文摘
多传感器信息融合应用于故障诊断时,时空范围,和信息的数量扩大相比可以获得一个传感器,所以可以描述更全面的诊断对象。提出的方法在旋转机械故障诊断使用多传感器信息融合,所有的特性都是计算使用振动数据在时间域构成熔解的向量和支持向量机(SVM)是用于分类。提出了测试方法的有效性通过三个案例研究:诊断错误的齿轮、滚动轴承、转子裂纹的识别。对于每个案例研究中,情感的特性进行了分析。结果表明,峰值因素是最敏感的特性在十二时域特性识别齿轮缺陷,意味着,均方根,根振幅,振幅广场和标准差都是敏感的识别装置,滚动轴承,转子裂纹缺陷相对。
1。介绍
典型的旋转机械系统,如水轮机,汽轮机,风力涡轮机,回转窑是至关重要的核心设备支持的国民经济的重要产业1,2]。安全性、可靠性、效率和性能的旋转机械在行业重大关切,所以,任务旋转机械的状态监测和故障诊断具有重要意义[3]。旋转机械的常见的机械缺陷分为三个类别:转子的身体缺陷,如不平衡失调,摩擦,和转子裂纹;转子支承轴承的缺陷,如内部种族、外种族或球滚动轴承的缺陷,和石油旋转或滑动轴承的油膜振荡;传动装置的缺陷,如芯片牙齿缺损或缺失的牙齿缺损。进程内的监测和诊断旋转机械需要推理的缺陷,从传感器读数进程状态。通常传感器读数之间的关系和过程是复杂的和不确定的。对于一个复杂的系统,单个传感器无法收集充足的数据来准确的状态监测和故障诊断。需要多个传感器为了把工作做得更好。当使用多个传感器,不同的传感器收集的数据可能包含不同的部分信息在同一台机器的状态。可以描述更全面的诊断对象(4- - - - - -6]。与单传感器相比,信息的时空范围和数量扩大。可以提高诊断的准确性和可靠性。多传感器信息融合可以分为三个层次7,8]:数据级融合、部件级融合和决策级融合。
在数据级融合,所有传感器数据直接从测量对象结合然后特性计算的融合数据。融合的数据在这个级别包含大多数信息并能带来好的结果。然而,这个级别中使用的传感器必须相称。这意味着测量必须是相同或相似的物理量或现象。在最流行的数据级融合方法,如加权融合(9),多传感器信号的加权值难以确定。因此,数据级的应用程序是有限的现实环境。在部件级融合,从每个传感器特性计算根据原始数据的类型。然后,这些noncommensurate传感器特性相结合的功能水平。所有功能结合在变成一个更大的单一特性集,然后用一个特殊的分类模型,如人工神经网络(ANN)、支持向量机(SVM)和集群算法决定(10]。级的融合是一种妥协的数据级融合和决策级融合。其数据对齐需求并不严格的数据级融合异构传感器是允许的,和它的信息丢失严重低于决策级融合,但仍取得了更好的信息压缩。因此,特性应用是灵活的和受欢迎的。在决策级融合,特征计算的过程和模式识别应用于序列为单一从每个传感器获得的数据。然后使用决策级融合决策向量融合技术,如投票策略,贝叶斯方法,behavior-knowledge空间,Dempster-Shafer理论(11]。相对而言,在决策级有最大数量的信息损失。
提出了一种旋转机械故障诊断的特性融合方法。一般来说,执行异构信息融合的特性融合机械状态监测和故障诊断在当下文学。例如,Barad等人提出了一个基于ANN模型的发展为混合动力透平机的状态监测参数属于性能、振动和润滑8];Loutas等人结合使用振动、声发射、石油碎片监测旋转机械(6]。机械系统的条件可能更详细地描述了通过使用异构信息融合,但是这个过程需要多类传感器及其配套的数据采集系统,这将导致更高的监控成本和方便操作的数据采集在现实环境。安和支持向量机分类模型是最受欢迎的执行决定特性融合(12,13]。安和支持向量机的主要区别在于他们的风险最小化。支持向量机是基于结构风险最小化原则,而安是基于传统的经验风险最小化原则。风险最小化的差异会导致一个更好的泛化性能SVM比安(14,15]。SVM是强大的解决小样本的问题,非线性和高维度在机械状态的分类。本文提出的级融合方法属于同源信息融合的原始数据都来自振动传感器,所以只有一个振动测试系统需要收集到的原始信号,使这个过程更简单。在这种方法中,从每个振动信号时域特性计算组成多维特性集,选择和支持向量机分类模型来处理信息融合。为了验证该方法的有效性,故障诊断案例测试,其中包括滚动轴承的故障诊断(识别正常,内部缺陷,外环缺陷,和球缺陷),齿轮的故障诊断(识别正常,牙齿脱落,和缺失的牙齿),和转子裂纹故障诊断(识别正常、裂纹深度3毫米和裂纹深度5毫米)。对于每个案例研究中,情感的特性进行了分析。
2。理论
2.1。支持向量机(SVM)
支持向量机是基于统计学习理论的机器学习方法和结构风险最小化原则。给定两个类别样本集(;;),是样品的数量。最优超平面分离获得的数据可以如下优化问题的解决方案(15,16]: 在哪里权向量,是标量,松弛变量,是错误的惩罚。
双二次优化描述可以通过将Kuhn-Tucker条件的问题转化为等价的拉格朗日对偶问题: 在哪里是拉格朗日系数,它必须满足以下方程:
支持向量的样本满足方程在非零的时候。它表明,样品的边缘分布对于分类至关重要。这将导致最优分类决策函数: 在哪里支持向量的个数。
在线性不可分的条件,样品(;;)在输入空间映射到高维空间在最优分类面可以通过非线性映射建立。非线性映射通常是很难得到解决,而内核函数会议Mercer条件可以巧妙地解决这个问题。内核函数描述如下:
常见的内核函数包括线性核函数,保利内核函数,径向基函数(RBF)内核函数,和乙状结肠内核函数。
传统的支持向量机最初是为二元分类问题而设计的。然而,许多multiclassification故障诊断领域的实际问题。现在一些有效的多类支持向量机,提出了包括“one-against-one”,“one-against-all”,有向无环图(DAG),等等(15]。许等人给这些方法的比较,并指出“one-against-one”方法比其他方法更适合实际应用(17,18]。
2.2。时域特征
当旋转机械的运行条件偏离正常的条件下,振动信号的时域统计特性将不同于正常状态。此外,时域统计特性也将是不同的在不同的缺陷模型。因此,时域统计包含丰富的缺陷信息,他们可以作为敏感字符应用于旋转机械的故障诊断。本研究中使用的时域统计特征如表所示1。
2.3。多传感器信息融合模型
多传感器信息融合的模型是用于研究和图所示1。相同的字符提取不同的传感器构成一个多维向量和支持向量机用于模式识别。十二个不同的时域特性进行了分析。
3所示。案例研究
3.1。数据采集
实验进行了机械故障模拟器(MFS)从SpectraQuest, Inc .,如图2。它可以模拟大多数通常发生在旋转机械的故障,如转子身体缺陷,变速箱轴承缺陷,缺陷。轴转速是通过激光测速仪。加速度信号收集使用Dewetron 16通道数据采集系统,IMI 608 a11加速度计。
(一)前视图
(b)的观点
在滚动轴承故障诊断的振动测试实验,仿真器由一个电动机,联轴器,测试滚子轴承安装在左边附近的轴电机,工作辊轴承另一方面,轴承载荷和轴。MFS提供了一种滚动轴承故障设备组成的一个正常,一个内在缺陷,一个外环缺陷,一个与球的缺陷,一个组合的缺陷进行实验,研究轴承故障诊断。采集频率10 kHz。传感器布局示意图如图2(一个)共有8个传感器来使用。
在齿轮故障诊断、振动测试实验的驱动电机通过bearing-rotor系统传递到齿轮箱和皮带。齿轮箱与滚动轴承由两级平行轴,螺旋齿轮,和一个电磁制动器。齿轮箱传动的简化图如图3,在那里是测试装置。MFS提供了齿轮故障设备组成的一个正常,一个碎裂的牙齿,一个缺失的牙齿进行实验,研究齿轮故障诊断。收购频率是20 kHz。传感器布局示意图如图2 (b)共有8个传感器来使用。
在振动测试实验转子裂纹故障诊断,转子-轴承系统是由电动机驱动的。为了模拟裂纹的扩展,裂纹故障被引入到测试转子通过放电加工。0.12毫米的缺陷与裂缝宽度和裂缝深度的3毫米表示轻微的缺陷,而裂缝宽度的0.12毫米和5毫米表示严重的裂纹深度缺陷。采集频率10 kHz。传感器布局示意图如图2(一个)总共4传感器来使用。
3.2。故障诊断装置
齿轮箱振动信号与三个断层模型包括正常,牙齿脱落,和缺失的牙齿进行分析。从8个传感器(一定的时域特性计算来)组成的八维向量作为故障样本。一百一十年每个模型的故障样本,共三百三十个样本,用来构成故障样本集。六十每个模型的故障样本,共一百八十个样本,随机选择训练样本和其他人作为测试样本。十二个时域统计分析。
libsvm -垫2.9是选择支持向量机计算。LibSVM是由林Chih-Jen来自台湾19]。这是一个简单易用的支持向量机分类的工具。RBF核函数作为核函数如下所示: 交叉验证结合网络搜索方法用于搜索的最佳参数:错误的惩罚支持向量机和RFB。One-against-one multiclassification选择模式识别。齿轮通过使用不同的时域特性的诊断结果表中列出2。
它可以从表中找到2诊断精度最高的93.33%通过使用峰值因子作为齿轮故障诊断的特征构成熔解的向量。灵敏度的特性可以被诊断的准确性表示当使用相同的SVM分类器,所以,峰值因素是最敏感的特性识别齿轮缺陷的十二个时域特性,其次是振幅平方,根振幅,意思是,均方根,标准差和峰值。诊断精度都在80%以上通过使用这些功能。偏态、峰态波形因子、和保证金因子相对不太敏感。诊断准确性使用这些特性都是在70%以下。
它还可以从表中找到2正常的准确性测试样品通过使用任何特性都是在90%以上。在分析过程中,我们还发现,样品的缺陷与缺失牙齿的牙齿和缺陷分类错误是很容易,但缺陷样本很少错误地视为正常样本,因此可以推断齿轮总是容易区分正常和缺陷。
为了与单传感器对齿轮故障诊断,需要8特性从一个传感器组成的八维向量作为故障样本。八个特性峰值因子,振幅平方,根振幅,意思是,均方根,标准差,巅峰,和脉冲因素识别齿轮缺陷的前八敏感特性选择上面的分析结果的基础上。为了避免不同的数量级差异特性,归一化特征向量输入支持向量机前处理。事实上,在拟议中的多传感器信息分析,故障样本从多传感器是由相同的特性,所以数量级的差别是不存在的,不需要归一化特征向量。传感器来进行了分析。齿轮通过使用不同的单一传感器的诊断结果表中列出3。
比较表2和3,可以发现,有较高的诊断准确性利用多传感器信息融合方法比使用单一传感器方法作为一个整体。
3.3。滚动轴承的故障诊断案例
滚动轴承的振动信号与四个故障模型包括正常,内部缺陷,外环缺陷,和球缺陷进行分析。从8个传感器(一定的时域特性计算来)组成的八维向量作为故障样本。一百一十年每个模型的故障样本,共四百四十个样本,用来构成故障样本集。50每个模型的故障样本,共二百个样本,随机选择训练样本和其他人作为测试样本。十二个时域统计分析。
libsvm -垫2.9是选择支持向量机计算。高斯核函数和核函数选择。交叉验证结合网络搜索方法用于搜索参数和。One-against-one multiclassification选择模式识别。滚动轴承的诊断结果通过使用不同的时域特性表中列出4。
它可以从表中找到4,振幅平方平均均方根,根幅值和标准差是前五个敏感特性识别滚动轴承缺陷。诊断精度在使用这些特性都是100%。比较表4和2,可以发现,有一个更高的诊断滚动轴承故障诊断的准确性比齿轮故障诊断提出的信息融合方法。主要原因在于,从滚动轴承的缺陷位置传感器安装位置较短,比从简单的缺陷位置。
为了与单一传感器对滚动轴承故障诊断,需要8特性从一个传感器组成的八维向量作为故障样本。八个特性是意思是,振幅平方,均方根,根幅值,标准差,峰,峰态,和波形因子识别滚动轴承缺陷的前八敏感特性选择上面的分析结果的基础上。为了避免不同的数量级差异特性,归一化特征向量输入支持向量机前处理。传感器来进行了分析。滚动轴承的诊断结果通过使用不同的单一传感器表中列出5。
比较表4和5,可以发现,有较高的诊断准确性利用多传感器信息融合方法比使用单一传感器方法作为一个整体。
3.4。故障诊断转子裂纹
振动信号的转子裂纹三种断层模型包括正常,3毫米的裂纹深度,裂纹深度5毫米被进行分析。一定的时域特性计算从四个传感器(来)构成四维向量作为故障样本。一百年每个模型的故障样本,共三百个样本,用来构成故障样本集。50每个模型的故障样本,共一百五十个样本,随机选择训练样本和其他人作为测试样本。十二个时域统计分析。
libsvm -垫2.9是选择支持向量机计算。高斯核函数和核函数选择。交叉验证结合网络搜索方法用于搜索参数和。One-against-one multiclassification选择模式识别。齿轮通过使用不同的时域特性的诊断结果表中列出6。
它可以从表中找到5,振幅平方平均均方根,根幅值和标准差是前五个敏感特性识别转子裂纹缺陷。诊断精度在使用这些特性都是90%。结果类似于滚动轴承的故障诊断案例。
4所示。结论
摘要特性提出了信息融合方法,所有的特性都是计算使用振动数据在时间域构成熔解的向量和支持向量机用于分类。只有一个振动测试系统需要收集的原始信号在这种方法中,所以这个过程更简单。测试该方法的有效性与齿轮、滚动轴承、转子裂纹故障诊断。敏感的十二时域特性在每个案例研究讨论。分析结果表明,最大的因素是最敏感的特性在十二时域特性识别齿轮缺陷,但它不是非常敏感的识别滚动轴承和转子裂纹缺陷。均方根平均振幅平方,根幅、识别装置和标准差都是敏感,滚动轴承,转子裂纹缺陷相对。
本文讨论的功能使用和都在时间域;然而,在频域特性也可用于旋转机械故障诊断和情感特征的识别滚动轴承,齿轮,转子缺陷在未来也值得研究。
利益冲突
作者宣称没有利益冲突有关的出版。
确认
这项工作是由中国国家自然科学基金(51105138和51105138),国家高技术研究发展计划项目(2012 aa041805)预研项目(813040302),湖南省CEEUSRO特别计划(2010 xk6066),和援助项目科技创新研究团队在湖南省高等教育机构。