基于多传感器信息融合的故障诊断技术(改2).docVIP

基于多传感器信息融合的柴油机故障诊断技术 摘要: 本文以柴油机故障诊断为研究对象，给出了基于神经网络和D-S证据理论相结合的信息融合的故障诊断方法。文中以传感器检测数据为输入, 以神经网络输出构造基本概率赋值函数,对不同传感器的检测证据按D-S理论进行融合, 得到待识别目标的诊断可信度. 通过对柴油机振动监测数据、燃油压力波动信息、以及两者融合信息的故障诊断结果的比较, 表明基于神经网络和D-S证据理论相结合的多传感器信息融合方法用于复杂机械的故障诊断是可行和有效的。 关　键　词: 多传感器; 信息融合; 神经网络;D-S证据理论; 故障诊断 Study on Diesel Fault Diagnosis Technology Based Multisensor Information Fusion Abstract: Based on the combination of neural net and D-S inference, this article illustrate a new diagnostic method with the study of a diesel engine fault diagnostic. In my theory, data of sensor is firstly used as input of neural networks, then output of neural net work construct basic rate function. Thus it provide a probability of recognition to a diesel engine through information fusion with different sensors抎ata. It is爌racticable and effective that multisensor fusing information爑sed in complicated爉echanical fault diagnosis.?Keywords : Multisensor; Information fusion ;Neural network; D-S inference ;Fault diagnosis 目前柴油机的监测系统多以状态监测为主，主要监测温度、压力等状态参数，虽然能够监测柴油机的运行状态，但这些参数在故障的初期表现并不明显，加之柴油机的可监测状态参数较少，有些故障在参数上表现一致，不能判断故障的所在，因此有必要完善柴油机的监测手段。由于柴油机系统的复杂性，单一传感器很难判断出故障所在，基于多传感器的信息融合技术有助于准确诊断出系统的故障，进而排除故障。多传感器信息融合技术是以大量信息处理为基础的，本文就是在此背景下提出的，重点研究了基于信息融合理论的柴油机故障诊断技术与应用。 所谓多传感器信息融合是指对来自多个传感器的信息进行多级别、多方面的处理, 从而导出新的、有意义的信息, 而这种新信息是任何单一传感器所无法获得的, 它表示了被监测目标对象的状态行为。通过多传感器信息融合, 可以扩大时空覆盖范围, 增加置信度, 改善检测系统的可靠性。通常, 多传感器信息融合过程分为数据层、特征层和决策层信息融合, 每一个级别层次代表了对原始数据不同程度的抽象。[1]本文融神经网络与D-S证据理论为一体，解决了D-S证据理论解决故障诊断时由专家经验构造证据对各命题的mass函数的问题,使实际诊断问题更具有客观性，但其值的获取通常是由专家经验获得,利用BP神经网络具有较强的泛化能力, 通过神经网络输出结果来确定mass函数,而后再利用D-S证据理论将每条证据的mass函数进行融合,得到最终的融合结果。[2] 1 传感器信号特征提取 1.1故障诊断实验系统的建立 本试验柴油机状态监测和故障诊断的参数采集利用装在喷油器入口的压力传感器和装在柴油机缸头的加速度传感器来实现，采样频率fs=25Kz，数据长度10240。各传感器信号经放大后，进入数据采集系统，最后输入计算机进行信号处理。振动传感器选用北戴河无线电一厂生产的YD系列压电式加速度传感器，压力传感器为宝鸡晶体管厂生产的CYG30固态压阻传感器，电荷放大器为北戴河无线电一厂生产的DHF-6系列电荷放大器。详见图 1 柴油机故障诊断监测系统框图 图 1 柴油机故障诊断监测系统框图 1.2 特征提取[3] 图2 压力波形图 图3 振动