基于DS证据理论决策级融合的滚动轴承故障诊断方法

技术领域

本发明涉及滚动轴承故障诊断的技术领域，尤其是指一种基于DS证据理论决策级融合的滚动轴承故障诊断方法。

背景技术

工业生产中不乏旋转机械设备的使用，例如风力涡轮机、变压器和柴油机。旋转机械设备的组成组件中包含滚动轴承，轴承运行状态关系着机械设备的可靠性和可用性，而轴承又属于故障概率较高的组件，一旦发生故障便有可能导致生产停滞并引发经济损失。振动数据能较好地反映轴承运行状态，是故障诊断和预测的重要依据。同时，振动传感器可以被安置在机械设备表面以采集振动信号，与机械设备之间不存在直接的电气连接，能够在不改变机械设备运行状态的前提下有效地检测其内部轴承运行状况。随着传感器技术和通信技术的蓬勃发展，机械设备运行状态数据的采集成本大大降低。通过分析传感器信号所蕴含的信息对滚动轴承运行状态进行诊断，对维持机械设备安全稳定运行具有积极作用。

实际应用过程中往往会在不同位置安装传感器以克服单一数据来源的局限性，同时可以提高诊断结果的可靠性。滚动轴承运行状态的诊断结果是上层决策系统探知故障发生、定位故障点、落实解决方案的重要依据。然而，多个传感器的感知信号之间往往存在冲突，这将导致做出合理诊断的难度增加。信息融合因其能够将多源信息加以综合利用，降低多源信息不确定程度、缓解多源信息冲突的特性，而受到各领域科学工作者的高度重视。通过将轴承故障诊断与多源信息融合技术相结合，能较好地缓解不同传感器信号蕴含的信息之间甚至存在矛盾、模糊和不确定性大的问题，以高效地做出合理和可靠的轴承故障诊断结果。

决策级融合算法是信息融合的重要组成部分。DS(Dempster-Shafer)证据理论属于一种可以被应用于决策级融合的统计推断方法。DS证据理论放松了贝叶斯理论需要统一识别框架和条件概率密度等要求，通过引入基本概率赋值函数、信任函数，将“不知道”和“不确定”等认知概念区分开，能够处理随机性和模糊性导致的不确定性，亦可依靠证据的积累不断地缩小假设集，还能够将客观数据的作用和人的主观经验作用一起考虑在内，并且DS证据理论又可以方便地和其他一些方法相结合，使得它具有了更大的应用范围和使用前景。

发明内容

本发明的目的在于克服现有轴承故障诊断技术中，传感器信号描述不完整、探测不精确和信息不可靠，甚至相互矛盾，难以摆脱专家知识准确高效地诊断轴承状态的问题，提出了一种基于DS证据理论决策级融合的滚动轴承故障诊断方法，选择无需建立电气连接的振动分析法，适用场景多元，同时在证据体来源上保持可扩展性，也可以同时考虑客观数据和人的主观经验，通过信息融合得到最终的可靠结论。

为实现上述目的，本发明所提供的技术方案为：基于DS证据理论决策级融合的滚动轴承故障诊断方法，包括以下步骤：

步骤1：根据诊断需求统计归纳出典型故障类型，形成故障空间，根据故障空间构造识别框架Θ和命题子集；

步骤2：采集步骤1所确定的故障空间下的振动信号，采用滑动窗口和时域特征提取方法，按照时间序列顺序对振动信号进行特征提取；

步骤3：将步骤2中特征提取的结果输入人工神经网络生成初始证据体；

步骤4：通过证据距离算法和信息熵算法对初始证据体进行修正，以减少证据冲突程度，提高信度；

步骤5：使用DS证据理论合成规则，计算修正后的证据体联合下各命题的融合信度，以实现证据体决策级融合；

步骤6：将融合后证据体的复合置信度赋值汇聚到单个置信度上，并通过决策规则得到滚动轴承故障诊断结果。

进一步，在步骤1，将轴承故障分为滚珠故障、外圈故障和内圈故障三种；根据故障空间得到识别框架Θ＝{正常，滚珠故障，内圈故障，外圈故障}；命题子集确定为状态0＝{正常}，状态1＝{滚珠故障}，状态2＝{内圈故障}，状态3＝{外圈故障}。

进一步，在步骤2，提取了以下9种时域特征：峰值Peak、标准差STD、偏态Skewness、均方根值RMS、波峰因素CRF、脉冲因子IMF、峰度Kurtosis、均方根熵估计器RMSEE和波形熵WFE。

进一步，在步骤3，将提取后的特征数据输入ELMAN神经网络、BP神经网络以及概率神经网络中进行模型训练，将三种神经网络的输出作为初始的三组证据体。

进一步，所述步骤4包括以下步骤：

Step1：生成基于证据距离的初始权重；

将三种神经网络输出的结果作为三组初始的证据体，使用Jousselme距离算法生成距离矩阵d，距离矩阵d第i行第j列的值为证据体m

式中，d

直觉上，两个证据体之间的距离越小，那么它们就越相似，因此定义证据体m

SIM(m

证据体m

此时，能够得到证据体m

式中，SUP(m

Step2：基于信息熵算法修改权重；

使用信息熵算法计算出证据体m

式中，A为证据体m

对不确定度进行归一化处理，计算公式如下：

式中，U(m

考虑到不确定度越小的证据应当具有越高的置信度，对证据体m

对修改后的权重进行归一化处理，计算公式如下：

式中，CRDM(m

Step3：生成基于权重的修正证据体；

通过Step2中得到的新权重对证据体赋权，得到修正证据体m

进一步，所述步骤5包括以下步骤：

Step1：计算冲突因子K，冲突因子在一定程度上反映了证据体的冲突程度，计算公式如下：

式中，A

Step2：在修正证据体m

式中，A

进一步，在步骤6，输出融合后证据体的最大置信度对应的状态类别为滚动轴承故障诊断结果。

本发明与现有技术相比，具有如下优点与有益效果：

1、在传统轴承故障诊断中，要保持较高的诊断正确率就需要对轴承有深入的研究，对轴承各部位之间的物理特性和故障特征具备清晰的认知，难以脱离对专家知识的依赖。而本发明使用的是振动分析法，通过预先安置的振动传感器采集的滚动轴承振动信号，通过算法分析振动信号包含的运行状态信息，达成监测轴承状态的目的。并且振动传感器在安置方式上与装载轴承的设备之间没有直接的电气连接，不需要改变其原有运行方式，能够以较低的代价可靠地完成滚动轴承故障诊断。

2、本发明通过引入DS证据理论缓解基于信息融合模式的故障推理方法的不确定性，与其它DS证据理论的应用方法相比，本发明引入了证据距离算法和Deng熵对原始证据进行修正，通过衡量不同方法生成的证据体可信度以减少证据冲突程度，使滚动轴承故障诊断结果更加可信。

3、本发明通过DS证据理论进行决策级融合以增强轴承故障诊断可靠性，考虑了来自ELMAN神经网络、BP神经网络以及概率神经网络三种方法的证据体。本发明所提技术方案在证据体的来源上并不具有限制，理论上可以继续增加其它方法的推理结果，保留较高的可扩展性，同时也能够将客观数据的作用和人的主观经验作用一起考虑在内，通过信息融合得到最终的可靠结论。

附图说明

图1为本发明的滚动轴承故障诊断流程图。

具体实施方式

下面结合实施例及附图对本发明作进一步详细的描述，但本发明的实施方式不限于此。

如图1所示，本实施例公开了一种基于DS证据理论决策级融合的滚动轴承故障诊断方法，具体按照以下步骤实施：

步骤1：确定故障空间。根据诊断需求统计归纳出典型故障类型，形成故障空间，根据故障空间构造识别框架Θ和命题子集。本发明根据轴承故障诊断的应用场景，将轴承故障分为滚珠故障，外圈故障和内圈故障三种。根据故障空间得到识别框架Θ＝{正常，滚珠故障，内圈故障，外圈故障}。命题子集确定为状态0＝{正常}，状态1＝{滚珠故障}，状态2＝{内圈故障}，状态3＝{外圈故障}。

步骤2：振动信号采集和特征提取。采集正常、滚珠故障、内圈故障和外圈故障的滚动轴承振动信号。采用滑动窗口和时域特征提取方法，按照时间序列顺序对振动信号进行特征提取，本发明提取了以下9种时域特征：峰值(Peak)、标准差(STD)、偏态(Skewness)、均方根值(RMS)、波峰因素(CRF)、脉冲因子(IMF)、峰度(Kurtosis)、均方根熵估计器(RMSEE)、波形熵(WFE)，计算公式如下所示；

峰值能够反映振动信号的异常特征，是滚动轴承早期故障预测的有效参考值，计算公式如下：

Peak＝max(x)(1)

其中，x代表振动信号值。

标准差能反映振动信号能量的动态分量特征，计算公式如下：

其中，

偏态能够衡量振动信号分布的对称程度，计算公式如下：

均方根值能测量振动信号能量的静态分量特征，可以有效代表滚动轴承在实际工作中的不平衡性，计算公式如下：

波峰因素能够测量振动信号的波形特征，计算公式如下：

脉冲因子能够反映振动信号的波峰变化特征，计算公式如下：

峰度能够衡量振动信号分布的平坦度，计算公式如下：

均方根熵估计器能够降低原始振动信号噪音的影响，例如当周围环境突然变化而导致的振动信号改变，均方根熵估计器将产生较大变化，计算公式如下：

其中，RMS(t)代表第t个时刻的均方根值。

波形熵是基于均方根熵估计器构建的时域特征提取方法，计算公式如下：

其中，波形因子W

步骤3：初始证据体生成。将步骤2中特征提取的结果输入ELMAN神经网络、BP神经网络以及概率神经网络中进行模型训练，将三种神经网络的输出作为初始的三组证据体。

步骤4：证据预处理。通过证据距离算法和信息熵算法对初始证据体进行修正，减少证据冲突程度，提高信度，具体过程如下：

Step1：生成基于证据距离的初始权重；

将三种神经网络输出的结果作为三组初始的证据体，使用Jousselme距离算法生成距离矩阵d，距离矩阵d第i行第j列的值为证据体m

式中，d

直觉上，两个证据体之间的距离越小，那么它们就越相似，因此定义证据体m

SIM(m

证据体m

此时，能够得到证据体m

式中，SUP(m

Step2：基于信息熵算法修改权重；

使用信息熵算法计算出证据体m

式中，A为证据体m

对不确定度进行归一化处理，计算公式如下：

式中，U(m

考虑到不确定度越小的证据应当具有越高的置信度，对证据体m

对修改后的权重进行归一化处理，计算公式如下：

式中，CRDM(m

Step3：生成基于权重的修正证据体；

通过Step2中得到的新权重对证据体赋权，得到修正证据体m

步骤5：信度合成，使用DS证据理论合成规则，计算所有证据体联合下各命题的融合信度，具体做法如下：

Step1：计算冲突因子K，冲突因子在一定程度上反映了证据体之间的冲突程度，计算公式如下：

式中，A

Step2：在修正证据体m

式中，A

步骤6：诊断决策。将融合后证据体的复合置信度赋值汇聚到单个置信度上，并通过决策规则得到诊断结果。本发明输出融合后证据体的最大置信度对应的状态类别为滚动轴承故障诊断结果。

上述实施例为本发明较佳的实施方式，但本发明的实施方式并不受上述实施例的限制，其他的任何未背离本发明的精神实质与原理下所作的改变、修饰、替代、组合、简化，均应为等效的置换方式，都包含在本发明的保护范围之内。