电机故障诊断的多传感器数据融合方法_陈理渊

电机故障诊断的多传感器数据融合方法①陈理渊,黄　进(浙江大学电气工程学院,杭州310027)摘要:电机及其运行环境的复杂性决定了电机故障诊断也非常复杂,尽管随着检测技术、信号处理技术、智能技术的进步,故障诊断技术得到了很大的发展,但是目前的故障诊断技术仍因为各种原因存在着很大的不确定性。

目前诊断技术依然是基于单个参数,如电流、振动、温度、润滑油成分所能携带的故障特征来进行诊断,但是因为模型或者环境的不确定性导致这些诊断结果模糊不清甚至错误。

分析了传统故障诊断方法中存在的不确定性,并介绍多传感器数据融合的方法来处理由于单个参数带来的诊断的不确定性,同时介绍一个数据融合故障诊断系统(fusion diag no sis sy stem,FD S)的结构模型,并分析这个结构在应用中的关键问题。

关键词:电机;故障诊断;多传感器;数据融合中图分类号:T P212;T M307 文献标识码:A 文章编号:1003-8930(2005)01-0048-05Motor Fault Diagnosis with Multisensor Data FusionC HEN Li-yuan,HU AN G J in(Colleg e of Electrical Engineering,Zhejiang Univ ersity,Hang zhou310027,China)Abstract:AC mo to r fault diag no sis is a field o f resea rch with much uncertainty.N ow ada ys diag no sis is alwa ys ba sed on signatur e o f sing le para meter like v ibratio n,curr ent,tempera tur e,o r chemica l compo nents, and beca use o f the uncer tainties o f mo deling env iro nme nt and signal pro cessing metho d,decisio ns w e ma ke a re som etimes ev en w rong.T his paper a na ly zes th e uncer tainties in traditional fault diag no sis method,and introduces the idea o f using multisenso r data fusio n to handle these uncer tainties.Sev er al pa rame ters o ther than sing le o ne w ill be used in a fusion system.A fusion diagno sis sy stem(FDS)structur e is introduced and critical issues in pr actice ar e a naly zed.Key words:AC moto r;fault diag nosis;multiseno r;da ta fusio n1　前言 电机在各行业中的应用十分广泛,电机故障诊断技术在电机制造和应用行业也变得举足轻重。

电机故障诊断技术从20世纪70年代发展至今,已经取得了很大的发展,并引发了设备维修体制的变革,使设备维修从事后维修走向了基于状态的维修(co ndition-based maintenance,CBM)和预测维修(predictiv e maintenance,PM),保障了电机所在系统的稳定性和可靠性,以及维修的经济性[1～3]。

但是到目前为止,电机故障诊断技术仍然是基于单个参数进行的,这些参数包括与电机相关的各种能够携带故障特征的可以监测到的参数,如定子电流、振动、温度、噪声和润滑油成分等[1,4]。

但是因为故障特征模型以及电机运行环境存在许多不确定的因素,所以用单参数进行故障诊断具有固有的不确定性,有时甚至导致错误的诊断结果。

比如,在现在研究比较多的定子电流特征分析(m otor current sig nature a nalysis,M CS A)方法,可以通过对定子电流频谱的傍瓣分析诊断是否存在转子断条或者轴承故障,但是因为各种不知名的原因,定子电流的频率成分没有提供足够的信息,以确定到底是哪种故障,所以如何处理这些不确定性对于做出正确的诊断以及保障系统的稳定性和有效性都非常重要。

多传感器数据融合[5,6]最初应用于军事上的目标识别和跟踪,多个(种)雷达的信号融合处理得到更加确定的目标航迹。

数据融合发展到今天已第17卷第1期2005年2月 电力系统及其自动化学报Proceedings o f the CSU-EPSA Vo l.17N o.1Feb.　2005①收稿日期:2004-04-14;修回日期:2004-09-07经在许多领域得到应用。

尽管数据融合发展至今还没有统一的理论框架,但是它作为一门交叉学科,已经在各应用领域得到足够的认识和发展。

数据融合的基本概念就是通过对多个源的数据通过适当的融合得到一个比单个源数据更有利的结果。

这里的有利是相对于应用来说。

针对故障诊断对消除或者减小不确定性的要求,多传感器数据融合将是这个领域以后发展的一个重要方向。

本文将从传统故障诊断系统结构出发,研究并提出基于数据融合的故障诊断系统结构,并分析这样一个系统中的关键部分。

2　传统诊断系统结构传统的电机故障诊断系统结构可以用图1描述,诊断是基于单个参数、单个特征的。

故障诊断系统通过对某个可观测参数的特征提取判断是否存在故障特征从而做出诊断。

诊断的可信度由模型的精度和信号处理的分辨率决定。

因为环境和其他原因导致这种依靠单个参数信息的诊断存在很大的不确定性。

比如现在研究较多的电流特征分析(M CSA)方法[3],其依据是研究表明电机的一些故障如转子断条、轴承故障等能够在定子电流中产生特殊的频率分量,诊断的方法就是确认定子电流频谱的工频傍瓣中是否存在故障特征频率分量。

但是某些频率可以表示不同故障,或者不同的故障会在某傍瓣上产生相互抵消的效果,或者傍瓣的幅值太小难以被检测到,从而会导致不确定甚至错误的诊断。

研究表明负载也会使电流故障特征变弱甚至完全淹没。

当用其他单参数方法,如振动、温度等时存在同样的问题,所以单个参数的诊断方法存在固有的不确定性。

尽管一些人工智能方法和专家系统方法[7]能够提高诊断的准确性,但是由于它们仍然基于单参数的特征进行诊断,不确定性依然存在。

图1　传统的诊断系统结构Fig.1　Traditional structure of diagnosis system3　多传感器数据融合多传感器数据融合的概念最早出现于上世纪70年代的军事领域,经过近几十年的研究和发展,目前已经在包括遥感、机器人、医学和工业等很多非军事领域得到重视和研究,并且也有许多实际应用[6]。

多传感器数据融合是个概念框架,在应用上可以看成是对多源数据经过各种整合方法融合起来以估计或者预测系统状态的过程。

其关键在于数据(信息)是“多个”同源或者异源的、同质或者异质的数据。

数据可能是各种过程的或者物理的数据,状态也可能是各种过程的或者物理的状态,系统是各种可能的系统或者它的一个子系统,或者子系统的子系统,所以融合可以在任何合适的阶段进行。

应用多传感器数据融合方法的主要目标是通过对多个传感器的数据融合得到比单个数据条件下更精确、更确定甚至无法得到的系统信息。

数据融合在不同的应用领域有着完全不同方法,同时也有着不同的模型。

电机故障诊断领域,数据融合的模型可以参考美国国防部JDL(joint directo rs o f labo rato ries)的功能模型[8]。

这个模型只是指导性的,概括了从传感器到最终用户之间的各个阶段都存在融合应用的可能,同时每一阶段的融合也将有不同的意义和方法。

通过简化可以认为数据融合分成传感器级、特征级和决策级。

融合将针对目标系统各阶段的特点选择合适的方法。

对于电机的故障诊断,系统的不确定性表现在模型及运行环境的影响,所以构造的融合系统将针对这些不确定性的因素而设计。

融合可以在传感器级、特征级或者决策级进行,而不同融合级的选择将主要考虑实现成本和融合性能的平衡比较。

不同融合级的融合方法也不同。

在传感器级,针对模型的不确定性来估计或者预测电机状态,可以用数量形式的算法,比如Kalman滤波[9]。

对于特征级的融合,更多的方法来源于模式分类或者识别的方法。

对于决策级,主要是基于各种不确定性测度的方法,比如Bayesian规则、证据理论[10]和模糊决策等。

电机故障诊断中应用数据融合方法,目的是通过利用多个传感器的信息来减少或者消除单个传感器的信息不确定性。

也就是一个基于多传感器数据融合的电机故障诊断系统的原型将可能应用各种可用的物理传感器监测电机运行状态,同时通过这些状态做出诊断。

融合可能发生在监测的过程或者诊断的过程,而数据也可能是传感器来的或者过程可观测数据,或者各种由不确定性测度表示的信息。

例如,决策级融合时,故障诊断可以看成一个决策过程,由各种传感器信号通过相关的特征提取得到的特征向量表示为决策的支持信息,在用Bayesian方法实现融合时,故障特征经过转化表示·49·2005年第1期 陈理渊等:电机故障诊断的多传感器数据融合方法为此种故障特征所反映的几种故障的概率值,然后通过利用Bayesian 公式,得到几种特征出现条件下各种故障出现的概率,从而得到诊断结果,达到消除单个参数诊断的不确定性。

图2　JDL 数据融合模型Fig .2　JDL data f usion model4　融合诊断系统分析如前所述,传统的故障诊断系统大多基于单参数特征,存在很大的不确定性,难以获得正确的诊断结果。

在一个电机故障诊断系统中,可以测量或者观测的参数其实不止一个,不同的参数或者观测量通过数据融合方法能够为故障诊断提供更多的信息,从而提高故障诊断系统的性能。

这样一个基于数据融合的故障诊断系统可以称为融合诊断系统(fusion diag nosis system ,FDS)。

在一个融合诊断系统的实践中,如何选择融合系统结构以及融合方法,以及在哪个(些)阶段实现融合是关键问题,而这些都必须针对电机故障诊断这个对象而定,因为电机的复杂性和诊断系统的投入成正比,从而决定FDS 应该如何实现。

从数据融合的概念可知,一个融合系统的结构完全可能是并联、串联或者混联的,或者是嵌套的。