雷高伟，张清华，马春燕，孙国玺，熊建斌

(1.太原理工大学 信息工程学院，太原 030024；2.广东省石化装备故障诊断重点实验室，广东 茂名525000)

基于信息融合的二重并发故障诊断方法*

雷高伟1,2，张清华2，马春燕1，孙国玺2，熊建斌2

(1.太原理工大学 信息工程学院，太原 030024；2.广东省石化装备故障诊断重点实验室，广东 茂名525000)

针对复合故障诊断的高难度和复杂性，造成对复合故障类型难以作出判断的问题，提出了一种基于证据理论的复合故障诊断方法。结合无量纲指标，并充分考虑了不同指标对不同故障的诊断能力、敏感程度不同的特性，采用加权证据理论的方法对故障信息进行融合，从而提高了诊断的可靠性和准确度。经实验证明了该方法切实可行。

信息融合；证据理论；复合故障诊断；无量纲指标

0 引言

美国国防部在1973年资助开发的声纳信号处理系统时，孕育了数据融合这一技术，现在被称为信息融合。经过40年的发展，目前信息融合技术己广泛应用于许多领域。例如机器人[1]、战争、森林防火[2]、模式识别、图像处理、实时交通测速[3]、故障检测与诊断[4-5]等。国内对信息融合理论和技术的研究起步较晚。20世纪90年代以后，信息融合的研究在我国逐渐形成高潮。不仅召开了关于数据融合的会议，出版了关于信息融合的专著和译著，国家自然科学基金和国家863计划也将其列入重点支持项目。

随着现代工业的迅速发展，各种高速度、大型化、复杂的设备也如影随形般的出现，并成为整个工业生产的核心。这些设备能否良好的运行，直接关系到企业的生产情况。如果这些设备出现故障致使生产无法继续，将带来巨大的经济损失，并有可能造成严重的甚至是灾难性的后果。世界上发生过许多起这种案例，例如1986年4月27日前苏联切尔诺贝利核电站发生的核泄露事故，就是由于其四号机组发生严重振动导致的，最终造成2000多人死亡、30多亿美元经济损失的严重后果。这使得在设备故障造成严重后果之前，及时并准确的诊断出故障的类型和具体位置，就显得十分必要。

由于环境的复杂性、传感器或观测者本身的局限性、信息获取技术或方法的不完善性等因素，使得描述系统可靠性和系统故障的信息通常表现出随机、不精确、模糊、不完整等多种不确定性。研究者常常根据不同的情况和需求，在一定的假设或条件下采用相应的不确定理论和方法，有针对性的分析某种类型的不确定性信息，所以各种理论处理信息的类型较为单一。并且，信息采集手段及途径的多样化，将进一步导致信息类型更多、形式更复杂化。面对这种情况，利用信息融合方法来处理大量多源且不确定信息，是一种行之有效的方法。目前，主要的信息融合[6-8]方法如图1所示。

图1 主要的信息融合故障诊断方法

1 D-S证据理论

在证据理论中首先定义了一个命题集Ω，称为识别框架(frame of discernment)，其中所包含的的元素个数取决于对问题的认识水平。识别框架中包含了所能认识到的该问题的所有可能的答案，可表示成如下形式：

1.1 定义

(1)

则称m为框架Ω基本概率分配(basic probability assignment)；∀A⊂Ω,m(A)称为A的基本可信数(basic probability number)，它反映了对A本身的信度大小。

(2)

则称函数Bel为识别框架Ω上的信度函数(belief function)。它表示证据对命题A为真的信任程度，是信任程度的下限估计。

(3)

则称函数Pl为识别框架Ω上的似真度函数(plausibility function)。它表示证据对命题A不为假的信任程度，是信任程度的上限估计。

图2直观清晰的表示出了信息的不确定性。

图2 信度区间划分

1.2 组合规则

设m1，m2同一识别框架下的两个基本概率分配函数，则Dempster组合规则为：

(4)

2 加权证据理论

由于传统证据理论存在缺陷，在证据激烈冲突的情况，其融合结果会有悖与常理。将其与加权思想相结合[9-10]，弱化证据间的冲突度，可以有效的解决高冲突证据的合成效果。

Qm(A)=Q(A)×m(A)

(5)

2.1 敏感因子

根据所测故障的最大无量纲指标值与设备正常状态下该指标最小值的比值大小来确定敏感因子数值的大小，比值越小，说明该无量纲指标对故障越不敏感，反之，则越敏感[11]。

2.2 诊断概率

实验过程按1024点为一组进行采样，选取一定的实验次数，对固定组数的数据进行分类判定，从而得到各无量纲指标对不同故障的判断概率。举例说明，例如一组实验数据波形指标判定为故障i，峭度指标判定为故障j，依次累计数次实验结果，最后由累计的正确诊断数占实验总数的比例即得到各个指标对不同故障的判定能力。

3 无量纲指标

无量纲指标[12]是指由两个具有相同的比值组成，当它描述某一特定体系时具有一定的物理意义，其定义式如下：

(6)

式(6)中x是振动幅值，p(x)是振动幅值的概率密度函数。

在故障诊断中，无量纲指标因对设备的载荷、转速等变化不敏感，而对故障足够敏感被广泛应用。常用的无量纲指标有波形指标、峰值指标、裕度指标、脉冲指标、峭度指标等。

波形指标：

(7)

脉冲指标：

(8)

裕度指标：

(9)

峰值指标：

(10)

峭度指标：

(11)

4 诊断过程及数据

实验的全过程都是在广东省石化装备故障诊断重点实验室的“HZ-1旋转机组多故障诊断实验平台”上完成的，该实验平台可以模拟产生多种不同故障，主要有裂纹轴、弯轴、偏心轴、不对中轴以及轴承外裂、轴承内裂、轴承缺滚珠、轴承滚珠磨损，还可以模拟轴故障和轴承故障的并发故障。

首先使用EMT490测振系统来测量机组的振动加速度信号并在线计算出现有的波形指标Sf、脉冲指标If、峭度指标Kv、裕度指标CLf、峰值指标Cf这五个无量纲指标值。试验中，按 1024 点为一组进行采样，每种故障各采集数据取 100 组，每组均包含五中无量纲指标值，取各指标的最小值与最大值作为该指标的无量纲指标的取值范围，如表1所示。

表1 各无量纲指标的取值范围

由表1中的数据，根据敏感因子和诊断概率的定义，求出敏感因子和诊断概率，然后以敏感因子作为加权系数，诊断概率为证据体进行加权处理，可得加权后的概率分配，如表2所示。

表2 各无量纲指标对不同故障的加权后的

对表2中的数据进行融合，其中R12代表对前两个指标进行融合，R123代表对前三个指标进行融合，依次类推，可得表3所示。

表3 融合之后的结果

由表3中融合结果可以看出，在逐个融合的过程中，诊断结果区分越来越明显，准确性得到很大提高提高,达到了很好的并发故障诊断效果。

5 结论与展望

该实验依托于“HZ-1旋转机组多故障诊断实验平台”，模拟了两重并发故障，以下是本文所做工作优缺点总结及对未来的展望：

(1)利用无量纲指标，以各无量纲指标对不同故障的敏感性作为加权系数，提出了一种基于加权D-S证据理论信息融合的故障诊断方法，并以最后的融合结果作为故障的诊断依据。实验数据表明，该方法大幅度的提高了诊断的准确性和可靠性。

(2)本文只是介绍了两重并发故障的诊断方法，对于三重及更多重并发故障诊断方法还需要进一步的研究。

(3)可以将遗传算法引入对五种基本的无量纲指标进行优化，得出诊断能力更强的组合无量纲指标。

(4)将证据理论与其他理论相结合是信息融合是未来发展的一个重要方向，如证据理论与神经网络、证据理论与小波分析等，以提高诊断的准确性和可靠性。

[1]Murphy R R. Dempster-shafer theory for sensor fusion in autonomous mobile robots[J]. IEEE Trans on Robot Autom,1998,14(2):197-206.

[2]E.Zervas,A.Mpimpoudis,C.Anagnostopoulos.Multisensor data fusion for fire detection[J].Information Fusion,2011, 12 (3),150-159.

[3] Chris Bachmann,Baher Abdulhai,Matthew J. Roorda,Behzad Moshiri.A comparative assessment of multi-sensor data fusion techniques for freeway traffic speed estimation using microsimulation modeling[J].Transportation Research Part C: Emerging Technologies,2013,26,33-48.

[4] Tribeni Prasad Banerjee,Swagatam Das.Multi-sensor data fusion using support vector machine for motor fault detection[J].Information Sciences,2012, 217(25) ,96-107.

[5] Y. Lu,J. Tang,H. Luo.Wind Turbine Gearbox Fault Detection Using Multiple Sensors With Features Level Data Fusion[J]. Engineering for Gas Turbines and Power,2012,134,042501:1-8.

[6] 文成林，徐晓滨.多源不确定信息融合理论及应用：故障诊断与可靠性评估[M].北京：科学出版社，2012.

[7] 潘泉，于昕，程咏梅，等.信息融合理论的基本方法与进展[J].自动化学报,2003,29(4):599-615.

[8] 罗志增，蒋静坪.基于D-S理论的多信息融合方法及应用 [J].电子学报,1999,27(9):100-102.

[9] 孙全,叶秀清,顾伟康.一种新的基于证据理论的合成公式[J].电子学报,2000,28(8):117-119.

[10]朱大奇，于盛林.基于D-S证据理论的数据融合算法及其在电路故障诊断中的应用[J].电子学报,2002,30(2):221-223.

[11]岑健. 基于人工免疫系统的机组复合故障诊断技术研究[D]. 广州：华南理工大学, 2010.

[12]张清华. 基于人工免疫系统的机组故障诊断技术研究[D]. 广州：华南理工大学, 2004.

(编辑 李秀敏)

Composite Fault Diagnosis Method Based on Information Fusion

LEI Gao-wei1,2，ZHANG Qing-hua2，MA Chun-yan1，SUN Guo-xi2，XIONG Jian-bin2

(1.College of Information Engineering,Taiyuan University of Technology，Taiyuan 030024,China；2. Guangdong Province Key Lab of Fault Diagnosis of Petrochemical Equipment，Maoming Guangdong 525000，China)

For the difficulty and complexity of compound fault diagnosis and the problem that compound fault is difficult to be judged, a diagnostic method based on evidence theory and non-dimensional indicators is proposed in this paper. And fully considering different diagnostic ability and sensitive degree of the different indexes to different faults, using weighted evidence theory to fuse the fault information can improve the reliability and accuracy of the diagnosis. Experimental result shows that the method is feasible.

information fusion;evidence theory;composite fault diagnosis; dimensionless indicators

1001-2265(2014)05-0114-03

10.13462/j.cnki.mmtamt.2014.05.029

2013-09-02

国家自然基金项目(61174113)；广东省自然科学基金项目(8152500002000011)

雷高伟(1986—)，男，河南商丘人，太原理工大学硕士研究生，主要从事人工智能与故障诊断研究,(E-mail)gw_lei@163.com)；张清华(1965—)，男，广东丰顺人，广东石油化工学院教授、博士、博士生导师，研究领域为模糊控制、智能控制、计算机仿真、故障诊断。

TH16;TG65

A