第9期 2016年9月
组合机床与自动化加工技术
Modular Machine Tool & Automatic Manufacturing Technique
文章编号：10012265(2016)09009904
D0I:10. 13462/j. cnki, mmtamt. 2016. 09. 028
基于多传感器信号分析的故障诊断
陈轶，杨奕，包辉慧，陆艳娟，张烨（南通大学电气工程学院，江苏南通226019）
No.9 Sep.2016
摘要：为解决复杂环境中难以诊断的机械故障，以振动信号和温度、压力等测量信号为基础，建立一种基于多种传感器信号分析的故障诊断模型。针对振动信号，采用小波包对原始振动信号进行分解，提取特征值组成原始特征向量，然后采用租楚集方法对原始特征向量进行特征约简，将约简后的分类规则作为
用遗传算法优化的BP神经网络对其进行训练和模式识别。最后对这两类信号的诊断结果进行融合，
构成了一种复合故障诊断模型。实验证明，该诊断模型有较高诊断精度和准确度。关键词：小波包；粗集；神经网络；信息融合；故障诊断
中图分类号：TH165*.3;TC506
文献标识码：A
Fault Diagnosis Based on Multi Sensor Signal Analysis CHEN Yi, YANG Yi, BAO Hui-hui, LU Yan-juan, ZHANG Ye
(School of Electrical Engineering, Nantong University,Nantong Jiangsu 226019, China）
Abstract: In order to solve the problem of mechanical fault diagnosis in complcx environment, a fault diag nosis model based on multiple sensor signal analysis is established based on vibration signal and the signal of temperature and pressure. For the vibration signal, wavelet package decomposition is applied to the original vibration signal, to extract the feature values which are form the original feature vector, and then uses rough set method for feature reduction of the original feature vector, the classification rules after reduction as neural network training set. For the signal of temperature ,pressure and other data, the data of each sensor is fused to form the feature vector, and the BP neural network is optimized by genetic algorithm to train and pattem recognition. Finally, the results of these two types of diagnostic signals are fused to form a composite fault ea Key words: wavelet package; rough sets; neural network; information fusion; fault diagnosis
引言 0
故障诊断方法是在检测基础上发展起来的一整套方法，不同的故障诊断方法虽然不同，但其大体实施过程基本相同"。随着计算机技术及数字信号处理技术的快速发展，机械设备也更为大型化和复杂化。因此，当机械设备发生故障时，其故障原因及故障点就更难以确定。面对某些场合，单一的智能故障诊断技术无法傲到精确的判断故障产生的原因，有些基至进行了误诊断。
文献21提出针对大型复杂机械设备故障的不确定性、复杂性、多故障并发性等，运用智能技术之间的互补性，提出混合智能诊断技术，能够有效地提高诊断系统的敏感性、鲁棒性、精确性。同时，大量的学者对混合智能故障诊断技术进行了研究。王晓晓等人[3]提出了基于粒子群算法和神经网络的混合智能方法用于诊断蒸汽轮机故障；Zhu等人提出了基于粗糙集和
人工神经网络的特征约简混合智能方法解决了单一智能方法难以处理复杂系统故障诊断的问题。国内外在多智能故障诊断研究方面取得了较大的进展。然而，目前混合智能故障诊断技术大多注重方法的优化与结合，忽视了信号来源的重要性，造成诊断信息的不完备。信号的丰富性可以帮助掌握机械设备的状态，对后期机械设备状态的判别起到了决定性的作用，能更好地避免误诊和漏诊。
为此，本文研究了一种基于多传感器信号分析的故障诊断方法。获取多种传感器信号可以有助于全方面掌据机械运行状态，并目针对不同信号形式，利用多种混合智能诊断算法，能够更为精确地诊断出机故障。 1
基于多信号的故障判别
本文以某空气源热泵DKFXRS-71IⅡI机组的振动信号和温度、压力等测量信号为基础，利用不同的分析
收稿日期：20150922；修回日期：20151022
*基金项目：国家自然科学基全（61403217)；江苏省产学研前略性联合创新项日（BY2014081-03）：南通大学校级资助省级立项研究生科研创新项
目基金（KYLX_1307，YKC14020）
作者简介：陈轶（1991—），女，江苏南通人，南通大学硕士研充生，研究方向为智能检测与控制技术，（E-mail)13120003@yis.ntu.edu.cn;通讯作
者：杨奕(1963—），女，江苏南通人，南通大学教授，硕士，研究方向为智能检测与控制技术，（E-mail)yang-y@ntu.edu.cn。
万方数据