多传感信息融合在液压故障诊断中的应用.pdf

Hv d r a u l i c s P n e u ma t i c s S e a l s ， NO ． 6 ． 2 0 1 2 多传感信息融合在液压 故障诊断中的应用 雒 明哲 。 张旭婧 1 ． 南水北调中线干线工程建设管理局 河北直管项 目建设管理部 ， 河北 石家庄0 5 0 0 3 5 ； 2 ． 太原科技大学 电子信息工程学院， 山西 太原0 3 0 0 2 4 摘要 针对恶 劣工作环境下多传感信息融合 识别 效果 差和 D S证据理论 中证据难获取的问题 ， 在组建 有效 的传感器 网络 的基础上 ， 结合改进 的 J D L模型并根据数据融合分级处理思想 ， 数据层采用 自适应加权最小平方估计法对数据进行清洗和特征提取 ， 特征层通过 多并行 I X 3 0 一 H o p fi e l d网络的联想记忆功能进行局部诊 断 ， 决策层根据修正的 D S证据理论进行时 空域 融合 ， 并且 每级 和最终诊断之 间都有直接数据通信和反馈 ， 使得知识库信息能为数据挖掘进行 知识发现作必要的数据储备 。通过仿真结果可知 该数据融合系统容 错性强 、 能综合利用传感器信息并准确定位故 障。 关键词 P S O H o e l d神经网络； 修正的 D S证据理论 ； 故障诊断 ； 多传感信息融合 中图分类号 T H1 3 7 ； rI ’P 1 8 1 文献标 识码 A 文章编号 1 0 0 8 0 8 1 3 2 0 1 2 O 6 0 0 0 9 0 4 M u l ti s e n s o r I n f o r ma t i o n F u s i o n i n Hy d r a u l i c S y s t e m F a i l u r e D i a g no s i s L U O Mi n g - z h e ， Z H A N G X u - j ， f 1 ． C o n s t r u c t i o n a n d Ad mi n i s t r a t i o n B u r e a u o f S o u t h t o n o r t h Wa t e r Di v e r s i o n Mi d d l e R o u t e P r o j e c t He b e i Mi n i s t r y o f S t r a i g h t P i p e ， S h i a z h u a n g 0 5 0 0 3 5 ， C h i n a ； 2 ． T a i y u a n U n i v e r s i t y o f S c i e n c e a n d T e c h n o l o g y ， T a i y u a n 0 3 0 0 2 4 ， C h i n a Ab s t r a c t A mo d i fi e d mu h i s e n s o r i nfo r mati o n fi s i o n me t h o d f o r h y d r a u l i c f a u l t d i a g n o s i n g s y s t e m i s p r o p o s e d i n t h i s p a p e r ．Co mb i n i n g wi t h t h e i mp r o v e d J DL d a t a f u s i o n mo d e l a n d t h e h i e r a r c h i c al p roc e s s i n g i d e a ， i t c a n s o l v e s o me d i f fi c u l t f a u l t d i a g n o s i s p r o b l e ms o f h y d r a u l i c s y s t e m． T h e a d a p t i v e we i g h t e d l e a s t s q u a r e s e s t i ma t i o n me tho d i s u s e d t o c l e a n t h e d a t a a n d e x t r a c t t h e f e a t u r e i n d a t a l a y e r ． Th e mu l t i - p a r a l l e l P S O P a r t i c l e s w a r m o p t i mi z a t i o n - H o p f i e l d n e u r a l n e t w o r k i s a p p l i e d i n f e a t u r e l e v e l fo r l o c a l d i a g n o s i s ．Wh e n t h e t i me- a i r s p a c e i n t e g r a t i o n ， t h e r e i s a d i r e c t d a t a c o mmu n i c a t i o n a n d f e e d b a c k b e t w e e n e a c h l e v e l b a s e d o n mo d i fi e d D- S D e m p s t e r - S h a f e r e v i d e n c e t h e o r y i n d e c i s i o n m a k i n g l e v e 1 ．Th e fi n a l d i a g n o s i s h a s a d i r e c t d a t a c o mm u n i c a t i o n a n d f e e d b a c k b e t w e e n e a c h l e v e l ， a n d i t c a n ma k e s t h e i n f o r ma t i o n o f e a c h l e v e l b a s e d o n d a t a mi n i n g a s s o o n a s p o s s i b l e ．Ex p e r i me n t a l r e s u l t s s h o w tha t t h e me tho d i n c o n fl i c t e d e v i d e n c e h as h i g h c o r r e c t r a t e a n d c a n a v o i d i n d e x e x p l o s i o n a n d fi x e d t h e f a u l t e x a c t l y ． Ke y wo r d s P S O- Ho p fi e l d ANN； mod i fi e d D- S e v i d e n c e the o r y； f a i l u r e d i a g n o s i s ； mu l t i - s e n s o r i n f o r ma t i o n f u s i o n O 引言 对液压系统进行故障诊断时，由于其结构 的复杂 性 、 工况的多样性和单一传感器信息的局限性 ， 使得对 多源信息进行数据融合更适合液压系统 的故 障诊断 。 将不同时刻的多源传感器信息进行综合分析 ，再考虑 专家知识 、 系统结构和设备性能等加以决策 ， 达到改善 识别精度 、 减少证据不确定性的 目的 ， 从而真实地反应 收稿 日期 2 0 1 1 - 1 2 1 6 作者简介 雒明哲 1 9 8 5 一 ， 男 ， 河北承德人 ， 助理工程师 ， 学 士， 主要 负责 南水北调 中线工程 自动化技术工作 。 设备的运行情况。 目前 ，数据融合的研究大多侧重于非同源信息的 特征层融合 。对 同源信息的数据层融合则没有给出明 确的阐述【 “ 。 往往信息的预处理和同源信息融合是后两 级的前提和基础 ，因此也需要对同源信息进行精细处 理。文中根据测点位置组建有效的传感器网络 ， 采用三 级融合方法结合改进的 J D L模型 ，构建了一种适用于 液压系统的多层次故障诊断模型。 1 数据融合诊断系统模型 数据融合 的典型应用系统是 C 。 I 系统 ，但是液压 q 液 压 气 动 与 密 封 ／ 2 0 1 2年 第 6期 故障诊断系统中的故障模式和故障征兆是多对多的形 式 ，远 比 C 3 I 系统中的空间坐标 、速率等特征复杂的 多。为了综合利用多传感信息 ， 必须建立适 当的体系 结构 。 众多信息融合系统功能模型中。 最典型的是 J D L 模 型， 注重推理层次 ， 融合步骤清晰， 但功能层次划分 较粗 ， 主要 工作量集 中在数据层 的融合 ， 且 无资源管 理及反馈控制。而改进的 J D L模 型扩展为四级 ． 数据 级 像 素级 ， 特征级 ， 决策级 ， 多 了人机交互和反馈环 节 。文中根据改进的 J D L模型并结合工程车辆液压系 统实际结构设计 了一种数据融合诊断系统 ， 系统结构 如 图 l 所 示 r ．{ 局 部 A N N 卜 融 合 数 m 2 A i - - f修 正 的 ]謇- 据 关一 - L D ’。s 决 策广 校． 联 结果 知 准 识 源 估 库 清 计 洗 【 与 阈 值 比 较 卜 特征级融合 图 1 系统 结 构 框 图 1 ． 1 数据层 融 合模块 数 据级融 合 的主要功 能是 对信 息源数 据校 准 、 清洗 、 关 联和估计并完成对异类传感 器的特征提取 ， 数据 级融合输 出两 路信 号 ，一路信号初步融合 后可 直接 与决策层 阈值作 比较 ， 粗 略决策 ； 另一路信号经 过 特征提取后作为特征 层的输入 ，继续进行 下一层 次的融合 。 由于该 系统使用异类多传感器进行多点监测 ， 数 据量纲不同，数值大小相差甚远 ，各参量之间无可比 性 ， 因此首先要进行数据的校准。根据适用于故障诊断 ， 一， 数据的标准化方法 距离标准化法 I‘ 进行数据 ’ ． k 校准，其中 为属性 k的平均值 ， | s 为属性 k在正常运 作时的平均绝对偏差。 在部署传感器 网络时 ， 为保证节点信息的准确性 ， 获得每类传感器一组一致性数据后进行分批估计 ， 对 校准后 的数据采用 自适应加权算法处理后 的数据做最 小平方估计。 这里用置 i i i ， ⋯ i 表示采用 自适应加权后的融合值 ，再进行最小平方估计 ，得到 ； A ～ A ， ； 则为最能反映故障征兆信息真实值 ， 其中A ， ， ⋯a n 为特征模糊关系矩阵。 1 0 1 ． 2特征 层 融合模块 特征层融合属于中层融合 ，其主要功能是进行局 部诊断将结果直接输出并为决策级融合提供基本概率 分配。在现实工况中， 很难准确找到设备故障和征兆之 间的对应关系 ， 而且故障间具有交叉性 、 模糊性 。 征兆 和故障之间通常是多对多的形式。而人工神经网络不 依赖于这些模式 ， 通过征兆数据 的学习， 完成征兆空间 到故障空间的非线性映射。 文中选用多并行 H o p fi e l d神经网络 ，根据不 同故 障元件和与其相应的征兆向量构造多个并行的神经网 络， 将高维征兆空间分解成低维信息， 输入到各 自的网 络 中， 降低了网络的复杂度。根据其联想记忆功能对大 量征兆数据与知识库 中有效数据进行联想记忆 ，提高 诊断准确度。但是其稳定状态分析要 比前馈网络复杂 的多 ， 且 N e w h o p的设计并不完美 ， 常存在一些伪平衡 点 ， 因此选择一种合理的优化算法对网络进行优化 。粒 子群算法 P S O 算法简洁、 易于实现 、 参数调整少 ， 是解 决非线性连续优化 、组合 问题和混合整数非线性优化 问题的有效工具。将 P S O算法和 H o p fi e l d网络算法相 结合是提高 H o p fi e l d网络全局收敛 的一个有 效途径 。 粒子群算法中． 设 k l k k k k k k k i d id c l x r a n d l x p b e s t id id c 2 x r a n d 2 e s t i d i d 1 k l k k id id i d 2 式中 粒子 i 在第 k次迭代 中第 d维的速度 ； 粒子 在第 k次迭代中第 d维的当前位置； p b e s t 粒子 在第 d维的个体极点位置 ； e s t i 粒子 i 在第 d 维全局极点位置。 假设 为 H o p fi e l d网络的一个稳定状态 。则满足 ．厂 ， 其 中的 即是 网络的权值矩 阵 ， P S O H神 经网络 中的适应度 函数可 以选择fit s s O 一 ， 只要 fi t ． s s O 的值等于零就表示状态 已经 是网络的 稳定 状 态 。 1 ． 3 决策层融合模块 D S证据理论具有很强的处理不确定性信息的能 力， 在决策级融合上具有领先优势。但是 当证据冲突时 D e m p s t e r 组合规则失效 的问题是 困扰 D S 证据理论广 为应用的主要原因。 基本的 D S证据理论知识在很多文献 中都有详细 Hv d r a u l i c s P n e u ma t i c s S e a l s ， NO ． 6 ． 2 01 2 介绍， 此处不再赘述 。本文考虑子集元素问的相交测度 和证据体问的距离来修正冲突因子 K。根据 J o u s s e l me 距离函数嘲 ， 得出证据间的距离具体计算的方法为 d ii 、 ／ II m i Il Il lI 一 2 m i ，m j ， m i ，m j 为 两 个 2 n 向 量的内 积， 其中 m i ， m j ∑∑m i 。 m i A 斗 。 新 的 冲 突 因 子 K 更 新 步 骤 如 下 1 计算原始冲突系数 K 与距离 d i i ， 并计算新 的 冲突系数 K ； 2 根据相交测度来计算证据间的折扣 ， 定义新 的 信任系数 0 ； 3 再用经典 D e m p s t e r 组合规则进行组合 ； 4 根据信任系数修正融合结果 m C m C ； 5 再和下一组证据体进行融合 ， 如此循环 ； 6 根据基本概率赋值 ， 选择基于规则 的决策方法 进行 最后 决策 。 2 实例分析 2 ． 1 液压 系统故障综合分析 文 中以某型掘进机液压系统为研究对象 ，其主要 由油泵 、 油箱 、 卸荷阀 主 、 副 、 滤油器 、 液压马达绞盘 、 油缸和管系等组成 。在其众多工作 回路中， 供油回路最 为特殊 ，它是与其他几个 回路协同工作 ，故障较为复 杂 ，因此本文以供油 回路为例 ，以元件故障为中间事 件 ， 向下分析故障成因 ， 向上分析故障对系统产生的影 响。故障分类层次分析如图 2所示 。 供油回路 供油 压力 、 l I压力油流量 l 油 压、 流 流 量不足 J J 足、 压力不足J J量不足 油 箱 液 面 太 低 液 压 油 不 足 、 系 统 漏 油 过 滤 器 堵 油 液 太 脏 、 有 异 物 泄 露 一 内 泄 、 外 泄 泵 体 裂 缝 或 密 封 不 ⅡE 发 动 机 转 速 低 图 2液压系统供油 回路故障分类层次 2 ． 2分级故障诊断仿真及分析 数据级融合中 ， 对同源数据进行 自适应加权处理 ， 与知识库中正常数据进行 比较 、 估计和关联 ， 并完成对 所有数据 的校准和清洗为下一级融合做准备 。特征级 融合中 ，根据图 2可以看出供油回路的故障模式与故 障成 因是多对 多的形式 ， 其故障元件集 故障集 ， 网络 输出 y y 。 ， Y z ， Y s ， Y 4 ， Y ， Y 6 ， 分别为油箱故障 ， 过滤器 故障 。 双联齿轮泵故障 ， 卸荷 阀故障 ， 管路故障和液压 油出现故 障。其故 障成 因 征兆集 ， 网络输入 主要有 ． ， ， ， ， 分别为压力不足 ， 油温过高 ， 流量不足 。 根据数据层对原始数据进行数据约简后 ，根据其不 同 属性组成各 自独立的神经 网络 ，神经 网络的节点数均 为 3 8 3 。 其 中必要属性训练样本集与对应的故障如表 1 所 示 。 表 1 训练样本集与对应的故障集 给定一组测试向量 相当于故障信号 对网络进行 训练 { 0 ． 1 0 ． 5 0 ． 8 0 ． 1 0 ． 7 0 ． 4 0 ． 5 1 A i l 0 ．2 0 ．8 0 ．9 0 ． 8 0 ．9 0 ． 2 0 ． 1 I l 0 ． 3 0 ． 9 0 ． 7 0 ． 7 0 ． 8 0 ． 5 0 ． 3 J 利用文中 P S O H o p fi e l d网络进行局部诊断 ，篇幅 所限，只给 出神经 网络 1在整个学习训练过程中收敛 情况及未进行优化的 H o p fi e l d网络收敛情况 ，如图 3 、 图 4所示 。图 3中网络 目标误差为 0 ． 0 0 1 ， 训练之后的 网络误差为 0 ． 0 0 09 7 1 2 8 9 ，也即达到了既定 目标误差 。 可见该 网络学习时误差收敛很快 ，且能达到设定的误 差阈值 0 ． 0 0 5 。 权值随机初始化后， 迭代步数设定为 2 0 0 步 ，很快 得到全 局最佳 极值 为最后 的优 化极值 为 Re s ul t 1 ． 6 72 5。 把局部诊 断结果归一化后作 为相关证据 并建立 证据 推理模型 。样本 的网络训练误差作 为不确定 因 素 ， 归一化后 的局部诊断结果作 为各焦元的基本概率 液 压 气 动 与 密 封 ／ 2 01 2年 第 6期 值。 计算公式为 m Ai 。 其 中 Ai 为故障模式 ； y A； 为P S O Ho p fi e l 网络 的局部诊 断结果 。式 中 ．s ∑y A E ， E i ∑ ￡ 一 ， ， E i 为 该网络的 样本 f 1 误差 ， t ， Y 分别为 网络的期望输出值和实际输出值 。 将 网络 1中测试样本的实际输出。归一化后用文 中修 正的 D S证据理论进行两两时空域数据融合 ， 其中故 障即完备识别框架 Dl ， 0 2 ， 0 3 ， 0 ， O ， 0 ， 0 } ， 0 为全集 ， 表 2为各周期 内传感器信息融合的基本概率 分 配 。 0 2 ＼ 、 婚 窭 昌 、 、 、 ＼／ l J 练过程 一 ＼ 一 目 标 ＼ ／、 、 ～ 训练步数／步 图 3神经 网络收敛情况 4 5 0 ．4 3 5 O 3 2 5 O2 l 5 0 1 0 5 0 0 4 0 0 8 。 2 8 4 0 o 迭代次数／次 图 4 网络收敛情况及 p s o寻优过程 表 2各传感器基本概 率分配 进 行 周 期 之 间 的融 合 R e s u l t f 0 ． 9 4 1 0 ， 0 ． 0 5 1 4 ， 0 ． 0 0 1 7 ， 0 ． 0 0 00 ， 0 ． 0 0 60 ， 0 ． 0 0 00 ， 0 } ， 并根据基于规则的 决策方法进行决策 ， 取 8 ， 、 ￡ 都为 0 ． 1 ， 决策结果为 T y p e 液压泵故障。 同时对第一周期测量结果按照经典 D e mp s t e r 组合 规则时 ， 当其证据组合情况不一致时 ， 比如按照 m． ， m． m2 ， m m ， 这 3 种组合方式， 通过仿真， 结果是 m O 均为零 ， 此结果表示 m ， m 2 ， m 这 3种证据体对故障 0 。 均无影响 ． 也即出现了否决情况 ， 无论 以后有多少支持 1 2 的证据 0 。 ， m O。 的结果始终为零 ， 并且 m U 的值一 直在增大 ， 即未知情况概率分配在增大。未知情况概率 越大 ， 对故障的实时准确诊断率也越低。说明经典组合 规则在此处 不同证据组合方式 已失效。 3 结论 本文提 出了带 有反馈环节 的分级数 据融合诊 断 系统 ，对 同源信息和非 同源信息分别进行 分层次 的 融合 ， 通 过实验仿真 ， 得 出联合 P S O Ho p fi e l d神经 网 络 和修 正 的 D S证 据 理论 的综 合 融合 算 法容 错性 强 ， 能综合利用传感器信息和准确定位故障。并且诊 断结果及 已有数据与知识库数 据进 行反馈 ，对下一 步按照一定 的数据挖掘算法发 现潜在的知识 做 了有 利准备。 参考 文 献 [ 1 】 J o u s s e l me A L ， G r e n i e r D ， B o s s e E ． A N e w D i s t a n c e B e r w e e n T w o B o d i e s o f E v i d e n c e f J 】 ． I n f o r m a t i o n F u s i o n ， 2 0 0 1 。 1 ． 【 2 】 何 友 ， 王 国宏 ， 彭应宁 ， 等． 多传感 器信 息融合及 应用【 M 】 ． 北 京 电子工业出版社． 2 0 0 7 ． 【 3 】 李 长春， 刘晓东． 液压疲 劳试 验机数字控 制的实现【 j 】 ． 液 压气 动与密封， 2 0 0 4 ， 6 ． 『 4 】 蒋雯 ， 张安 ， 邓勇． 基于新的证据 冲突表示的信息融合方法研 究【 J ] ． 西北工业大学学报 ， 2 0 1 0 ， 1 ． [ 5 1 基于修改模 型的冲突证 据组合方法【 J 】 ． 上 海交通大学 学报 ， 2 0 0 6 ， 1 1 ． 【 6 】6 J o u s s e l me A L ， G r e n i e r D ， B o s s e E ． A N e w D i s t a n c e B e r w e e n T w o B o d i e s o f E v i d e n c e [ J 1 ． I n f o rma t i o n F u s i o n ， 2 0 0 1 ， 1 ． 【 7 】 朱泓 ， 等． 基于 D e m p s t e r S h a f e r 证 据理论的信息融合在设 备 故 障诊断 中应用[ J ] ． 大连理工大学学报， 2 0 0 3 ， 4 ． 【 8 】 韩虎， 等． 基于 MA T L AB液压系统的仿真技术研 究与应用[ J ] ． 液压气动与密封， 2 0 0 7 ， 3 ． [ 9 J9 D o n g Z e n g s h o u ， Z h a n g X u j i n g ， Mo d i fi e d D S e v i d e n t i a l t h e o r y i n h y d r a u l i c s y s t e m f a u l t d i a g n o s i s ’ ， 2 01 1 2 ND I n t e r n a t i o n a l C o nfe r e n c e o n I n n o v a t i v e Co mp u t i n g a n d C o mmu n i c a t i o n a n d 2 0 1 l As i aP a c i fi c C o n f e r e n c e o n I nfo rm a t i o n T e c h n o l o g y a n d Oc e a n E n g i n e e r i n g ， 2 0 1 1 ， 2 ． [ 1 0 】胡 增 荣 ． 液 压 系 统故 障分 析 及 处 理 『 J ] ． 液 压 气 动 与 密 封 ， 2 01 1 ， 8 ． 【 l 1 】 李 浩 ， 邱超凡． 数据融合技 术在液压 挖掘机质 量诊断 中的应 用[ J 】 ． 液压气 动与密封 ， 2 0 1 1 ， 9 ． 『 1 2 1柴令华， 陈小 虎， 毋文峰． 基于 D S证据理论 的液压泵故 障诊 断[ J ] ． 液压气 动与密封， 2 0 1 0 ， 1 o ． f 1 3 】张永娟， 等． 基于数据融合的流量式 泄漏检测温度补偿方法研 究【 J ] ． 液压与气动 ， 2 0 1 0 ， 1 O ．