高锦秋，刘景林

(西北工业大学，西安 710129)



DS证据理论的改进及在航空交流发电机故障诊断中的应用

高锦秋，刘景林

(西北工业大学，西安 710129)

提出了一种基于改进DS证据理论的航空交流发电机故障诊断方法。首先分析了在电机故障诊断中DS证据理论相对于其它多传感器数据融合方法的优点，简单介绍了DS证据理论的基本概念，并通过一实际案例分析了DS证据理论存在的不足，然后提出了引入冲突强度改变融合规则以改进DS证据理论的方法，并建立了基于改进DS证据理论的电机故障诊断流程，最后通过仿真算例验证改进方法的合理性，结果表明所提改进方法能提高故障诊断的确定度，很适合用于电机的故障诊断。

DS证据理论；航空交流发电机；故障诊断；冲突强度

0 引 言

航空交流发电机常工作在高空高速等恶劣的条件下，经常出现各种故障，如定子绕组内部短路、转子绕组短路，转轴断裂、旋转整流器开路等[1]。电机的运行状态与本体的结构、工作环境等因素密切相关，同一种故障状态可能是多种故障原因造成的，故选取合适的推理算法以便实现精确的故障诊断十分重要。DS证据理论能将多元信息进行融合处理，将无效的信息剔除从而获取精确的推理结论，非常适合用于电机的故障诊断技术。同时也要看到，常规DS理论融合算法遗弃了独立焦元的每个冲突，可能会造成错误的分类结论，因此研究DS理论的改进算法以便其更好用于航空发电机的故障诊断具有十分重要的意义。

基于单个参数的电机故障诊断技术，当环境和其他因素出现诸多不确定性时，难以满足状态监测的灵敏度和精度要求。为此将传感器获取的多元信息进行融合分析，得出更综合有效的电机运行状态信息，为及时判断电机的故障状态提供更精确的论据支持。目前多信息融合的方法主要有贝叶斯推理[2]、神经网络[3-4]、支持向量机[5]以及DS证据理论[6-7]等等。一般而言，按照电机的故障诊断程序，多元信息融合过程包括数据层、特征层和决策层，每一级融合过程均是在原始监测数据的基础上进行数据提取而展开的。因此，原始监测数据的准确性十分关键，同时要指出，由于实际系统在运行过程中不可避免地存在传感器精度下降或漂移、外界扰动及噪声等不确定因素，这些不确定性一定程度上影响了信息融合的结果。DS证据理论基于“区间估计”对不确定信息进行描述，能有效减小不确定信息对融合结果的影响，非常适合用于电机的故障诊断领域。

本文首先介绍DS证据理论的一般概念，针对DS证据理论存在的不足，通过改变融合规则提出了一种改进DS证据理论，用改进的DS证据理论来开展电机的故障诊断，最后以电机匝间短路故障为例，对未改进和改进的DS证据理论诊断结果进行对比分析。

1 DS证据理论简介

DS证据理论的思想是首先将证据分为相对独立的部分，再依据一定的规则对证据进行组合，得到对应识别框架的信任度，分析证据的信任度即可实现证据的分类。

由定义1可知，假设存在N个独立的证据，其基本可信度分配分别为m1,m2,…mn，则合成公式为[8]：

定义2 设Bel1，Bel2为有限模式集Θ中的两信度函数，在用证据组合规则求它们的直和时，若Ai∩Bj=φ时丢弃m1(Ai)m2(Bj) 。在Bel1，Bel2合成的整个过程中所丢弃的总的信质：

(2)

当Ai∩Bj=φ时，Bel1和Bel2分别对应不同命题的置信度，也即Bel1和Bel2相应的证据出现冲突。K的幅值越大表明冲突越强烈，反之则说明证据间的相容性较好。

由定义2知：K值的范围为[0，1]，因此，可以对K进行归一化处理，建立一个常数C，即C=1/(1-K)。因此常数C也可以用来表示Bel1和Bel2间的冲突程度，也称为冲突权重。

2 DS证据理论的改进

DS理论在证据融合时，为保证基本概率分配函数始终在0到1之间，采用了归一化的处理方式，使证据的概率值缩小了C=1/(1-K)倍。采用这样的处理方式造成焦元间的冲突被弱化了，且使得基本概率赋值大的公共焦元冲突的可能性反而变小了。由此可见，这种归一化的处理方法往往可能会带来错误的结论，以下列举一实例来分析这一现象。

假设某电源系统的故障类型为Ω={正常，故障1，故障2}，用Θ={a,b,c}来表示。其中证据A的基本可信度分配为m1(a)=0.8，m1(b)=0.2，m1(c)=0；证据B的基本可信度分配为m2(a)=0，m2(b)=0.1，m2(c)=0.9。

对输电线路防外力破坏预警系统进行试验验证,在无锡某条110 kV输电线路和某条220 kV输电线路进行了现场测试试验。将检测装置安装在输电线路附近施工吊车的吊臂顶端,报警装置安装在作业室内,试验现场如图11所示。

采用DS证据组合规则，建立DS证据组合规则运算表，如表1示。

表1 DS证据组合规则运算表

可得两批证据的不一致因子K=0.08+0.72+0.18=0.98。于是，可得由证据A，B得m(b)=1，即b事件时必然事件，这显然是不合理的。

为克服DS证据理论上述缺陷，对其进行改进完善对于实际应用有着极其重要的意义。按照文献[9]所述，证据冲突强度定义如下：

定义3 假设E1和E2为识别模式集中的两个证据，并令其对应的概率分配函数为m1及m2，按照定义1证据的焦元为Ai和Bj，此时E1及E2的冲突强度：

(3)

从上述分析可以看出，冲突强度Gc的数值较好地反映了证据间的冲突程度，为剔除掉无效的证据信息，保留有效的证据信息，为此将冲突证据信息分为有效和无效两种。将无效的证据信息分给不明模式，也即将此证据信息从识别模式中剔除，将有效信息分给已知的单元素单元，得到更有效的识别模式集，以此改进DS证据融合规则，依据这一改进原理，给出如下定义：

定义4 假设识别模式Θ中的两个证据E1和E2，对应基本概率分配函数为m1和m2，焦元分别为Ai和Bj，则Gc融合规则：

(4)

按照式(4)便是对引入冲突强度对DS证据理论进行的修正，以此实现更为准确的模式识别，从而完成电机的精确故障诊断。

3 基于改进DS证据理论的电机故障诊断

通过提取电机故障状态时输出电信号，通过小波分解等方法提取出特征信号，再对基本概率进行赋值，进而运用改进DS证据理论进行电机的故障模式识别，最后得出识别结论。基于改进DS证据理论的电机故障决策流程如图1所示。

图1 基于改进DS证据理论的电机故障诊断流程图

4 仿真算例

本文以某型航空同步交流发电机为例，通过Simulink模块搭建电机的故障仿真模型，设置不同的故障类型，得到电机故障情形下的输出数据，运用改进DS证据理论进行故障诊断，并与未改进的DS证据理论诊断结果进行对比，电机的主要参数如表2所示。其中Ld为电机d轴方向自感；Lq为电机q轴方向自感；p为电机极对数；Maq为电机互感；Rd为电机定子绕组电阻；Rq为电机转子绕组电阻。

表2 交流发电机主要参数

取发电机定子绕组4%匝间短路故障进行测试(数据由搭建的电机仿真模型所得)，经小波分解提取的故障特征向量为{0.465 2，0.157 0，0.165 2，0.040 1，0.052 4，0.063 2，0.063 8，0.945 7，0.028 5，0.010 8，0.008 0}，并给初始概率赋值，其中G取值为25，噪声系数取0.1，经归一化处理后构造的基本概率赋值。运用改进DS算法对数据进行融合，得到电机故障诊断结果，如表3所示。为对比改进后的效果，同时采用DS算法开展电机故障模式诊断，结果如表4所示。

表中RHi表示证据体经第i次融合后的结果，F0-F8果表示电机的8种故障状态，其中F1表示定子绕组匝间短路故障，F9表示电机状态无法识别。

通过表3、表4的融合诊断结果可以看出，DS证据理论方法融合诊断大多数情况下可以得到正确的结果，但当证据存在冲突时融合结果就不合理。当采用改进的DS证据理论实现故障诊断时，仅利用一个证据来进行故障状态决策，基本的概率赋值一般比较小，无法得到分类的结果。经过2次融合，不确定性的概率就降为0，对目标的信任度有所增大，随着融合的进一步深入，目标的信任度在振荡中增大，这是因为部分证据的冲突造成的。经8次融合后，当选择基本概率赋值决策方法时，则可输出正确结果，定子绕组匝间短路故障。

表3 基于改进DS证据理论的诊断结果

表4 基于改进DS证据理论的诊断结果

为进一步对比分析改进DS证据理论的优势，以下将从诊断目标信任度和不确定度两方面对比分析证据理论的故障诊断结果。可以得到如图2和图3的结果。从图2可以看出，采用改进DS证据理论实现的故障诊断，由于融合初期个体证据的冲突较大，造成诊断目标的信任度较小，因而在证据融合次数为2时，故障诊断的确定度比未改进DS证据理论小。而随着证据融合次数的增加，目标的确定度逐渐增加，因而故障诊断的准确定性优于未改进的DS证据理论。由图3可以看出，随着融合次数的增加，采用改进DS证据理论的诊断不确定度逐渐下降，在有效证据充足的条件下，能够得到正确的故障诊断结果，而采用未改进的DS证据理论虽然不确定度一直很小，但诊断目标信任度却出现了忽大忽小的情形，严重影响到了故障诊断的确定性，也就无法得到准确的故障诊断结果。图2和图3的结果表明，采用本文改进的DS证据理论方法，可以得到更为准确的故障诊断结果。

图2 诊断目标信任度图3 诊断不确定度

5 结 语

本文提出了一种改进DS证据理论并将其应用于电机故障诊断中。针对DS组合规则存在的不合理性问题，通过引入冲突强度提出了一种改进DS证据理论的方法，实现了多个证据的判断结果的组合，从而达到电机故障诊断的最优决策和判断。航空交流发电机仿真数值案例验证了改进DS证据理论在故障诊断分类中的有效性和优越性，能够得到比未改进方法更精确的诊断结果。

[1] 魏伟,王琳.电机故障诊断技术研究现状与发展趋势[J].微电机,2009,10(8):66-68.

[2] 吕启深，曾辉雄，姚森敬，等.基于贝叶斯网络和粗糙集约简的变压器故障诊断[J].中国电力,2013,46(9):75-79.

[3] 万书亭，何鹏，赵松杰.基于高斯基函数CMAC神经网络的发电机故障诊断方法[J].振动与冲击,2010,29(4):84-87.

[4] PENG C,YAMAMOTO T,MITOMA T,et al.Intelligent diagnosis method for plant machinery using wavelet transform,rough sets and neural network[C]//Proceedings of 2005 International Conference on Machine Learning and Cybernetics.IEEE,2005,1:417-422.

[5] 刘勇智，刘聪.基于EMD和LS-SVM的旋转整流器故障诊断方法研究[J].微电机,2012,45(4):21-26

[6] PARIKH C R，PONT M J，JONES N B．Application of dempster-shafer theory in condition monitoring systems：a case study[J].Pattern Recognition Letters，2003，22(6)：777-785．

[7] 张敬，李颖晖.基于改进的D-S证据理论的旋转整流器故障诊断研究[J].大电机技术,2012,1(1):59-64.

[8] 温熙森.模式识别与状态监控[M].北京：科学出版社，2007.

[9] 王肖霞.冲突证据合成规则的研究[D].太原：中北大学，2007.

Application of the Improvement of DS Evidence Theory on Fault Diagnosis of Aeronautic AC Generator

GAOJin-qiu,LIUJing-lin

(Northwestern Polytechnical University,Xi'an,710129,China)

An improved DS evidence theory which is used for the fault diagnosis of aeronautic AC generator was proposed in this paper. Firstly, the advantages of DS evidence theory in the fault diagnosis application of generator are analyzed comparing with other multi-sensor combination methods, the DS evidence theory was introduced briefly, and the disadvantages of DS evidence theory are illustrated through an example, then an improving method was put forward by the injection of collision intensity which was applied for the rules of combination, and the flow chart of fault diagnosis about generator based on DS evidence theory was set up, Finally, an simulation example was applied for the demonstration for the rationality of the improved theory, the results show that the improved method which can raise the certainty grade for fault diagnosis is very suitable for the fault diagnosis on electrical machine.

DS evidence theory; aeronautic AC generator; fault diagnosis; collision intensity

2016-01-17

TM34

A

1004-7018(2016)06-0037-04

高锦秋(1996-)，女，本科生，研究方向为电气工程及其自动化。