故障诊断的信息融合

1、故障诊断的信息融合学 院：工程机械专 业： 机械制造及其自动化姓 名：学 号： 2013125019信息融合的故障诊断随着科学技术的飞速发展和市场竞争的日益激烈，工业生产表现出大型化、 分布化、高速化、自动化和复杂化等特点。由于这些大型系统一般都是作为能源、 石化、冶金以及其他国民经济支柱产业中的关键设备， 一旦发生故障，轻则降低 生产效率，重则设备停机、生产停顿，有时甚至发生机毁人亡的恶性事故，造成 灾难性的后果。所以，有计划、有组织、有针对地对关键设备进行实时监测与诊 断,做到尽早地发现设备在运行过程中的各种隐患， 从而防止灾难性事故的发生， 成为机械设备故障诊断系统面临和解决的首要问题。

2、20世纪70年代初，美国研究机构就在国防部的资助下，开展了声纳信息理解系统的研究。从那以后，信息融合技术便迅速发展起来。 信息融合可以把冗余 或互补信息依据某种准则进行组合，以获得被测对象的一致性解释或描述， 其基 本目标是通过数据组合推导出更多信息，更大程度地获得被探测目标和环境的信 息量常用的传统决策层融合方法往往计算量大。机械故障诊断过程的根本目的就是获取机器运行时的状态信息，并对机器性能进行评价。但在机械故障诊断过程中可用机器信息种类很多，层次不一，如何对大量信息进行处理和综合利用是当前乃至今后机械故障诊断技术需要重点研 究的问题。近几年，人们将信息融合技术应用于故障诊断领域。信息融合

3、技术是当前迅 速发展起来的一个热门技术，在人工智能、目标识别、医学诊断等领域虽然已经 开始得到广泛的研究，但在机械故障诊断领域，这一技术的发展仍处在初级阶段。信息融合技术在故障诊断领域的应用，主要可归纳为以下几方面：（1）信号处理：包括时域相关技术、频谱分析、时频分析等。这些信号处理技 术可以对信号进行变换和重构，在不同的分析域中观察并提取信号中蕴含的特 征。（2） 参数优化：将不同的机器参数和信号指标进行重新组合和优化，产生更好 的反映诊断对象的参数。（3）模式识别：针对获取的特征参数运用各种识别方法（人工神经网络、聚类分析等）对机械设备的运行状态进行识别。（4） 智能诊断：对机械设备的运行

4、状态与故障类型做出判断， 并给出适当的维 护或维修方案。这是一个决策级的信息融合过程，Bayes推理、Dempster-Shafer 推理、概率推理、模糊推理等可被用于智能诊断。目前，传统旋转机械、化工机械、机械加工过程、火箭空间站等航空工程、 电网系统等已经应用了信息融合的故障诊断。故障诊断的信息融合方法按其融合算法的不同，主要可分为以下几种：叶斯 定理信息融合故障诊断方法；模糊信息融合故障诊断；方法D-S证据理论信息故障诊断方法；集成信息融合故障诊断方法等。另外用于信息融合的方法还有 随机集、马尔可夫方法、遗传算法、模糊逻辑及小波变换等，但在实际应用中， 应根据应用环境选取不同的融合策略。

5、例如应用较多的D-S证据推理，计算量随着目标类别的增多指数上升。特 别是对于信息融合目标识别系统来说，往往要求实时处理。因此神经网络有可能 为数据的实时融合处理提供一种有效的技术手段。神经网络使用大量的简单处理单元（即神经元）处理信息，神经元按层次结构的形式组织，每层上的神经元以 加权的方式与其它层上的神经元联接， 采用并行结构和并行处理机制，因而网络 具有很强的容错性以及自学习、自组织及自适应能力，能够模拟复杂的非线性映 射。神经网络的这些特性和强大的非线性处理能力，恰好满足了信息融合技术处 理的要求，可以利用神经网络的信号处理能力和自动推理功能实现信息融合技 术。传感器信息融合故障诊断在提

6、高诊断准确率上具有优势，但在具体融合算法 设计时，也有它的局限性。如贝叶斯方法中先验概率难以确定；对模糊故障诊断的各传感器影响权重的选择含有一定的主观因素，若选择不当，必将影响诊断准确性；与此相似，D-S证据理论中故障信度函数的确定也存在人为因素，对 于高维情况，还存在数据爆炸问题；而神经网络信息融合，不仅存在故障隶属度值确定的困难，而且存在训练样本难以获取的瓶颈问题。 在上述故障诊断信息 融合算法中，模糊融合计算最为简单，但当故障样本齐全时，神经网络信息融合 故障诊断准确率比模糊融合方法、D-S融合方法与神经网络融合相比，D-S信息 融合诊断方法可以避开故障样本难以获取的问题，因此在许多场合

7、比神经网络融 合更有优势。对于集成融合故障诊断系统而言，虽然它拥有各种方法的优点，但 由于系统构造设计复杂，影响了诊断方法的实用性。目前，信息融合故障诊断的研究主要集中在以下几方面：（1）各种信息获取方法的研究对于多传感器信息融合故障诊断，信息来源是根本，如何获取更多的与故障模式密切相关的信息， 是信息融合故障诊断的一个 关键。例如对电子设备的故障诊断,除较易测量的电压信号外，如何有效获取故 障芯片的电磁信号、温度信号等，就是一个值得研究的问题；再如机械系统的振动信号较易测量，但故障机器的声音信号的利用则较难。（2）有效的故障特征信息抽取算法研究。故障特征信息的抽取与诊断准确性 快速性密切相关

8、。通过有效的特征提取，可以剔除与故障模式无关的数据和信息， 减少信息融合的计算量，提高信息融合的实时性。常规特征提取方法主要是模糊 数学方法、快速傅立叶变换及小波分析等。近期有研究者将一些新方法引入信息 融合特征提取，如的灰度关联算法； 的信息熵融合分类方法； 文献信息融合的 卡尔曼滤波器方法等.（3）新的有效的融合算法研究。有效的信息融合算法研究是信息融合故障诊断研究的永恒主题。近期出现的一些新方法值得关注。如异步信息融合算法；量 子神经网络信息融合故障诊断方法；自组织映射神经网络信息融合方法等.（4）故障判定规则研究。目前的故障判定规则大多采用最大阈值原则来判定 故障模式，它只在单故障情形

9、下有效，对多故障问题则无法判定。如何根据实际 情形自适应地选择故障判定阈值，也是信息融合故障诊断中值得研究的问题。信息融合可以分为三个级别数据级融合、特征级融合、决策级融合。数据级融合首先将全部传感器的观测数据融合，然后从融合的数据中提取特 征向量，并进行诊断判别。但是该级别融合需要处理的信息量大，实时性较差， 处理代价高。这种融合是在信息的最低层进行的，它的优点是能够保持尽可能多 的现场数据，提供其它融合层次所不能提供的细微信息。但是它需要处理的信息 量大，实时性较差，处理代价高。特征级融合属于中间层次，它先将来自传感器的原始信息进行多特征提取， 然后对多特征信息进行综合分析与处理。特征级融

10、合的优点在于实现了可观的信 息压缩，有利于实时处理，并且由于所提取的特征直接与决策分析有关，因而融合结果能最大限度地给出决策分析所需要的特征信息。决策级融合是一种高层次融合，即根据一定的准则以及每个决策的可信度作 出最优决策。决策级融合从具体决策问题的需求出发， 充分利用特征级融合所提 取的测量对象的各类特征信息，采用适当的融合技术来实现。决策级融合是三级融合的最终结果，是直接面对决策目标的。融合结果直接影响决策水平。决策级融合的优点为通信量小，传输带宽要求低，抗干扰能力强，融合中心处理代价 低，同时它对传感器的依赖性小，传感器可以是同质或异质，并且在某一个或几 个传感器出现错误时，通过适当的

11、融合方法仍能获得正确的结果， 因此它具有较 好的容错性与鲁棒性。信息融合技术主要依靠相对明显的目标特征来发现和识别目标。 显著的目标 形状特征、运动特征或物理化学特征都可以作为信息融合的依据。但是随着多传 感器应用领域的不断扩展，信息融合在故障诊断中的应用遇到了一些困难。（1）如何构造基本信任分配函数模块化的问题。基本信任分配函数的获得在D-S证据理论中没有给出一般形式，一般根据经验由主观给出，往往与具体研究 的对象密切相关。神经网络是常用而有效方法之一，但是存在一些缺点：输入维 数增多使神经网络结构复杂、推理时间长，甚至不收敛；输入参数和个数变化导 致原有神经网络不再可用等。（2）如何解决融

12、合系统的冲突信息，尤其是冲突严重的信息问题。这也是各种证据理论组合规则的区别之所在，因此研究这些组合规则算法的特点和应用条 件，以便根据具体的情况来正确选择组合规则。（3）如何提高算法实时性的问题。融合算法的计算量和复杂度随维数增加而 成指数增加，甚至使推理几乎成为不可能，从而无法保证融合系统的实时性。 因 此，如何改进融合算法，以提高系统的实时性需要进一步研究。（4）如何解决多传感器故障诊断问题。现有的传感器故障诊断大部分都是集 中在单故障诊断上，对多故障诊断鲜有研究，因此对多传感器故障诊断的研究具 有重要的理论和现实意义。（5）信息融合的范围扩大了。在一个多传感器系统中，融合数据可由不同种

13、 类的传感器提供，有的监测对的物理属性，有的监测化学属性，有的监测运动属 性，甚至专家知识也要参与融合过程。这就给信息分类带来了一定的困扰。（6） 很多现存的信息融合方法要求了解对象的一些先验知识，比如对象模型、 对象的统计信息等等。而很多情况下，我们对对象并无太多了解。（7）待融合数据往往是不准确或者不完整的。这样的数据对后面的数据决策 会有很大的影响，会造成错误的故障诊断，维修或设备更新的成本将大大的增加。信息融合要为决策支持提供信息，而不仅仅停留在目标探测和分类的水 平上。为解决这些问题，迫切需要一种集合统计方法与非统计方法、 数据处理与 数据推理技术、先验和后验知识的信息融合新方法。当前的社会处于大数据时代。在信息采集的过程，多传感器在不同时间，不 同的空间，不同的工况下采集的数据所反映的问题是不同的。在机械运行初期， 各个零部件之间的磨合期，在机器的不同部位放置不同的传感器， 采集各个零部 件振动状态，噪声状态，发热状态等一系列的数据。在机械正常运行期，同样的 采集数据。众多的数据中利用数学统计的方法来找出各个数据潜在的关联性，并联性。把设备正常运行的数据整合起来。与设备发生故障，在设备的相对应