两级信息融合技术在柴油机故障诊断中的应用
- 格式：pdf
- 大小：268.01 KB
- 文档页数：5
2010年2月第24卷第1期装甲兵工程学院学报Journ al ofA cade m y ofA r m ored Force Engi n eeri ngFeb .2010Vo.l 24No .1文章编号:167221497(2010)0120034205两级信息融合技术在柴油机故障诊断中的应用司爱威1,冯辅周1,朱栋栋1,肖云魁2,翁建华3(1.装甲兵工程学院机械工程系,北京100072;2.军事交通学院汽车工程系,天津300161;3171998部队,河南信阳464194)摘 要:针对传统神经网络在故障诊断中因测点信息多而导致的网络庞大、收敛困难等问题,引入集成神经网络,提高了融合诊断效率;同时引入基于D 2S 证据理论,这种决策融合方法解决了集成神经网络各个子网诊断结果不一致的问题。
在应用于柴油机故障诊断时,首先对测取的正常和故障样本进行小波包AR 谱分析,同时提取各个特征频带的能量分别作为集成神经网络对应子网的输入进行诊断,当其无法确定诊断结果时,再运用证据理论进行决策融合输出最终诊断结果。
试验证明:基于集成神经网络和D 2S 证据理论的两级综合诊断模型提高了诊断的准确性和可靠性。
关键词:集成神经网络;证据理论;柴油机;故障诊断中图分类号:TP183;TK428 文献标志码:AApp lication of Two 2level Inform a ti on Fusion Technologyin the D iesel Engi n eM a lfun ction s D iagnosisSI A i 2we i 1,FENG Fu 2z hou 1,Z HU Dong 2dong 1,X I A O Yun 2ku i 2,WONG Jian 2hua3(1.D epart m en t ofM ech an i cal Engineeri ng ,A cade m y ofA r m ored Force Engi n eeri ng ,Beiji ng 100072,Ch i na ;2.Dep art m en t of Auto m ob il e Engi n eeri ng ,A cade m y ofM ilit ary Tran s port ati on,T ian ji n 300161,Ch ina ;3.T roop No .71998of PLA,X i nyang 464194,Ch i n a)Abstr act :A i m ing at the disadvantages of the net be i n g huge in the resu lt of toomuch testi n g poi n t inf or 2mati o n and convergi n g be i n g d ifficu lt of the traditi o na l neura l ne t w ork ,t h is paper proposes the co mpositeneura lnet w or k to enhance the effic iency of f usion d iagnosis .A t the sa me ti m e ,th is paper proposes the D 2S evidence theorywhich is a dec ision 2mak i n g f usion method to solve the prob le m of i n consistent d i a gnosis resu lt f ro m each subne.t In the app li c ation of diese l engi n e malf uncti o n diagnosis ,firstl y t h e wave l e tpacket AR model spectrum is applied to pick up the characteristic f requency strip energy of nor m a l and f ault sa mples ,and these characteristic para meters are put i n to the subnet of the co mposite neura lnet w or k to diagnosis the f au lts .If the neura l net w ork cannot con fir m the diagnosis resul,t the evidence theory is app li e d to take decision 2making f usion and output the fina ld iagnosis resul.t The experi m ent i n dica tes tha t the t w o 2level synthesismodel of i n tegrati n g the co mposite neura lnet w or k and the D 2S evidence theor y can enhance the accuracy and t h e stab ility of d i a gnosis eff ecti v e l y .K ey w ord s :i n tegrated neural net w or k;evidence theory ;d iese l engi n e ;m alf unction d iagnosis 收稿日期:2009209208基金项目:军队科研计划项目作者简介:司爱威(1984-),男,博士研究生。
信息融合可分为3个级别:数据级融合、特征级融合和决策级融合[1]。
神经网络故障诊断方法属于特征级融合中的特征输入/决策输出过程。
而D 2S 证据理论是通过对同一识别框架上的各证据体进行融合推理,最终形成决策结果,所以D 2S 证据理论属于决策级融合中的决策输入/决策输出过程。
近第1期司爱威,等:两级信息融合技术在柴油机故障诊断中的应用年来,这2种信息融合方法在故障诊断领域都有了较广泛的应用。
然而神经网络单个子网泛化能力差、诊断精度不高,而证据理论证据获取困难等问题直接影响了其诊断效果和应用范围。
基于此,笔者建立了基于集成神经网络和D 2S 证据理论的两级综合诊断模型。
该方法实现了2种信息融合方法的优势互补,提高了诊断的准确性和可靠性,并在柴油机故障诊断中收到了很好的效果。
1 特征级信息融合技术特征级融合属于中间层次的融合,先由每个传感器抽象出自己的特征向量,融合中心完成的是特征向量的融合处理。
特征级融合处理的结构如图1所示。
图1 特征级融合示意图DBD (De lta 2Bar 2Delta )算法由Jacobs R A 于1988年提出[2]。
Jacobs 认为,对于较复杂的网络,误差曲面在不同方向上的斜度不同,在误差曲面的不同部位需要不同的学习速率,因此应该对每个权值计算自己不同时刻的学习率,这就是DBD 算法。
但在实际应用中,输入输出信号节点往往较多,网络规模较大,使用传统的DBD 算法仍然不易收敛。
因此,为了提高收敛速度,在DB D 算法的基础上,作者结合遗传算法通过交换网络梯度信息、修改学习率增量因子和修改作用函数等方法提出了改进算法[3]。
与标准的BP 算法和传统DBD 算法相比,改进的DBD 算法具有收敛速度快、训练参数不太敏感和鲁棒性好的特点。
然而,神经网络在实际应用中,也存在着网络结构过于庞大、训练时间长和泛化能力差等不足,并且当添加新样本时,必须对整个网络重新训练[4]。
为了克服这些不足,可以把整个故障特征参数空间和整个故障空间分别分解为若干个子参数空间和子故障空间,然后针对每一对参数子空间和故障子空间设计各自的神经网络,各子网络分别完成各自的特征参数子空间到故障子空间映射关系,这就是集成神经网络的概念。
采用集成神经网络可有效提高故障诊断的速度和精度[5]。
通过引入集成神经网络将大神经网络分解为多个子网络,每个子网的输入对应一个信息采集点经特征提取过的数据,各个子网对特征数据融合后即输出该子网的诊断结果,这些结果或许相同,或许相差较大。
在这种情况下就可以用下述的D 2S 证据理论,把每个子网的诊断结果看成是一个证据体进行决策融合,得到最终诊断结果。
2 决策级信息融合技术决策级融合是一种高层次的融合,先由每个传感器基于自己的数据作出决策,然后在融合中心完成的是局部决策的融合处理。
决策级融合处理的结构如图2所示。
图2 决策级融合示意图应用D 2S 证据理论进行推理是目前决策层融合中最常用的一种方法,在区分不确定以及精确反映证据收集过程等方面显示了很大的灵活性。
D 2S 证据理论最突出的特点是它能够很好地表示未知信息的程度。
图3直观地给出了D 2S 证据理论对信息的不确定性(u (()=Pls(A )-Bel (A ),Bel (A )表示信任度,Pls(A)表示似然度)表示。
图3 证据理论的信任区间示意图3 两级融合诊断模型笔者利用集成神经网络的概念,先用每个子网进行特征级融合诊断,在各个诊断结果完全一致的情况下,直接输出诊断结果。
如果有一个子网络与35装甲兵工程学院学报第24卷其他子网络的识别结果存在分歧,则对子网络的识别结果再进一步进行决策级融合,即利用D 2S 证据理论,融合各子网的决策信息,进而获得精确的诊断结果。
本文建立的两级融合诊断模型的结构如图4所示。
图4 两级融合诊断模型的结构特征诊断层由若干个并行的神经网络构成,子网的输入为经过特征提取后的实时数据,输出为诊断系统的故障空间。
决策诊断层是采用D 2S 证据理论推理方法,通过对同一识别框架上的各证据体进行融合推理,最终形成决策结果。
作用到框架上的证据体由特征诊断层输出结果组成。
4 柴油机故障诊断实例4.1 故障参数设置柴油机机械系统的常见故障类型较多,这里仅选取本文实验时所设定的故障作为例子,来讨论两级融合模型在柴油机异响故障诊断中的应用。
本论文选取的诊断对象为东风EQ2102汽车柴油机的机械运动副,包含5种技术状态,其配合参数设置如表1所示。
4.2 振动加速度信号的采集在发动机加速或减速过程中,其故障现象表现更明显,这是汽车维修专家形成的共识,即在非稳态运转条件下的部件,会产生更强烈的激励,更易于判别其故障状态[6]。
为了能捕捉到载有发动机曲轴轴承明显特征的表1 东风EQ2102汽车柴油机故障参数设置编号技术状态曲轴轴承配合间隙/m m 连杆轴承配合间隙/mm状态F 1正常状态0.080.07状态F 2曲轴轴承异响(轻微)0.200.07状态F 3曲轴轴承异响(严重)0.400.07状态F 4连杆轴承异响(轻微)0.080.20状态F 5连杆轴承异响(严重)0.080.40振动信号,需要记录加速过程中某一转速范围内、某特定部位的振动信号。
