthekeytechnologiesareanalyzed,andthewavelettransformationalgorithmandtheartificialne

4、uralnetworksalgorithmarediscussed.Inviewofthefacttlattheartificialneuralnetworksalgorithmeasytoappearthesystemfailurelocalizationnotaccurateinsufficiency,theDS(DempsterShafer)evidencetheoryisintroduced.First,theBPneuralnetworktocarryonthepartialdiagnosistothefaultinformationisused,thenthefusionusing

5、theDSevidencetheorytotlepartialdiagnosisresultiScarriedon.andthefinalfauhresultiSobtained.TheintroducfionofDSevidencetheoryincreasesthediagnosisresultreliabilityandtheaccuracy,enhancesthediagnosisalgorithmcompatibility.UndertheLabWindows/CVIplatform,theintelligentfaultsdiagnosticalgorithmhasbeenreal

6、ized.Keywords:DSevidencetheory;faultdiagnosis;wavelettransform;neuralnetwork现代机械设备正向着大型化,高速化,连续化和自动化的方向发展着,设备的组成和结构也变得越来越复杂,随之对于运行的安全性,维修性和可靠性的要求也日益提高.因此,必须采用现代化的管理手段,大力推广设备的状态监测及故障诊断技术.本研究在Labwindows/CVI的环境下,设计并实现了智能监测故障诊断算法.智能监测与故障诊断技术,可以预防故障发生(故障预测),提高测试效率,降低测试成本,提高测试过程自动化程度与测试设备利用率,并能够解决测试任务与故障诊

7、断的一体化实现问题.1故障诊断系统中的关键技术故障诊断系统中主要用到特征提取技术,模式识别技术,故障预测技术等关键技术.收稿日期:20071O一12作者简介:王冬蕾(1984一),女,吉林省延边州人,硕士研究生,主要研究方向为计算机应用技术;翟正军(1965一),男,河南省洛阳市人,教授,硕士生导师,主要研究方向为计算机应用技术;姜红梅(1978一),女,陕西省西安市人,讲师,主要研究方向为计算机应用技术.1.1特征提取技术在故障诊断过程中,为了使诊断准确可靠,总要采集尽可能多的样本,以获得足够的故障信息.但样本太多,会占用大量的存储空间和计算时间,太多的特征输入也会引起训练过程耗时费工,妨碍

8、训练网络的收敛,最终影响分类精度.因此要从样本中提取对诊断故障贡献大的有用信息.这个过程就是特征提取.1.2模式识别技术故障诊断中的模式识别即将故障信息进行分类.模式识别的任务是将待检模式与样板模式故障档案进行比较,明确其所属类别,为此需建立判别函数规定判别准则并力争使误判率最,J,.1.3预测技术在状态监测技术中趋势预测主要用于估计故障的传播发展并对装备的劣化趋势做出预报.2故障诊断系统的功能模块设计2.1系统的总体设计本故障诊断系统由远程数据接收,特征提取,故障数据库,模式识别和论断反馈等5个功能模块组成,各模块关系如图1基于D.S理论的智能故障诊断关键技术研究与实现?19?所示.远程数据

9、ID-s决策融合模块卜_接收模块断I崮.崮块特征提取模块JJ故障数据库f模块J图1智能检测与故障诊断系统功能组成由于篇幅有限,本文仅对特征提取模块,模式识别模块等关键模块进行说明,其他模块不再赘述.2.2特征提取模块设计本系统中的特征提取模块应用小波变换技术来实现,主要是对基于多源的故障信息进行特征提取.小波变换能把信号映射到一个由小波伸缩,平移而成的一组基函数上,实现信号在不同频带不同时刻的合理分离,为动态信号的非平稳性描述,微弱信号的提取提供了高效有力的工具.使用小波变换对信号进行特征提取分以下3个步骤:首先根据研究需要选择合适的小波,确定小波的分解层数,对信号进行层分解,而含噪声的部分主

10、要包含在高频系数中;其次对分解后的高频系数选择合适的阈值进行阈值量化处理,消去高频噪声;最后将处理后的系数通过小波重构恢复原始信号,从而达到消噪的目的.本研究用MATLAB软件来实现小波变换对故障信息进行的特征提取,现以函数s1,s2分别作为正常信号和故障信号为例进行故障特征提取,提取过程如下:sl=sin(2pi50t0.001)+sin(2pi120t0.001)+rand(1,length(t)1<t<1000s2(t)=sin(2pi50t0.001)+sin(2pi120t0.O01)+rand(1,length(t)1<t<500s2(t)=sin(2pi2

11、00t0.001)+sin(2pi120t0.001)+rand(1.length(t)500<t<1000(1)对信号进行多尺度小波包分解.分别提取从低频到高频的各个频率成分的信号特征.记d1,d2,d3,d4,(15,d6分别表示信号的高频6层分解系数,以a1,a2,a3,a4,a5,a6分别表示信号的低频部分.(2)对小波分解系数进行重构.s130=wprcoef(wpt,3,0);%小波包分解系数的重构,s131,s132,s133,s134,s135,s136,s137均为对正常信号s1进行小波包分解系数的重构;s230,s231,s232,s233,s234,s235,

12、s236,s237均为对故障信号s2进行小波包分解系数的重构.(3)求各重构系数的范数和标准差.sl0=Bonn(s130);stl0=std(s130);sl1=norm(s131);stl1:std(s131);s12:Bonn(s132);stl2=std(s132);s13=norm(s133):stl3=std(s133)s14=norm(s134);stl4=std(s134);s15=norm(s135);stl5=std(s135);s16=Bonn(s136):stl6=std(s136);s17=Bonn(s137);stl7=std(s137);s20=Bonn(s230

13、);st20=std(s230);s21=Bonn(s231);st21:std(s231);s22=Bonn(s232);st22=std(s232);s23=norm(s233);st23=std(s233)s24=norm(s234);st24:std(s234);s25=norm(s235);st25=std(s235);s26=norm(s236);st26=std(s236);s17=norm(s237);stl7=std(s237);(4)得出信号的特征向量.snorml=sl0,sl1,s12,s13,s14,s15,s16,s17stdl:stl0,stl1,stl2,stl

14、3,stl4,stl5,stl6,stl7snorm2=s20,s21,s22,s23,s24,s25,s26,s27std2=st20,st21,st22,st23,st24,st25,st26,st27运行结果如图2所示.正常信号与故障信号的范数与标准差(即为所求得的特征提取值):snorml:25.8576,19.9383,3.3542,15.3519,3.2152,3.7510,3.3467,3.6583stdl:0.6456,0.6308,0.1061,0A857,0.1017,0.1187,0.1059,0.115snorm2=21.6450,18.4967,12.9159,16.

15、5096,2.9886,3.7716,6.9977,4.5182std2=0.4472,0.5852,0.4086,0.5223,0.0946,0.1193,0.2214,0.14292.3模式识别模块设计本系统的故障诊断模式识别模块采用了将神经网络与DS证据理论相结合的方法,建立了多层次的故障诊断模式,即首先对由不同的传感器得到的各种故障信息进行人工神经网络计算,得到故障的初步分类,接着用D.S证据理论对初步分类的结果进行局部信息融合,以提高诊断的正确性.2.3,1BP神经网络技术BP(backpropagation)神经网络技术是人工神经网络技术在模式识别领域中最为常用的一种算法.BP算法

16、的基本思想是,学习过程由信号的正向传播和误差的反向传播两个过程组成.通过周而复始的误差反向传播,不断调整各层的权值,直到网络输出的误差减少到可接受的程度,或进行到预先设定的学习次数为止.本系统用MATLAB与VC+的混合编程来实现基于BP神经网络算法的故障识别,程序可实现以下功能:用BP算法实现3类问题.并给出正确率,误识率,拒识率的结果,以及训练曲线,置信度曲线.BP算法的实现步骤:第1步:定义输入向量和目标向量;第2步:创建BP网络,设置训练函数为最速下降BP算法;第3步:初始化权值阈值;第4步:设置训练函数参数,包括学习率,最后达到的均方误差为0.0001以及最大训练步长;第5步:训练神

17、经网络.故障数据输入层节点数设置为4;隐层可随意设置,建议为7;输出层节点数设置为3;UII练样本数为106.本程序为提高训?20?测控技术)2008年第27卷第6期骧毯要耋要耋5正常信号H晰茹oo2004006008001000400600800100()200一4-0L0.一600一一而一100002004006008001000距离/点蚕量麦銮参差故障信号图2L常信与敝障信垮的系数礁构练的质量,对基本的BP算法作了如下的改进:增加一个偏移量:给每一个神经元增加一个偏移来加快收敛速度;为了减少样本的输入顺序给训练带来的误差,增加rrand_order(intorder)函数,每次迭代都对输

18、入样本顺序进行一次随机排列.训练误差显示如图3所示.2.3.2D.S证据理论DS(DempsterSharer)证据理论是由Dempster于1967年提出的,后由Sharer加以扩充和发展,所以义称为D.S理论.据理论可处理不确定性和数据冗余问题.它采用信任函数作为度量,通过对一个事件的概率加以约束,建立信任函数,并用决策方法消除信息的不确定性和冗余.对于多传感器系统来说,采用适当的数据融合方法_乍常重要.目前数据融合技术已经广泛应用于工业领域的方方面,在多种融合方法中,Ds证据理论是比较适合目标识别领域应用的一种推理方法,它最大的特点是对不确定信息的描述采用了区间估计而不是点估计的方法,在

19、区分不知道与不确定方面以及精确反映证据收集方面显示出很大的灵活性.当不同的传感器所提供的关于目标的报告发生冲突时,它可以通过悬挂在所有目标集上共有的概念(可信度)使得发生的冲突距离/点获得解决,并保障原来高可信度的结果比低可信度的结果加权l婴大.图3训练误差硅示为_r描述假设的不确定性,DS证据理论首先引入关于基本慨率分配函数的概念.设论域为所有可能假设(表示为原毒髓骧世馨罂馨0n一nnnn寸n0.0.更越氅越馨越氅越馨氅nn_I甘nHn竹H卜ls基于DS理论的智能故障诊断关键技术研究与实现?21?子命题的结论)的有限集合,且u中的元素问是互斥的,则可以在u的幂集2上定义一个基本概率分配函数m

20、:2.一0,1,满足m()=0,m(A)=1_ACU数值m(A)称为基本概率,它表示依据当前环境(证据)对假设集A(u的子集)的信任程度j.Ds证据理论可以提高由多个证据支持的命题合成后的信度,减小未知信度,减小判断模糊性,从而提高诊断的准确率.DS证据推理进行组合证据后,根据实际应用情况,采用基于信任函数的决策算法,算法如下:设u是识别框架,m是基于Dempster组合规则得到的组合后的基本概率赋值.根据组合后得到m,起初信任函数BEL,则该信任函数就是我们判断的结果;若希望缩小真值的范围,或找出真值,则可采用最小点原则求出真值.最小点原则是指对于集合A,信任函数为BEL(A).若在集合A中

21、,去掉某个元素后的集合设为,信任为BEL(B,),且IBEL(A)一BEL()I<,则认为可去掉该元素.其中,s为预先设定的一个阈值.重复这个过程,直到某个子集不能再按最小点原则去掉元素为止,则即为判决结果J.2.3.3多层次故障诊断模式神经网络方法在系统故障定位结果容易出现不确定性,而Ds证据理论用先验概率分配函数去获得后验的证据区间,证据区间量化了命题的可信程度和似然概率,可以很好地弥补人工神经网络对于不确定性故障分析的缺陷.基于上述原因,本系统进行了多层次故障诊断,即首先对各种征兆域进行人工神经网络计算,接着用Ds证据理论进行输出结果的局部信息融合,得到该征兆域独立的局部诊断结果.采用Ds证据理论进行融合的一般步骤为j:分别计算各传感器的基本概率赋值函数,信任函数和似真函数;用Ds合并规则,求得所