基于三層信息融合的提升機制動系統(tǒng)故障診斷*

李娟莉， 王 健， 楊兆建

(1.太原理工大學(xué)機械工程學(xué)院 太原，030024) (2．煤礦綜采裝備山西省重點實驗室 太原，030024) (3.山西焦煤集團有限責(zé)任公司博士后科研工作站 太原,030024) (4. 山西潞安礦業(yè)有限責(zé)任公司古城煤礦 長治,046000)

引 言

隨著智能傳感和監(jiān)測技術(shù)的發(fā)展及物聯(lián)網(wǎng)技術(shù)的集成與應(yīng)用，礦井提升機監(jiān)測系統(tǒng)通過多傳感器實時全方位的在線監(jiān)測，保存了海量提升機運行狀態(tài)的相關(guān)信息，多源信息融合技術(shù)[1-2]可對這些信息進行優(yōu)化組合與提取，生成診斷規(guī)則，為提升機故障預(yù)警與診斷提供可靠依據(jù)。

目前信息融合技術(shù)在機械故障診斷領(lǐng)域已有一些初步的應(yīng)用，普遍采用單層(數(shù)據(jù)層)或兩層(特征層和決策層)融合的診斷方法。Baraka等[3-4]提出了基于人工神經(jīng)網(wǎng)絡(luò)的自適應(yīng)故障檢測和診斷方法，并將該方法應(yīng)用于旋轉(zhuǎn)機械的故障診斷中，可檢測和隔離化學(xué)過程的干擾。Safizadeh等[5]對滾動軸承時域和頻域信號進行了融合與分類，最終得出軸承條件和傳感器性能之間的關(guān)系。湯寶平等[6]為了解決機械故障診斷應(yīng)用中大量振動信號不能實時傳輸?shù)膯栴}，研究了無線傳感器網(wǎng)絡(luò)多級分層信息融合的機械故障診斷方法。曹建福等[7]針對大型裝備故障診斷中存在的高沖突證據(jù)問題，對證據(jù)理論算法進行了改進，建立各條證據(jù)間的融合關(guān)系，提高故障診斷的識別率。在礦井提升機故障診斷中，信息融合技術(shù)的應(yīng)用較少，文獻[8]針對提升機主軸系統(tǒng)故障耦合、特征微弱等問題，以各數(shù)據(jù)樣本為節(jié)點構(gòu)建加權(quán)無向復(fù)雜網(wǎng)絡(luò)模型，該方法能準確對故障類型進行分類，具有很高的故障識別精度。文獻[9]充分利用了提升機制動器各傳感器在時間和空間上的互補和冗余信息，提高了提升機制動器診斷的可靠性。上述研究中，基于數(shù)據(jù)層的信息融合方法能充分利用監(jiān)測歷史數(shù)據(jù)，判定故障是否發(fā)生并對故障進行定位，但無法判定故障的類型；基于空間(特征層)和時間(決策層)上融合的兩層信息融合的故障診斷方法能有效識別故障類型，但有無法充分利用數(shù)據(jù)庫中數(shù)據(jù)的缺陷。為了提高整個監(jiān)測診斷系統(tǒng)的準確性和可靠性，并充分利用歷史數(shù)據(jù)，筆者以提升機制動系統(tǒng)為研究對象，提出了一種數(shù)據(jù)層、特征層、決策層三層多源信息融合的故障診斷方法，將主成分分析法、人工神經(jīng)網(wǎng)絡(luò)和DS證據(jù)理論有機結(jié)合，并通過試驗驗證了此融合結(jié)構(gòu)在制動系統(tǒng)故障診斷應(yīng)用中的有效性及正確性。

1 三層信息融合故障診斷系統(tǒng)結(jié)構(gòu)

三層多源信息融合的故障診斷系統(tǒng)體系結(jié)構(gòu)如圖1所示。

數(shù)據(jù)層主要融合由傳感器直接采集的大量原始數(shù)據(jù)，利用PCA將這些多源信息轉(zhuǎn)化到共同的參考描述空間，計算主元的得分向量并建立主元矩陣，之后確定主成分個數(shù)，進行特征提取。其優(yōu)點是能夠最大限度地利用原始數(shù)據(jù)進行綜合與分析。

特征層以具有記憶功能的Elman神經(jīng)網(wǎng)絡(luò)作為融合算法，以數(shù)據(jù)層融合后各信息源提取出來的特征量作為輸入，通過不斷調(diào)整權(quán)值進行訓(xùn)練，輸出符合性能指標的新特征量。該過程把各個特征信息進行了空間上的融合，得到的融合結(jié)果能夠給決策層提供有用且完備的故障判決特征信息。其優(yōu)點是穩(wěn)定性強且提取并壓縮整合了信息量。

決策層將不同時刻Elman神經(jīng)網(wǎng)絡(luò)的輸出特征量作為證據(jù)，使用DS證據(jù)理論對其進行融合，選擇最優(yōu)決策準則判定故障原因，最后依據(jù)PCA的故障診斷原理對故障部位進行定位，得出診斷結(jié)果。

2 基于PCA的數(shù)據(jù)層融合

PCA是利用數(shù)據(jù)的二階統(tǒng)計特性對原變量進行降維去噪的無監(jiān)督的信號處理方法[10-11]。其基本思路是通過統(tǒng)計的方法將原高維變量簡化為一組低維的線性無關(guān)的新變量，新變量保留了原有系統(tǒng)中大量有用的信息[12]。

2.1 主成分分析過程

1) 構(gòu)造原始數(shù)據(jù)矩陣Xn×m。根據(jù)式(1)對其進行標準化處理，處理后的矩陣記作

(1)

(2)

矩陣C中對角線的元素值的大小與變量的重要程度成正比，值越大則表明該變量越重要。

(3)

5) 確定主成分個數(shù)。選取累積貢獻率法[11]確定主成分個數(shù)。其定義為

(4)

其中：k為主成分個數(shù)；λi為各得分向量對應(yīng)的特征值。

前k個得分向量包含了絕大部分有用的信息，這樣用來進行診斷的樣本數(shù)據(jù)就由m維縮減到了k維。

為了充分利用提升機運行過程中所監(jiān)測的歷史數(shù)據(jù)，以礦井提升機試驗臺JTP-1.2型提升機為研究對象，現(xiàn)選用試驗過程中通過傳感器所監(jiān)測的提升機制動系統(tǒng)的39個運行過程關(guān)鍵監(jiān)測變量(表1)來構(gòu)建主元模型，監(jiān)測并保存提升機運行一次過程中所采集的各個變量值，采樣點數(shù)為500。

表1 監(jiān)測變量表

首先建立正常主元模型。構(gòu)造各變量原始數(shù)據(jù)矩陣，依式(1)對其進行標準化處理。預(yù)處理之后使用Matlab對其進行主成分分析，完成式(2)和(3)的計算，并利用累積方差貢獻率法求取主元個數(shù)。故障主元模型的建立方法與此相同。

2.2 PCA故障診斷基本原理

利用PCA的方法可以充分利用歷史數(shù)據(jù)定性地檢測和定位出故障，具體做法是將監(jiān)測數(shù)據(jù)放入建好的正常主成分模型所構(gòu)成的空間進行投影，如果其在主成分子空間上的投影大于在殘差子空間上的投影則表示無故障，反之亦然。一般采用Hotelling提出的T2統(tǒng)計量和Q統(tǒng)計量來判別監(jiān)測數(shù)據(jù)在上述這兩個子空間上投影的大小[10]。利用T2統(tǒng)計量度量的原理是在主成分子空間求出T2統(tǒng)計量及其閾值，如果被測數(shù)據(jù)在該子空間的T2統(tǒng)計量超過閾值就判定有故障；Q統(tǒng)計量度量的原理是用假設(shè)檢驗的方法求出其閾值，如被測數(shù)據(jù)在正常情況下的殘差子空間的Q統(tǒng)計量大于閾值，則判定為有故障。T2統(tǒng)計量定義如下

(5)

其中：xi為各變量在第i個采樣點的值；Pk，λ-1分別為正常主成分模型的特征向量和其對應(yīng)的特征值。

T2統(tǒng)計量閾值的計算公式如下

(6)

其中：k為主成分個數(shù)；m為變量個數(shù)；Fk,m-k,α為置信水平為α=0.05且自由度為k和m-k的F分布的臨界值。

Q統(tǒng)計量及其閾值的計算公式為

依據(jù)各變量對各個主元的貢獻圖和其Q統(tǒng)計量的貢獻圖可以診斷故障的發(fā)生部位，具體實現(xiàn)方法在第5節(jié)試驗中進行詳細分析。由上面分析可以看出，PCA故障診斷的方法能定位出故障，但無法確定是何種故障，為此，利用PCA進行數(shù)據(jù)層融合后還需要進一步綜合與分析處理。

3 基于Elman神經(jīng)網(wǎng)絡(luò)特征層融合

Elman神經(jīng)網(wǎng)絡(luò)是一種典型的局部回歸網(wǎng)絡(luò)，相比反向傳播神經(jīng)網(wǎng)絡(luò)(back propagation,簡稱BP)、徑向基神經(jīng)網(wǎng)絡(luò)(radial basis function,簡稱RBF)等其他網(wǎng)絡(luò)，其優(yōu)勢主要體現(xiàn)在：結(jié)構(gòu)簡單、具有記憶功能及訓(xùn)練時間短，具有適應(yīng)時變特性及處理動態(tài)關(guān)系的能力，在小樣本條件下同樣適用，且穩(wěn)定性強。其結(jié)構(gòu)包括輸入層、隱含層、承接層和輸出層[13]，其中，輸入層進行信號傳輸；承接層是Elman實現(xiàn)記憶功能的關(guān)鍵層，其原理是首先從隱含層接收反饋信號，并記憶該層神經(jīng)元前一時刻的輸出值，通過承接層的延遲與存儲，再輸入到隱含層，增加了網(wǎng)絡(luò)的自學(xué)習(xí)能力；輸出層起線性加權(quán)作用。Elman神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)如圖2所示。

圖2 Elman神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)Fig.2 Structure of Elman neural network

其數(shù)學(xué)模型如式(9)

(9)

其中：u()，x()，c()，y()分別為輸入層的輸入、隱含層的輸出、承接層的輸出及輸出層的輸出；w1,w2,w3分別為隱含層與承接層、輸入層與隱含層、隱含層與輸出層之間的連接權(quán)值；0≤α<1為自連接反饋增益因子；g(·)為輸出層神經(jīng)元的傳遞函數(shù)，一般選用線性函數(shù)；f(·)為隱含層神經(jīng)元的非線性傳遞函數(shù)，通常選用sigmoid函數(shù)。

Elman神經(jīng)網(wǎng)絡(luò)訓(xùn)練過程中，通過不斷調(diào)整網(wǎng)絡(luò)權(quán)值w1,w2,w3的大小，使其達到規(guī)定的性能指標，從而滿足實際應(yīng)用需求。性能指標函數(shù)為

(10)

其中：y(p)為k時刻輸出層第p個神經(jīng)元的實際輸出；tk(p)為k時刻第p個神經(jīng)元的期望輸出；m為輸出層輸出神經(jīng)元矢量的維數(shù)。

我國設(shè)施農(nóng)業(yè)技術(shù)推廣的另一重要問題是缺乏資金的支持。設(shè)施農(nóng)業(yè)技術(shù)的推廣需要大量資金，設(shè)施農(nóng)業(yè)在全國范圍內(nèi)推廣效果欠佳，根本原因是農(nóng)業(yè)技術(shù)創(chuàng)新度不夠以及國內(nèi)農(nóng)業(yè)全面機械化需要不斷的資金支持。由于地方和國家的財政部門對于技術(shù)推廣沒有足夠的重視程度，在國家財政預(yù)算中未能將設(shè)施農(nóng)業(yè)技術(shù)推廣納入其中，導(dǎo)致技術(shù)推廣資金支持不足。

礦井提升機制動系統(tǒng)故障診斷的特征量經(jīng)過上節(jié)數(shù)據(jù)層的融合作為 Elman神經(jīng)網(wǎng)絡(luò)的輸入向量。首先建立各故障的主元模型，建立方法見2.1節(jié)，然后按式(11)計算各得分向量的模

(11)

收集100組神經(jīng)網(wǎng)絡(luò)的訓(xùn)練樣本，在計算過程中發(fā)現(xiàn)有些故障主元模型的第8個得分向量的長度大小為零，所以取各故障的前7個主元作為特征量，如表2所示。

表2 Elman神經(jīng)網(wǎng)絡(luò)訓(xùn)練樣本

利用Matlab神經(jīng)網(wǎng)絡(luò)工具箱中的相關(guān)函數(shù)對網(wǎng)絡(luò)進行訓(xùn)練，輸出結(jié)果作為決策層融合的輸入。

4 基于DS的決策層融合

DS 證據(jù)理論是一種基于辨識框架的不確定性推理理論，具有處理不確定性信息的能力，可使診斷結(jié)果更為可靠[14]。在DS 證據(jù)理論中，由互不相容的基本命題組成的完備集合作為辨識框架Θ，該框架的子集稱為命題。分配給各命題的信任程度稱為基本概率分配函數(shù)，定義如式(12)

(12)

其中：A為命題；函數(shù)m為A的基本概率分配函數(shù)；m(A)反映對A的信度大小。

信任度函數(shù)c由式(13)定義，表示對命題A的信任程度

(13)

似然函數(shù)p定義如式(14)所示，表示對命題A非假的信任程度。[c(A),p(A)]表示A的不確定區(qū)間

(14)

DS證據(jù)理論的核心是Dempster合成規(guī)則，由于其可以綜合不同專家或數(shù)據(jù)源的知識或數(shù)據(jù)，在信息融合等領(lǐng)域得到了廣泛的應(yīng)用。根據(jù)不同的證據(jù)體類型，在進行融合時需要采用不同的組合規(guī)則，由于在礦井提升機故障診斷過程中，數(shù)據(jù)具有耦合交叉特性，為了解決證據(jù)沖突問題，筆者采用了Yager組合規(guī)則生成新的基本概率分配函數(shù)，其定義如式(15)

(15)

DS證據(jù)理論故障診斷決策的基本思路是：首先，將被測對象的典型故障原因作為辨識框架中的每個命題組成命題集合，構(gòu)造故障辨識框架；其次，從信息中提取對故障敏感的特征向量作為證據(jù)體，并為每個證據(jù)體構(gòu)造基本概率賦值函數(shù)；然后，依據(jù)證據(jù)體的類型選取合成規(guī)則，對證據(jù)體進行融合；最后，將結(jié)果進行比較分析，最終得出故障原因。

5 試 驗

5.1 試驗條件預(yù)設(shè)

為了驗證融合算法的有效性與正確性，首先在試驗臺進行故障模擬。預(yù)先將4號閘的閘瓦間隙值調(diào)試設(shè)定為3 mm，模擬4號閘的閘瓦間隙過大故障，依據(jù)煤礦安全規(guī)程，制動閘的閘瓦間隙值不得大于2 mm，故將其設(shè)為診斷閾值。

5.2 試驗過程

在上述試驗條件下，求出各得分向量的模，利用Elman神經(jīng)網(wǎng)絡(luò)計算結(jié)果如表3所示。

利用上述融合結(jié)果構(gòu)造辨識框架，將7個故障模式作為辨識框架的7個命題，用Θ={正常、敞不開閘、空動時間長、過卷、不能緊急制動、制動時間長、卡缸}表示，為每個證據(jù)體構(gòu)造基本概率賦值函數(shù)，其結(jié)果如表4所示。

表3 Elman融合結(jié)果

表4 證據(jù)體基本概率賦值

采用Yager組合規(guī)則對其進行融合，結(jié)果為：(m=0 0 0.168 7 0 0.013 6 0 0)

5.3 試驗結(jié)果

從該融合結(jié)果來看，可以判定命題3為決策結(jié)果，即為空動時間過長故障。對引起該故障的原因進行判別，判別過程如下：引起空動時間過長的直接原因是制動力矩不足，而彈簧故障、摩擦因數(shù)過大、閘瓦間隙過大及殘壓高等都有可能造成該結(jié)果，對上述原因進行一一驗證。由于在試驗前，對各閘的彈簧剛度和預(yù)壓縮量都進行了檢測，符合標準，故排除彈簧故障；且在提升機運行過程中經(jīng)監(jiān)測計算得出的摩擦因數(shù)及制動油殘壓處于正常范圍，故該故障類型可判定為由于閘瓦間隙過大導(dǎo)致的制動力矩不足，從而進一步引發(fā)的空動時間過長故障。

明確了故障類型后，接下來就是對故障進行定位，查找故障源。在此依據(jù)2.2節(jié)所述的PCA故障診斷原理，對故障部位進行定位。分別計算正常主元模型和空行程過長故障主元模型中每個變量的Q統(tǒng)計量，并繪制各變量對Q統(tǒng)計量的貢獻圖(在此僅列出空行程時間過長故障下Q統(tǒng)計量貢獻圖和正常情況下不同的兩個變量)，如圖3和圖4所示。

圖3 正常情況下第4和第12變量對Q統(tǒng)計量貢獻Fig.3 Contribution of the 4th and 12th variables to the Q statistics under normal conditions

由圖4可以看出，發(fā)生故障時，在采樣點150和350之間，第4和第12個變量的Q統(tǒng)計量貢獻圖和正常情況相比整體向下發(fā)生了偏移，而其他變量的Q統(tǒng)計量貢獻圖和正常情況下相同。這是由于閘瓦間隙過大對應(yīng)的閘瓦位移減小，在Q統(tǒng)計量貢獻圖上的表現(xiàn)為整體下移，第4和第12個變量分別為4號閘的閘瓦位移和彈簧力，由此可判定該故障發(fā)生的部位為4號閘。試驗結(jié)果與預(yù)先物理模擬的故障完全吻合，從而驗證了該融合算法的正確性。

圖4 空行程時間過長故障下第4和第12變量對Q統(tǒng)計量貢獻Fig.4 Contribution of the 4th and 12th variables to the Q statistics in long free-transmission time

6 結(jié)束語

為了充分利用監(jiān)測系統(tǒng)中的歷史數(shù)據(jù)，對礦井提升機制動系統(tǒng)故障進行可靠診斷，提出了基于三層多源信息融合的故障診斷方法，該方法通過對監(jiān)測系統(tǒng)所測信息的合理選擇、綜合與利用，對其進行空間和時間上的融合互補?；赑CA的數(shù)據(jù)層融合使診斷結(jié)果更為完備；而基于Elman神經(jīng)網(wǎng)絡(luò)的特征層和基于DS證據(jù)理論的決策層上的時空融合則對故障進行了有效判別與診斷。三層的融合方法避免了單層和兩層融合的固有缺陷。將三層多源信息融合技術(shù)成功應(yīng)用到了提升機制動系統(tǒng)的故障診斷中，試驗結(jié)果表明，該方法能夠有效識別故障類型，可充分利用大量的歷史數(shù)據(jù)對系統(tǒng)進行診斷，有效提高了診斷系統(tǒng)的性能。

[1] Ai Li,Cheng Jiatang,Xiong Wei.Transformer fault diagnosis based on information fusion technology[J].Sensors and Transducers,2014,167(3):61-67.

[2] Liu Xiaohua.Research of intelligent fault diagnosis model on multi-information fusion[J]. Journal of Computers, 2011, 6(6):1254-1261.

[3] Barakat M,Druaux F,Lefebvre D,et al.Self adaptive growing neural network classifier for faults detection and diagnosis[J].Neurocomputing,2011,74(18):3865-3876.

[4] Barakat M,Lefebvre D,Khalil M,et al.Parameter selection algorithm with self adaptive growing neural network classifier for diagnosis issues[J].International Journal of Machine Learning and Cybernetics,2013,4(3):217-233.

[5] Safizadeh M S, Latifi S K.Using multi-sensor data fusion for vibration fault diagnosis of rolling element bearings by accelerometer and load cell [J].Information Fusion, 2014, 18(1):1-8.

[6] 湯寶平,鄧兵,鄧蕾,等.無線傳感器網(wǎng)絡(luò)多級整合的機械故障診斷方法[J]. 振動、測試與診斷, 2016,36(1):92-96.

Tang Baoping,Deng Bing,Deng Lei,et al.Mechanical fault diagnosis method based on multi-level fusion in wireless sensor networks[J].Journal of Vibration,Measurement & Diagnosis, 2016,36(1):92-96. (in Chinese)

[7] 曹建福,曹雯. 基于改進證據(jù)理論的大型制造裝備故障診斷[J].振動、測試與診斷,2012,32(4):532-538.

Cao Jianfu,Cao Wen.Fault diagnosis of large manufacturing equipment based on improved evidence fusion theory[J]. Journal of Vibration,Measurement & Diagnosis, 2012,32(4):532-538. (in Chinese)

[8] 董磊,石瑞敏,曾志強. 基于復(fù)雜聚類的提升機主軸系統(tǒng)故障診斷[J].振動、測試與診斷, 2016,36(4):688-693.

Dong Lei,Shi Ruimin,Zeng Zhiqiang.Fault diagnosis for spindle system of hoist based on complex network clustering[J]. Journal of Vibration,Measurement & Diagnosis, 2016,36(4):688-693. (in Chinese)

[9] 王健. 基于信息融合技術(shù)的提升機制動系統(tǒng)與減速器故障診斷方法[D].太原:太原理工大學(xué),2012.

[10] Gharavian M H,Almas G F,Ohadi A R,et al.Comparison of FDA-based and PCA-based features in fault diagnosis of automobile earboxes[J].Neurocomputing,2013,121(9):150-159.

[11] Sharifi R,Langari R.Nonlinear sensor fault diagnosis using mixture of probabilistic PCA models[J].Mechanical Systems and Signal Processing,2017,85(2):638-650.

[12] Komari A H, Karim S, Komari A H.A new integrated on-line fuzzy clustering and segmentation methodology with adaptive PCA approach for process monitoring and fault detection and diagnosis[J].Soft Computing,2013,17(3):345-362.

[13] Sun Yushan,Li Yueming,Zhang Guocheng,et al.Actuator fault diagnosis of autonomous underwater vehicle based on improved Elman neural network[J].Journal of Central South University,2016,23(4):808-816.

[14] Hui K,Lim M,Leong M, et al.Dempster-shafer evidence theory for multi-bearing faults diagnosis[J].Engineering Applications of Artificial Intelligence,2017,57(1):160-170.