916
化工自动化及仪表
第44卷
公影器载多网生
李荣远张国银王海瑞王雪宋怡然齐磊任玉卿
（昆明理工大学信息工程与自动化学院）
摘要由于单一传感器采集滚动轴承的故障信息精度较低，提出基于GA-BP神经网络的多传感器信息融合方法。首先使用单一传感器采集其状态信息，并采用小波包分析提取轴承故障状态特征，然后采用遗传算法（GA)优化BP神经网络对单传感器进行滚动轴承故障诊断，接着运用DS证据理论把每一个诊断结果进行信息融合，最终得到诊断结果。仿真实验结果表明：该方法可提高滚动轴承故障诊断的精确度和效率。
关键词故障诊断滚动轴承GA-BP神经网络DS证据理论信息融合
中图分类号TH133.33
文献标识码A
滚动轴承一般由内圈、外圈、滚动体和保持架组成1。近年滚动轴承的结构越来越复杂，故障诊断的复杂程度也越来越高[2.3]。运作过程中，由于自然磨损、锈蚀、超负荷运转、润滑缺乏、异物进入、过载及自身质量等问题，都可能被损坏4 因此对它进行故障诊断至关重要3]。人工诊断简单直观，但由于轴承设计复杂度高，因而可靠性较低。而且滚动轴承的故障类型比较多，仅靠单一故障信息容易出现误诊[7]。目前众多智能故障诊断中，小波包特征提取和BP神经网络应用广泛。但BP神经网络收敛速度慢且易陷入局部状态。
笔者提出基于GABP神经网络的多传感器信息融合方法，搭建信号采集系统，在轴承周围布置加速传感器，对轴承在正常工况和异常工流、下进行振动信号采集。首先运用小波变换与小波包分析进行信号处理，提取特征向量。然后将特征向量归一化处理后经BP神经网络训练，得到初步故障诊断结果。运用Levenern-Marquardt算法采用GA优化BP神经网络。采用DS证据理论89对单一传感器诊断结果进行融合，最后仿真验证该方法的有效性。
故障诊断特征提取 1
笔者设计的滚动轴承故障诊断特征提取过程
文章编号1000-3932(2017)10-0916-06
如图1所示，首选利用布置在滚动轴承不同方向的加速度传感器采集振动信号，经放大器放大和 A/D转换器转换为计算机能识别的信号，然后对采集信息进行处理分析，最后诊断出滚动轴承的故障类型。
滚动轴承
数集
数据
故障
图1滚动轴承故障诊断流程
滚动轴承特提取是其故障诊断流程的关
键，小波分析在故障诊断和模式识别中被广泛应用，是对信号进行时域和频域分析的方法之一，具有多分辨率分析的特点，同时能提供非平稳信号时域和频域中的局部信息。小波变换提取特征信息的步骤如下：
a.对采样振动信号进行三层小波分解，分别提取各层低频到高频的特征信号：
b.重构小波包分解系数，提取各频段信号： c.求各频段信号能量；
d.构造特征向量T=［E30,E31，E32，E33,E34， E35,E，E1，当能量较大时对T进行归一化处理，归一化向量T"=［E0/E,E31/E,E32/E,E/E，
①作者简介：李荣远（1990-），硕士研究生，从事故障诊断和传感器信号处理的研究。
联系久方整银（1979-），副教授，从事计算机应用和智能算法的研究，28292189@qq.com。