論文摘要：本文以該設(shè)備故障診斷為研究對(duì)象在對(duì)國(guó)內(nèi)外研究現(xiàn)狀進(jìn)行深入分析的基礎(chǔ)上給出一種基于神經(jīng)網(wǎng)絡(luò)和D-S證據(jù)理論相結(jié)合的信息融合的故障診斷方法并進(jìn)行實(shí)際檢驗(yàn)。以信息融合的基本思路，將多子神經(jīng)網(wǎng)絡(luò)和D-S 證據(jù)理論綜合起來(lái)設(shè)計(jì)出一套綜合診斷方法，將兩種方法取長(zhǎng)補(bǔ)短相結(jié)合應(yīng)用于故障診斷中，取得了較好的診斷效果。
論文關(guān)鍵詞：故障診斷,信息融合,神經(jīng)網(wǎng)絡(luò),證據(jù)理論
　　0引言
　　現(xiàn)代工業(yè)生產(chǎn)設(shè)備趨向大型化、連續(xù)化、高速化和自動(dòng)化，功能越來(lái)越多、結(jié)構(gòu)越來(lái)越復(fù)雜，但因此設(shè)備故障停工造成的損失大大增加。保證生產(chǎn)正常進(jìn)行的關(guān)鍵是使各種重要的大型設(shè)備正常運(yùn)轉(zhuǎn)。如果在設(shè)備出了問(wèn)題后維修，停產(chǎn)不僅帶來(lái)經(jīng)濟(jì)上的巨大損失，而且設(shè)備帶病工作有可能引起嚴(yán)重?fù)p害。目前對(duì)設(shè)備進(jìn)行定期檢修，如檢修間隔長(zhǎng)，有可能在兩次檢修之間設(shè)備發(fā)生故障。設(shè)備發(fā)生故障時(shí)，將產(chǎn)生機(jī)械的、電氣的、物理的、化學(xué)的變化，并隨著故障程度的增加而顯著，可以通過(guò)各種檢測(cè)手段來(lái)發(fā)現(xiàn)這些異常現(xiàn)象來(lái)分析設(shè)備的故障狀況。但是采用單一檢測(cè)手段都因各種不確定因素的影響，采用單一檢測(cè)手段診斷設(shè)備故障的結(jié)論往往不準(zhǔn)確。
　　針對(duì)上述問(wèn)題，本系統(tǒng)將通過(guò)對(duì)設(shè)備進(jìn)行在線動(dòng)態(tài)連續(xù)監(jiān)測(cè)分析，隨時(shí)了解設(shè)備的狀態(tài)，給出故障報(bào)警信號(hào)。要實(shí)現(xiàn)設(shè)備故障診斷的準(zhǔn)確性，最有效的方法就是采用多種檢測(cè)手段來(lái)進(jìn)行綜合診斷。
　　1故障診斷技術(shù)
　　故障診斷是指在一定工作環(huán)境下查明導(dǎo)致系統(tǒng)某種功能失調(diào)的原因或性質(zhì)，判斷劣化狀態(tài)發(fā)生的部位或部件，以及預(yù)測(cè)劣化狀態(tài)的發(fā)展趨勢(shì)等。故障診斷的過(guò)程有三個(gè)主要步驟：
　　1)檢測(cè)設(shè)備狀態(tài)的特征信號(hào)；
　　2)從所有檢測(cè)到的特征信號(hào)中提取征兆；
　　3)根據(jù)征兆和其它診斷信息來(lái)識(shí)別設(shè)備的狀態(tài)，從而完成故障診斷。
　　2神經(jīng)網(wǎng)絡(luò)技術(shù)的信息融合故障診斷方法
　　神經(jīng)網(wǎng)絡(luò)是一個(gè)具有高度非線性的超大規(guī)模連續(xù)時(shí)間動(dòng)力系統(tǒng)，主要特征為連續(xù)時(shí)間非線性動(dòng)力學(xué)、網(wǎng)絡(luò)的全局作用、大規(guī)模并行分布處理和聯(lián)想學(xué)習(xí)能力。其在故障診斷領(lǐng)域的應(yīng)用主要集中于三個(gè)方面：一是從模式識(shí)別角度應(yīng)用神經(jīng)網(wǎng)絡(luò)作為分類器進(jìn)行故障診斷；二是從預(yù)測(cè)角度應(yīng)用神經(jīng)網(wǎng)絡(luò)作為動(dòng)態(tài)預(yù)測(cè)模型進(jìn)行故障預(yù)測(cè)；三是從知識(shí)處理角度建立基于神經(jīng)網(wǎng)絡(luò)的診斷專家系統(tǒng)。
　　2.1神經(jīng)網(wǎng)絡(luò)的特點(diǎn)以及用于故障診斷的原因
　　神經(jīng)網(wǎng)絡(luò)故障診斷問(wèn)題可以看成模式識(shí)別。通過(guò)對(duì)一系列過(guò)程參量進(jìn)行測(cè)量，然后用神經(jīng)網(wǎng)絡(luò)從測(cè)量空間映射到故障空間，實(shí)現(xiàn)故障診斷。應(yīng)用于故障診斷的方法多種多樣，神經(jīng)網(wǎng)絡(luò)之所以適合于故障診斷，有以下三個(gè)主要原因：
　　1)訓(xùn)練過(guò)的神經(jīng)網(wǎng)絡(luò)能存儲(chǔ)有關(guān)過(guò)程的知識(shí)，能直接從定量的、歷史故障信息中學(xué)習(xí)。可以根據(jù)對(duì)象的正常歷史數(shù)據(jù)訓(xùn)練網(wǎng)絡(luò)，然后將此信息與當(dāng)前測(cè)量數(shù)據(jù)進(jìn)行比較，以確定故障。
　　2)神經(jīng)網(wǎng)絡(luò)具有濾出噪聲及在有噪聲情況下得出正確結(jié)論的能力，可以訓(xùn)練人工神經(jīng)網(wǎng)絡(luò)來(lái)識(shí)別故障信息，使其能在噪聲環(huán)境中有效的工作，這種濾出噪聲的能力使得神經(jīng)網(wǎng)絡(luò)適合在線故障檢測(cè)和診斷。
　　3)神經(jīng)網(wǎng)絡(luò)具有分辨原因及故障類型的能力。
　　BP網(wǎng)絡(luò)在諸如模式識(shí)別、系統(tǒng)辨識(shí)、圖像處理、語(yǔ)言理解、函數(shù)擬合等一系列實(shí)際問(wèn)題中得到了極為廣泛的應(yīng)用。
　　2.2神經(jīng)網(wǎng)絡(luò)的故障診斷過(guò)程
　　模糊神經(jīng)網(wǎng)絡(luò)與傳統(tǒng)多層感知器的主要區(qū)別在于其輸入和輸出均表示為模糊隸屬度，通過(guò)隸屬度函數(shù)的適當(dāng)選擇，該網(wǎng)絡(luò)既可以處理數(shù)字形式輸入又能適應(yīng)語(yǔ)義形式輸入，同時(shí)輸出也不再是單一的分類結(jié)果而是各類的隸屬度，這樣就更好地模擬了人腦思維的模糊性。
　　3證據(jù)理論的信息融合故障診斷方法
　　3.1D-S證據(jù)理論概述
　　在診斷領(lǐng)域，由于設(shè)備本身的復(fù)雜性和運(yùn)行環(huán)境的不穩(wěn)定性，設(shè)備反映的信息具有不確定性。貝葉斯法和證據(jù)理論方法提供了有效的處理不確定性信息的手段。具體的講，診斷問(wèn)題中不確定性的來(lái)源有：事實(shí)中的、準(zhǔn)則中條件的、準(zhǔn)則本身有效性的以及不完全知識(shí)、片面數(shù)據(jù)等。由此決定了三種不確定性：隨機(jī)性或可能性、模糊性、不完全性或不知性。對(duì)這些不確定性的處理，貝葉斯法和證據(jù)理論（D-S推理）方法提供了有效的手段。
　　3.2證據(jù)理論的推理結(jié)構(gòu)及其優(yōu)點(diǎn)
　　3.2.1證據(jù)理論的推理結(jié)構(gòu)
　　任何一個(gè)完整的推理系統(tǒng)都需要用幾個(gè)不同推理級(jí)來(lái)保持精確的可信度表示。D-S方法的推理結(jié)構(gòu)自上而下分為三級(jí)：
　　第一級(jí)是合成，它把來(lái)自幾個(gè)獨(dú)立傳感器的報(bào)告合成為一個(gè)總的輸出。
　　第二級(jí)是推斷，由它獲取傳感器報(bào)告并進(jìn)行推斷，將傳感器報(bào)告擴(kuò)展成目標(biāo)報(bào)告。這種推理的基礎(chǔ)是：一定的傳感器報(bào)告以某種可信度在邏輯上定會(huì)產(chǎn)生可信的某些目標(biāo)報(bào)告。
　　第三級(jí)是更新，因各種傳感器一般都有隨機(jī)誤差，所以，在時(shí)間上充分獨(dú)立的來(lái)自同一傳感器的一組連續(xù)報(bào)告，將比任何單一報(bào)告都可靠。這樣，在進(jìn)行推斷和多傳感器合成之前要先組合（更新）傳感器級(jí)的信息。
　　3.2.2證據(jù)理論的優(yōu)點(diǎn)
　　證據(jù)理論具有以下一些優(yōu)點(diǎn)：
　　1)證據(jù)理論采用信任函數(shù)而不是概率作為度量，通過(guò)對(duì)一些時(shí)間的概率加以約束以建立信任函數(shù)而不必說(shuō)明精確的難以獲得的概率。
　　2)證據(jù)理論具有比較強(qiáng)的理論基礎(chǔ)，既能處理隨機(jī)性所導(dǎo)致的不確定性，又能處理模糊性所導(dǎo)致的不確定。
　　3)證據(jù)理論可以依靠證據(jù)的積累，不斷的縮小假設(shè)集。
　　4)證據(jù)理論能將“不知道”和“不確定”區(qū)分開來(lái)。
　　5)證據(jù)理論可以不需要先驗(yàn)概率和條件概率密度。
　　4BP網(wǎng)絡(luò)與D-S證據(jù)理論相結(jié)合的綜合診斷模型
　　在用D-S證據(jù)理論進(jìn)行各征兆域神經(jīng)網(wǎng)絡(luò)輸出結(jié)果的局部信息融合時(shí)，在系統(tǒng)中將單通道輸出直接轉(zhuǎn)化為證據(jù)推理模型，即將神經(jīng)網(wǎng)絡(luò)的單通道輸出經(jīng)過(guò)歸一化處理，直接作為各焦點(diǎn)元素的基本概率分配，從而避免了構(gòu)造基本概率分配函數(shù)的復(fù)雜性，然后用D-S證據(jù)理論的組合規(guī)則逐次合并各通道的診斷信息，得到該征兆域獨(dú)立的局部診斷結(jié)果。
　　具體方法如下：
　　假設(shè)在征兆域s中，Bel對(duì)應(yīng)于第一通道神經(jīng)網(wǎng)絡(luò)的輸出結(jié)果，Be1對(duì)應(yīng)第二通道神經(jīng)網(wǎng)絡(luò)輸出結(jié)果，依次類推，每個(gè)信任函數(shù)的焦點(diǎn)元素都對(duì)應(yīng)不同神經(jīng)網(wǎng)絡(luò)目標(biāo)診斷結(jié)果（即各故障模式），它們構(gòu)成辨別框架Θ，將神經(jīng)網(wǎng)絡(luò)每一通道的各個(gè)輸出節(jié)點(diǎn)輸出值歸一化處理，作為各焦點(diǎn)元素的基本概率分配m，其中i=1,2,…,n,j=1,2,…,p，n為通道數(shù)，p為故障模式分類數(shù)，即焦元數(shù)。然后運(yùn)用D-S證據(jù)理論的組合規(guī)則得到該征兆域的診斷結(jié)果m(j)。
　　4.1BP網(wǎng)絡(luò)多測(cè)點(diǎn)診斷
　　為了全面精確檢測(cè)破碎機(jī)的故障情況，對(duì)表4.1給出的五種故障狀態(tài)各提供4個(gè)樣本，構(gòu)成了20個(gè)樣本的樣本集。采用神經(jīng)網(wǎng)絡(luò)來(lái)對(duì)這20個(gè)樣本進(jìn)行仿真。
　　表4.1故障測(cè)試樣本的部分仿真結(jié)果
　　

組號(hào)	A	B	C	D	E
1	0.9968	0.0884	0.0369	0.0787	0.0223
	0.9496	0.0685	0.0769	0.0144	0.0191
	0.9714	0.0902	0.0847	0.0087	0.0963
	0.9505	0.0880	0.0666	0.0131	0.0699
2	0.0043	0.9256	0.0129	0.0560	0.0219
	0.0575	0.9359	0.0203	0.0944	0.0184
	0.0113	0.9310	0.0753	0.0852	0.0213
	0.0727	0.9676	0.0067	0.0580	0.0901
3	0.0697	0.0452	0.9751	0.0265	0.0968
	0.0169	0.0442	0.9193	0.0472	0.0454
	0.0303	0.0403	0.9733	0.0808	0.0175
	0.0139	0.0304	0.9184	0.0339	0.0817
4	0.0933	0.0280	0.0985	0.9569	0.0512
	0.0567	0.0784	0.0085	0.9442	0.0454
	0.0620	0.0002	0.0446	0.9535	0.0516
	0.0206	0.0921	0.0136	0.9599	0.0632
5	0.0683	0.0231	0.0116	0.0098	0.9066
	0.0432	0.0356	0.0456	0.0901	0.9615
	0.0042	0.0628	0.0410	0.0986	0.9736
	0.0926	0.0995	0.0331	0.0865	0.9092

　　4.2D-S證據(jù)理論決策融合診斷
　　將神經(jīng)網(wǎng)絡(luò)的計(jì)算結(jié)果轉(zhuǎn)化為證據(jù)推理模型，設(shè)信任函數(shù)Bel，對(duì)應(yīng)于第一測(cè)點(diǎn)的判斷結(jié)果，信任函數(shù)Bel對(duì)應(yīng)第二測(cè)點(diǎn)的判斷結(jié)果，兩個(gè)信任函數(shù)的焦點(diǎn)元素都是A,A,...,A，這些不同的故障模式構(gòu)成了分辨框Θ，即Bel、Bel有共同的分辨框。
　　將神經(jīng)網(wǎng)絡(luò)的訓(xùn)練誤差作為不確定因素，將網(wǎng)絡(luò)輸出節(jié)點(diǎn)的輸出作歸一化處理，作為各焦點(diǎn)元素的基本概率值，計(jì)算公式為：
　　（4.1）
　　A表示故障模式，i=1,2,...,10；y(A)表示BP網(wǎng)絡(luò)的診斷結(jié)果，，E為網(wǎng)絡(luò)的樣本誤差，，t,y分別對(duì)應(yīng)第j個(gè)神經(jīng)元的期望值和實(shí)際值。
　　表4.2單個(gè)樣本網(wǎng)絡(luò)誤差
　　

測(cè)點(diǎn)	樣本 1	樣本2	樣本 3	樣本 4	樣本5	樣本6	樣本7	樣本8	樣本9	樣本10
1	0.0128	0.0114	0.0288	0.0184	0.0179	0.0194	0.0113	0.0142	0.0236	0.0213
2	0.0127	0.0166	0.0128	0.0202	0.0168	0.0258	0.0131	0.0139	0.0161	0.0156
3	0.0193	0.0171	0.0138	0.0146	0.0148	0.0239	0.0145	0.0133	0.0182	0.0177
4	0.0163	0.0132	0.0140	0.0161	0.0237	0.0239	0.0122	0.0120	0.0266	0.0039

　　由于A,A,...,A相互獨(dú)立，則A∩A=φ(i≠j)，把測(cè)點(diǎn)1的數(shù)據(jù)排成橫排，測(cè)點(diǎn)2的數(shù)據(jù)排成豎排，再用Dempster合并規(guī)則計(jì)算表格中的各欄，即可得到1、2測(cè)點(diǎn)的融合結(jié)果；用融合的結(jié)果再與測(cè)點(diǎn)3的判斷結(jié)果融合，即可得到1、2、3測(cè)點(diǎn)的融合結(jié)果；最后再用1、2、3測(cè)點(diǎn)的融合結(jié)果與測(cè)點(diǎn)4的判斷結(jié)果融合，得到所有測(cè)點(diǎn)的融合數(shù)據(jù)。將表4.1中的數(shù)據(jù)用D-S合并規(guī)則融合，得到的結(jié)果如表4.3所示。
　　表4.3數(shù)據(jù)融合的部分結(jié)果
　　

組號(hào)	θ	A	B	C	D	E	F
1	0.00001	0.999985	0.000000	0.000008	0.000003	0.000001	0.000008
2	0.00001	0.000008	0.999944	0.000001	0.000008	0.000007	0.000006
3	0.00001	0.000009	0.000005	0.999922	0.000003	0.000002	0.000004
4	0.00001	0.000000	0.000003	0.000002	0.999963	0.000006	0.000007
5	0.00001	0.000010	0.000006	0.000006	0.000006	0.999973	0.000006

　　比較表4.1和表4.3可以發(fā)現(xiàn)，經(jīng)過(guò)數(shù)據(jù)融合，診斷精度大大提高了。如果只用單測(cè)點(diǎn)數(shù)據(jù)進(jìn)行判斷，很容易誤判。而利用數(shù)據(jù)融合的辦法，將4個(gè)測(cè)點(diǎn)的數(shù)據(jù)綜合考慮，用D-S合并規(guī)則進(jìn)行合并，得出表4.3中的最后結(jié)果是非常理想的。從總體上看，表4.1中單測(cè)點(diǎn)用于表征樣本類型的量與1的差約在10量級(jí)上，而表4.3中多測(cè)點(diǎn)的融合結(jié)果表征樣本類型的量與1的差約在10量級(jí)上，同時(shí)干擾項(xiàng)由原來(lái)10量級(jí)變?yōu)?0量級(jí)。說(shuō)明根據(jù)融合之后的數(shù)據(jù)進(jìn)行診斷決策把握要大得多，診斷決策的可信度能夠大幅度提高。
　　5結(jié)束語(yǔ)
　　以信息融合的基本思路，將多子神經(jīng)網(wǎng)絡(luò)和D-S證據(jù)理論綜合起來(lái)設(shè)計(jì)出一套綜合診斷方法，將兩種方法取長(zhǎng)補(bǔ)短相結(jié)合應(yīng)用于故障診斷中，取得了較好的診斷效果。
參考文獻(xiàn)
1 王江萍.基于神經(jīng)網(wǎng)絡(luò)的信息融合故障診斷技術(shù).機(jī)械科學(xué)與技術(shù),2002,21(1):127~149
2 高洪濤,王敏.證據(jù)理論在旋轉(zhuǎn)機(jī)械綜合故障診斷中應(yīng)用.大連理工大學(xué)學(xué)報(bào),2001,41(4):459 ~462
3 肖本賢,郭福權(quán),王群京. 基于模糊神經(jīng)網(wǎng)絡(luò)的車用發(fā)電機(jī)故障診斷系統(tǒng)的研究. 系統(tǒng)仿真學(xué)報(bào),2004,16(5) :1001~1008
4 盧緒祥,李錄平,胡念蘇. 汽輪機(jī)組回?zé)嵯到y(tǒng)故障診斷知識(shí)的模糊處理及診斷研究. 熱能動(dòng)力工程,2003,103 (18):13~16