基于證據(jù)理論和支持向量機的多傳感器融合在風機齒輪故障診斷中的應用

肖立健 謝源 王杰 金鵬飛

摘 要：針對單一傳感器只能采集風電機組齒輪箱的部分振動信息，故障診斷結(jié)果具有片面性，提出一種基于證據(jù)理論和支持向量機的多傳感器融合在風機齒輪故障診斷方法。首先運用單個傳感器采集齒輪箱各種狀態(tài)下的振動信息，用小波分析提取齒輪箱狀態(tài)特征；然后采用支持向量機對故障診斷特征進行訓練，構(gòu)建各類故障診斷子分類器；最后采用融合技術(shù)故障診斷子分類器的輸出結(jié)果進行融合，將所融合結(jié)果作為最終故障診斷結(jié)果。采用仿真實驗進行驗證。結(jié)果顯示，本文所提供的方法可以在很短時間內(nèi)得到較高的風力機齒輪箱故障診斷正確率，提高故障診斷精度和效率。

關鍵詞：故障診斷；小波分析；D-S證據(jù)理論；支持向量機

隨著社會的發(fā)展，風能的利用逐漸受到重視，齒輪箱作為風電機組中重要部分組成部分，對其故障診斷的研究也尤為重要[ 1 ]。風電機組機齒輪箱故障診斷方法目前主要采用單一信息進行工作狀態(tài)推斷，診斷結(jié)果具有一定單一性，因為風力機齒輪箱故障類型繁多，僅靠單一信息難免會出現(xiàn)誤判現(xiàn)象[ 2 ]。針對風電機組機齒輪箱單一故障信息量不足，利用信息融合技術(shù)[ 3 ]，本文提出一種多傳感器融合的風電機組齒輪箱故障診斷方法。對于單臺風電機組齒輪箱，采用單個傳感器采集狀態(tài)信息，并采用小波特征分析提取特征，然后用向量機對故障診斷特征進行訓練得到單一傳感器的訓練結(jié)果，最后將單一傳感器的訓練結(jié)果作為一個證據(jù)，采用DS證據(jù)理論對它們進行融合，得到采用風力機齒輪箱故障診斷的最終結(jié)果。

1 相關理論

1.1 小波特征提取[ 4 ]

（1）對采集所得信號進行 N 層小波正交分解并進行單支重構(gòu)，得到從第1層到第N層的共N個高頻小波重構(gòu)序列{d1，d2，…，dN}和第 N 層低頻小波重構(gòu)序列。

（2）求出高頻層小波重構(gòu)序列和第 N 層低頻小波重構(gòu)序列的能量。

（3）構(gòu)造特征向量。將各層小波能量構(gòu)成向量如下：

得到可以用于風電機組齒輪箱故障診斷的特征向量。

1.2 DS證據(jù)理論

由于不同的證據(jù)信息來源，于是一個復雜問題會產(chǎn)生多個基本概率分配函數(shù)。設是H上的兩個mass函數(shù)，則 DS的合成規(guī)則為：

為利用沖突信息，根據(jù)可信度把證據(jù)沖突概率按各命題的加權(quán)進行分配，因此風力發(fā)電機組故障融合診斷模型為：

2 基于DS-SVM的多傳感器融合的風電機組齒輪箱故障診斷

基于DS-SVM的多傳感器風電機組齒輪箱故障診斷具體步驟如下：

（1）首先采用單個傳感器采集齒輪箱工作時的振動信號。

（2）其次采用小波分析對振動信號進行分解，提取期能量特征并進行歸一化處理，得到齒輪箱故障診斷的特征向量值。

（3）然后采用各種核函數(shù)支持向量機對故障診斷特征值進行相應的訓練，構(gòu)建風電機組齒輪箱故障診斷子分類器，得到每一個傳感器的齒輪箱故障診斷結(jié)果。

（4）最后采用DS證據(jù)理論對故障診斷子分類器的輸出結(jié)果進行融合，將融合輸出作為風電機組齒輪箱最終故障結(jié)果。

基于DS-SVM的多傳感器風電機組齒輪箱故障診斷模型結(jié)構(gòu)如圖1所示。

3 仿真實驗

3.1 樣本數(shù)據(jù)

為了驗證 DS-SVM 的多傳感器風電機組齒輪箱故障診斷性能，將齒輪箱故障類型分為： 齒輪點蝕、齒輪斷裂、軸承裂紋、正常工作狀態(tài)，采用 5個傳感器進行信息融合。將其與小波+支持向量機（WA-SVM）進行比較，WA-SVM采用單一傳感器收集信息，齒輪箱故障診斷性能采用故障診斷率、診斷時間進行評價，齒輪箱每一類狀態(tài)的樣本為：訓練樣本90、測試樣本10。

3.2 分析結(jié)果

采用 WA-SVM、DS-SVM 方法對齒輪箱測試樣本進行故障診斷，得到的診斷率見表1。將各子分類器歸一化后的齒輪箱故障診斷結(jié)果作為證據(jù)，采用DS對風電機組齒輪箱故障融合診斷，結(jié)果如圖2所示。

3.3 結(jié)論

從表1可看出，采用DS-SVM的多傳感器齒輪箱故障診斷率顯著提高，而且診斷速度沒有相差太大，這主要是由于采用多個傳感器對齒輪箱振動信號進行采集，從不同角度對風電機組齒輪箱工作狀態(tài)進行診斷，全面、準確、高效反映了故障變化特點。

圖2表明，采用DS-SVM方法對齒輪箱進行故障診斷相比其它方法精度更高、結(jié)果更準確。DS-SVM診斷方法通過證據(jù)理論加強了對原來故障高的類型的支持，有效降低了對原來低故障類型的支持，診斷結(jié)果與期望值相近，且診斷精度比其他故障診斷方法較高。

綜上可述：本文提出的基于證據(jù)理論和支持向量機的多傳感器融合在風力機齒輪箱故障診斷的方法，在很短時間內(nèi)得到較高的通風機故障診斷正確率，提高風機故障診斷精度和效率。通過證據(jù)理論和支持向量機的多傳感器故障診斷方法加強了對高故障類型的支持，有效降低了對原來低故障類型的支持，診斷結(jié)果與期望值基本吻合，且診斷精度比明顯提高。

參考文獻：

[1] 王志遠.風力發(fā)電機組中齒輪箱的故障診斷分析.通訊世界，2016-03-25.

[2] 李林琛，蔣小平.多傳感器融合在通風機故障診斷中的應用.激光雜志，2016-04-25.

[3] 李家偉.基于證據(jù)理論和支持向量機的風機故障智能診斷.吉林大學學報（理學版）， 2016-05-26.

[4] 胡漢輝，楊洪，譚青，易念恩.基于小波分析的風機故障診斷.中南大學學報（自然科學版），2007-12-26.