故障诊断的信息融合

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。

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。

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。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