CN112684012A - 一种基于多参量信息融合的装备关键承力结构件故障诊断方法 - Google Patents

Abstract

本发明公开一种基于多参量信息融合的装备关键承力结构件故障诊断方法，包括：首先采集关键承力结构件的温度信号、振动信号和声发射信号；基于扩展卡尔曼滤波器对振动信号的微弱故障特征进行增强；对温度信号和声发射信号，以及增强后的振动信号基于改进的深度置信神经网络进行特征提取和故障诊断；最后经过故障诊断后的数据进行融合，获得最终的诊断结果。本方案结合微弱故障信号的特征进行扩展卡尔曼滤波的增强设计，并提出改进的深度置信神经网络进行特征提取和故障诊断，结合D‑S证据理论和神经网络的诊断结果在决策层进行信息融合，提高故障诊断的准确率，并能够对故障的类型进行定性识别，为装备关键承力结构件的视情维修方案提供更精确的指导。

Description

一种基于多参量信息融合的装备关键承力结构件故障诊断 方法

技术领域

本发明涉及装备关键承力结构件的故障诊断领域，具体涉及一种基于多参量信息融合的装备关键承力结构件故障诊断方法。

背景技术

长期以来，在极端环境下服役的装备关键承力结构件经常疲劳失效，面临寿命短、可靠性差和结构重三大问题。关键承力结构件的失效将导致灾难性的后果，因而对故障诊断的实时性和精度提出了更高的要求。

目前装备关键承力结构件的故障诊断技术主要基于对单一类型传感器的检测信息，例如基于加速度传感器检测的振动信号信息进行故障诊断，由于故障特征与故障形式的非线性关系，这种基于单一类型的物理量进行诊断的技术存在诊断故障类型有限、故障诊断率低等缺点。此外，由于装备关键承力结构件长时间运行在交变载荷、高温高压、变速等极端服役条件下，多个振动激励源相互作用，从振动激励源到结构特性经过不同传递途径的衰减和混合作用，使得所监测振动信号具有明显的时变性、非平稳性和非线性等特点，振动信号中所包含微弱故障特征信息很容易被掩盖或产生畸变。

为了更好的检测振动信号，提高故障诊断的精度，目前已经提出了很多强噪声下振动信号增强的方法，例如，高频共振解调技术、希尔伯特黄变换方法、循环平稳解调分析方法、最小熵解卷积方法、小波分析方法等，然而关键承力结构件的故障信号是周期性冲击信号，而上述的信号预处理方法在信噪比相对较低的情况下均不能有效识别故障信号特征，难以准确进行早期故障诊断。

另外，在进行故障诊断时，神经网络方法相对于传统的故障树的方法、专家***的方法和模糊理论的方法等，对非线性映射有着十分优良的拟合能力以及强大的独自组织和独自学习的能力，因此神经网络方法已经成为列车运行控制***等故障诊断的一种十分有效的手段。然而，传统的关键承力结构故障诊断采用的神经网络随着隐藏层数的增加，采用随机梯度下降进行训练方式容易陷入局部最优解，因而限制了故障诊断精度；同时神经网络层数的增加导致模型的训练时间迅速增长，不能满足实时性的要求，进而也会对关键承力结构件的故障诊断精度和实时性造成影响。

发明内容

本发明针对现有技术中采用单一类型传感器进行故障检测与诊断、振动信号中所包含故障特征信息很容易被掩盖或产生畸变，导致故障诊断和预警准确率低等缺陷，提出一种基于多参量信息融合的装备关键承力结构件故障诊断方法。

本发明是采用以下的技术方案实现的：一种基于多参量信息融合的装备关键承力结构件故障诊断方法，包括以下步骤：

步骤A、基于温度传感器、加速度传感器和声发射传感器分别采集关键承力结构件的温度信号、振动信号和声发射信号；

步骤B、基于扩展卡尔曼滤波器对采集对振动信号进行增强；

步骤B1、基于过零检测将原始振动信号进行截断，保留至少3个检测周期；

步骤B2、采用扩展卡尔曼滤波框架对经过截断处理的振动信号进行滤波；

步骤B3、在滤波趋于稳态后，根据观测预测误差的大小为预测值进行修正，进而得到增强后的振动信号；

步骤C、对温度信号和声发射信号，以及经过步骤B增强后的振动信号分别进行特征提取和故障诊断；

步骤D、将步骤C中经过故障诊断后的数据进行融合，获得最终的诊断结果。

进一步的，所述步骤B1中通过过零检测对振动信号进行截断时，具体采用以下方式：

(1)使用符号函数sgn[]对加速度传感器采集的振动信号z^ori进行处理，以求得过零点个数M；

(2)根据振动信号样本的时间长度和周期个数计算相邻两个过零点的平均间隔，判断并删除受到噪音干扰的过零点；

(3)获得原始振动信号样本的周期个数N：

(4)针对采集的振动信号在10种工况下的0.7*n*10个训练样本，计算训练样本中第1个到第7个过零点之间的振动信号的时间长度的最大值，并将所有的振动信号都截断至该时间长度，得到截断处理后的振动信号z。

进一步的，所述步骤B2中，对经过截断处理的振动信号进行滤波时采用以下方式：

(1)引入状态空间模型：

x_k+1＝f_k(x_k,w_k)

z_k＝h_k(x_k,v_k)

其中f_k为状态方程，h_k为观测方程，w_k为过程噪音，v_k为观测噪声，z_k为k时刻经过截断处理的振动信号的值，x_k+1为k+1时刻纯净振动信号的值；

(2)***模型线性化处理：

其中x_k为k时刻的纯净振动信号的真值，

为k-1时刻的最优估计值，

为估计误差；

(3)k时刻纯净振动信号的的先验估计：

由于实际情况中k-1时刻的真值无法获取，使用最优估计值代替真值；

因此k时刻的纯净振动信号估计误差为：

(4)纯净振动信号估计误差协方差矩阵：

(5)确定k时刻的观测线性化方程：

(6)k时刻的观测振动信号的先验估计：

因此k时刻的观测振动信号估计误差为：

(7)根据协方差矩阵确定k时刻的卡尔曼增益：

其中

为纯净振动信号估计误差和观测振动信号估计误差的协方差矩阵，

为观测振动信号估计误差的协方差矩阵：

(8)更新k时刻的纯净振动信号的最优估计值：

(9)更新k时刻的协方差矩阵：

通过不断地迭代运算得到纯净振动信号的最优估计

进一步的，所述步骤B3中，在滤波趋于稳态后，观测振动信号的误差趋于极小值，根据观测振动信号的误差大小判断是否应该调整预测值：

其中，

为观测振动信号误差的最大值，当满足上式时，认为滤波正常；当上式不成立时，认为状态发生了突变，此时观测值的可靠性较高，预测值

的可靠性较低，应基于以下方式修正预测值：

扩展卡尔曼滤波器中的c和λ通过粒子群优化算法进行求解，步骤如下：

1)设定粒子群最大进化代数G_max＝30，种群规模为S＝30，加速度因子D₁＝D₂＝2，惯性权重ω＝1；

2)初始化粒子种群，以影响参数的组合[c,λ]作为粒子，每个粒子对应一对影响参数，随机产生S个参数组合作为粒子的初始位置，随机初始化每个粒子的移动速度；

3)选取特征增强后的振动信号的信噪比作为适应度函数，根据粒子的位置计算适应度函数的值；

4)对比适应度值大小并更新个体局部极值和种群全局极值；

5)更新粒子的速度和位置；

其中η为[0,1]之间的随机数，p＝[c,λ]，d为粒子的序号，g为迭代次数；

6)循环迭代，转至步骤3)，直至迭代次数达到G_max，输出全局最优粒子位置，即获得最优的[c,λ]。

进一步的，所述步骤C中，基于改进的深度置信神经网络对传感器采集的数据分别进行特征提取、特征降维和故障诊断操作，改进的深度置信神经网络包括特征提取层、特征降维层和故障分类层；

具体的：

(1)特征提取层

通过步骤B中的过零点检测方法确定振动信号周期的最大值，根据振动信号采样点个数设置特征提取层神经元的个数，温度信号和声发射信号也截断至此时间长度，利用一维的细胞神经网络提取特征；

特征提取层状态方程：

特征提取层输出方程：

特征提取层抑制方程：

|x_l(0)|≤1,1≤l≤4000

|u_l|≤1,1≤l≤4000

其中x(t)和y(t)分别为细胞在t时刻的状态和输出，u为细胞的输入，即归一化的输入信号的值，z_threshold为阈值。C(s)∈N(l)为第l个细胞的相邻细胞，A(l,s)和B(l,s)分别称为反馈模板和控制模板。特征提取层的输出和状态完全由反馈模板、控制模板和阈值决定。

经对比实验，本实施例中邻域半径r设置为2，对于r＝2的特征提取层的输出完全可由11个参量决定，即阈值以及A(l,s)和B(l,s)的10个参量。

A(l,s)＝[e₁,e₂,e₃,e₄,e₅]

B(l,s)＝[f₁,f₂,f₃,f₄,f₅]

因此，

参数向量u＝[e₁,e₂,e₃,e₄,e₅,f₁,f₂,f₃,f₄,f₅,z_threshold]；

(2)特征降维层

特征降维层由三个RBM组成，RBM包括可见层和隐藏层两层神经元，其中，上一个RBM的隐层即为下一个RBM的显层，降维时对于每一个RBM通过对比散度算法进行无监督预训练，无监督预训练步骤如下：

1)随机初始化参数(W,a_bias,b_bias)，W初始化为来自正态分布N(0,0.01)的随机数；

2)根据特征提取层的输出计算使隐藏层神经元开启的概率；

3)根据计算的概率分布进行一步Gibbs抽样，对隐藏层中的每个单元从{0,1}中抽取得到相应的值；

4)利用隐藏层的值计算可见层神经元开启的概率；

5)根据计算到的概率分布，再一次进行Gibbs采样，来对可见层中的神经元从{0,1}中抽取相应的值来进行采样重构；

6)再次用可见层的值计算出隐层神经元被开启的概率；

7)更新得到新的权重和偏置；

8)使用下一个训练样本重复步骤1)-7)；

9)当前的RBM充分训练之后，其隐藏层作为下一个RBM的可见层，重复步骤1)-8)继续训练，直至训练完所有的RBM。

(3)故障分类层：

在改进的深度置信神经网络的最后一层设置故障分类层，接收最后一层RBM的输出特征向量作为它的输入特征向量,有监督地训练分类器，通过反向传播将错误信息自顶向下传播至特征降维层和特征提取层，对整个改进的深度置信神经网络进行微调。

进行有监督的调优训练时，先利用前向传播算法，从输入得到一定的输出值，然后再利用反向传播算法来更新改进的深度置信神经网络的权重值和偏置值，训练过程如下：

1)随机初始化特征提取层的参数向量u；

2)利用CD-k算法预训练好的(W,a_bias,b_bias)来确定特征降维层相应隐元的开启和关闭；

3)逐层向上传播，选择sigmoid函数作为隐藏层和输出层的激活函数，计算改进的深度置信神经网络的输出；

4)采用基于最小均方误差准则的反向误差传播算法来更新整个网络的参数。

进一步的，所述步骤D中，基于D-S证据理论进行信息融合，具体如下：

(1)构造决策***识别框架：

Θ＝{A₁,A₂,...,A₁₀}

其中A₁代表正常状态，A₂-A₁₀代表九种不同的故障状态；

(2)根据步骤C的输出确定基本可信度分配函数m_i(A_j)，其中i＝1,2,3，分别对应于加速度传感器、温度传感器和声发射传感器；j＝1,2,...,10；

(3)利用D-S合成规则确定联合基本可信度分配函数，定义冲突系数L为

B，C∈Θ

式中，B∩C＝φ为信息中冲突的部分；

首先将加速度传感器的基本可信度分配函数m₁(A_j)和温度传感器的基本可信度分配函数m₂(A_j)进行融合：

式中：B∩C＝A_j为信息一致的部分；

为正交和；1-L为剔除冲突干扰的归一化因子；

然后通过相同的方式将m₁₂(A_j)与声发射传感器的基本可信度分配函数m₃(A_j)进行融合，得到m₁₂₃(A_j)；

(4)根据D-S决策规则确定最终诊断结果：

其中，

选择可信度最大的工况作为故障诊断结果。

与现有技术相比，本发明的优点和积极效果在于：

本方案结合微弱故障信号的周期性特征进行信号截断以提高处理的实时性，并针对微弱故障信号的突变性特征进行基于扩展卡尔曼滤波的增强设计，能够通过状态估计实现高斯信号(噪声成分)和非高斯信号(故障冲击成分)的有效分离；

改进的深度置信神经网络中的特征提取层利用细胞神经网络中邻域细胞之间的非线性动力学传播效应实现时序信号相关性特征的有效提取，尤其是奇异点或突变点处的信号特征的提取；同时利用细胞神经网络并行高速以及易于VLSI实现的特性，进一步提高特征提取的实时性；基于RBM训练模型的过程等同于对故障分类层权值参数的初始化的特性，特征降维层利用RBM对提取的特征进行降维，有效地降低了神经网络的训练时间，同时解决了故障分类陷入局部最优的问题；故障分类层使用反向传播算法对整个改进的深度置信神经网络的参数进行微调，提高了故障诊断的精度；最终结合D-S证据理论和改进的深度置信神经网络的诊断结果在决策层进行信息融合，进一步提高故障诊断的准确率，为装备关键承力结构件的视情维修方案提供更精确的指导。

附图说明

图1为本发明实施例所述故障诊断方法原理框图；

图2为本发明实施例所述改进的深度置信神经网络结构示意图。

具体实施方式

为了能够更加清楚地理解本发明的上述目的、特征和优点，下面结合附图及实施例对本发明做进一步说明。在下面的描述中阐述了很多具体细节以便于充分理解本发明，但是，本发明还可以采用不同于在此描述的其他方式来实施，因此，本发明并不限于下面公开的具体实施例。

如图1所示，本实施例提出一种基于多参量信息融合的装备关键承力结构件故障诊断方法，包括以下步骤：

步骤一、基于温度传感器、加速度传感器和声发射传感器分别采集关键承力结构件的温度信号、振动信号和声发射信号；

步骤二、基于扩展卡尔曼滤波器对振动信号进行增强；

步骤三、对温度信号和声发射信号，以及增强后的振动信号进行特征提取和故障诊断；

步骤四、将经过故障诊断结果进行融合，获得最终的诊断结果。

步骤一、基于传感器的数据采集

本实施例中基于温度传感器、加速度传感器和声发射传感器分别采集关键承力结构件的温度、振动和声发射信号，通过多参量信息状态监测扩展装备关键承力结构件的状态监测故障维度，提高故障诊断和预警准确率，并能够对故障的类型和程度进行定性识别和定量诊断，为装备关键承力结构件的视情维修方案提供更精确的指导。

具体实施时，可以将三种传感器对应每一种工况(比如有10种工况)分别选取n个样本，其中70％的样本作为训练集，30％的样本作为测试集，共计n*3*10个样本，每个样本长度为0.5s，采样频率为20000Hz，因而采样点的个数为10000，本实施例中，n取100。

步骤二、基于扩展卡尔曼滤波器对振动信号增强

由于温度和声发射信号可以直接进行特征提取作为故障诊断模型的输入，而关键承力结构件的复杂化和集成化使得不同部件之间动力学特性相互影响，具有密切的耦联性，对于振动信号则需经故障特征增强及提取后作为故障诊断模型的输入。另外，考虑到关键承力结构件往往承载着巨大的重量而且服役在高速运动的环境中，因而对故障诊断的实时性要求高，而采样点个数过多将导致振动信号处理速度降低，本实施例采用以下方法对振动信号进行增强：

1、基于过零点检测将原始振动信号进行截断，保留至少3个检测周期，具体的：

(1)使用符号函数sgn[]对加速度传感器采集的振动信号z^ori进行处理；

当

时，表明

与

之间存在一个过零点，并记

为过零点的时间，最终求得过零点个数M；

(2)根据振动信号样本的时间长度和周期个数估算相邻两个过零点的平均间隔：

(3)当两个过零点之间时间差小于

时，表明振动信号受到噪音干扰计算得到错误的过零点，则删除后一个过零点。

(4)由于振动信号过零点的个数为半个信号周期的个数加1，因而原始振动信号样本的周期个数N为：

(5)计算加速度传感器采集的10种工况下的总计700个训练样本的第一个到第七个过零点之间的振动信号的时间长度的最大值，并将所有的振动信号都截断至此时间长度，得到截断处理后的振动信号z。

2、然后采用扩展卡尔曼滤波框架对经过截断处理的振动信号进行滤波：

由于故障冲击成分通常具有非高斯性质，而噪声成分则呈现出高斯分布特性，扩展卡尔曼滤波器能够通过状态估计实现高斯信号和非高斯信号的有效分离，具体的：

(1)引入状态空间模型：

x_k+1＝f_k(x_k,w_k)

z_k＝h_k(x_k,v_k)

其中f_k为状态方程，h_k为观测方程，w_k为过程噪音，v_k为观测噪声，z_k为k时刻经过截断处理的振动信号的值，x_k+1为k+1时刻纯净振动信号的值；

(2)***模型线性化处理：

其中x_k为k时刻的纯净振动信号的真值，

为k-1时刻的最优估计值，

为估计误差。

(3)k时刻纯净振动信号的的先验估计：

由于实际情况中k-1时刻的真值无法获取，使用最优估计值代替真值。

因此k时刻的纯净振动信号估计误差为：

(4)纯净振动信号估计误差协方差矩阵：

(5)确定k时刻的观测线性化方程：

(6)k时刻的观测振动信号的先验估计：

因此k时刻的观测振动信号估计误差为：

(7)根据协方差矩阵确定k时刻的卡尔曼增益：

其中

为纯净振动信号估计误差和观测振动信号估计误差的协方差矩阵，

为观测振动信号估计误差的协方差矩阵：

(8)更新k时刻的纯净振动信号的最优估计值：

(9)更新k时刻的协方差矩阵：

通过不断地迭代运算得到纯净振动信号的最优估计

3、在滤波趋于稳态后，根据观测振动信号误差的大小对预测值进行修正：

***达到稳定状态时候，扩展卡尔曼滤波器的状态预测误差协方差P_k|k-1将趋于极小值，从而会导致卡尔曼增益K_k也趋向于极小值。由于关键承力结构件的故障信号为突变信号，当状态x_k发生突变，输出误差

就会增大，而此时的增益K_k不会随着输出误差的增大而相应增大，仍将保持极小值，此时扩展卡尔曼滤波器基本丧失了对突变信号的跟踪能力。

为了增强扩展卡尔曼滤波器对突变状态的跟踪能力，要求卡尔曼增益可以随着输出误差的变化可以自动调节。由于卡尔曼增益的计算量较大，重新计算会导致实时性降低，所以本实施例通过一步预测值的改进来提高滤波值的精度。在滤波趋于稳态后，观测预测误差趋于极小值，可根据观测预测误差的大小判断是否应该调整预测值：

其中

为观测振动信号误差的最大值，当误差满足上式时，认为滤波正常；当上式不成立时，认为状态发生了突变，此时观测值的可靠性较高，预测值

的可靠性较低，应修正预测值。

具体修正方式如下：

扩展卡尔曼滤波器中的c和λ通过粒子群优化算法进行求解，步骤如下：

1)设定粒子群最大进化代数G_max＝30，种群规模为S＝30，加速度因子D₁＝D₂＝2，惯性权重ω＝1；

2)初始化粒子种群，以影响参数的组合[c,λ]作为粒子，每个粒子对应一对影响参数，随机产生S个参数组合作为粒子的初始位置，随机初始化每个粒子的移动速度；

3)选取特征增强后的振动信号的信噪比作为适应度函数，根据粒子的位置计算适应度函数的值；

4)对比适应度值大小并更新个体局部极值和种群全局极值；

5)更新粒子的速度和位置；

其中η为[0,1]之间的随机数，p＝[c,λ]，d为粒子的序号，g为迭代次数；

6)循环迭代，转至步骤3)，直至迭代次数达到G_max，输出全局最优粒子位置，即获得最优的[c,λ]。

步骤三、基于改进的深度置信神经网络的特征提取和故障诊断

针对3种传感器分别搭建3个对应的用来做局部故障诊断的改进的深度置信神经网络，本实施例中，三种传感器对应每一种工况(十种工况)分别选取100个样本，其中70个样本作为训练集，30个样本作为测试集，共计2100个训练样本对神经网络进行训练；如图2所示，改进的深度置信神经网络包括特征提取层、特征降维层和故障分类层。

(1)特征提取层

细胞神经网络通过邻域细胞之间的非线性动力学传播效应，能够提取信号的时序相关性特征，尤其是奇异点或突变点处的信号特征；同时细胞神经网络具有并行高速以及易于VLSI实现的特性，进一步提高特征提取的实时性。通过步骤二中的过零点检测方法确定振动信号三个周期的最大值为0.2s，因而所有的处理后的振动信号包含4000个采样点，温度信号和声发射信号也截至此长度，因此将特征提取层采用4000个神经元的一维细胞神经网络。

特征提取层状态方程：

特征提取层输出方程：

特征提取层抑制方程：

|x_l(0)|≤1,1≤l≤4000

|u_l|≤1,1≤l≤4000

其中x(t)和y(t)分别为细胞的在t时刻的状态和输出，u为细胞的输入，即归一化的输入信号的值，z_threshold为阈值。C(s)∈N(l)为第l个细胞的相邻细胞，A(l,s)和B(l,s)分别称为反馈模板和控制模板。特征提取层的输出和状态完全由反馈模板、控制模板和阈值决定。

经对比实验，本实施例中邻域半径r设置为2，对于r＝2的特征提取层的输出完全可由11个参量决定，即阈值以及A(l,s)和B(l,s)的10个参量。

A(l,s)＝[e₁,e₂,e₃,e₄,e₅]

B(l,s)＝[f₁,f₂,f₃,f₄,f₅]

因此，

参数向量u＝[e₁,e₂,e₃,e₄,e₅,f₁,f₂,f₃,f₄,f₅,z_threshold]。

(2)特征降维层

故障分类层因随机初始化权值参数而容易导致陷入局部最优和训练时间长的问题，而RBM训练模型的过程可看作对故障分类层权值参数的初始化，因此特征降维层由三个RBM组成。RBM包括可见层和隐藏层两层神经元，其中，上一个RBM的隐层即为下一个RBM的显层。由图2可知，特征提取层作为RBM1的可见层，隐藏层2的神经元个数为2000；RBM1的隐藏层作为RBM2的可见层，隐藏层3的神经元个数为1000；RBM2的隐藏层作为RBM3的可见层，隐藏层4的神经元个数为500；RMB3的隐藏层作为故障分类层的输入。训练过程中，需要充分训练上一层的RBM后才能训练当前层的RBM，直至最后一层。RBM的训练过程，实际上是求出一个最能产生训练样本的概率分布。由于这个分布的决定性因素在于(W,a_bias,b_bias)，其中a_bias为可见层偏置，b_bias为隐藏层的偏置，W为权重参数，因此训练RBM的目标就是求得最优参数(W,a_bias,b_bias)。

对于每一个RBM通过对比散度算法(CD-k)进行无监督预训练，步骤如下：

1)随机初始化参数(W,a_bias,b_bias)，W初始化为来自正态分布N(0,0.01)的随机数；

2)根据特征提取层的输出计算使隐藏层神经元开启的概率；

3)根据计算的概率分布进行一步Gibbs抽样，对隐藏层中的每个单元从{0,1}中抽取得到相应的值；

4)利用隐藏层的值计算可见层神经元开启的概率；

5)根据计算到的概率分布，再一次进行一步Gibbs采样，来对可见层中的神经元从{0,1}中抽取相应的值来进行采样重构；

6)再次用可见层的值计算出隐层神经元被开启的概率；

7)更新得到新的权重和偏置；

针对特征降维层中固定的学习率难以寻找全局最优以及学习速度慢等问题，提出了动态学习的特征降维方法，改进了受限波尔兹曼机网络以提高特征提取精度及参数在训练过程中的抗振荡能力。

采用动态学***方和更新下一回合权重的学习率，减少历史梯度的冗长计算，使用呈下降趋势的幂指数函数更新偏置的学习率，提高模型的收敛速度。

D(t)＝γd(t-1)²+d(t)²

其中，η_DBN(t)为可视层与隐含层之间权重的学***方和；H取1；γ为衰减因子，取值0.9；α(t)和β(t)分别为可见单元和隐含单元偏置的学习率；E为最大迭代次数；q取值0.7。

8)使用下一个训练样本重复步骤1)-7)；

9)当前的RBM充分训练之后，其隐藏层作为下一个RBM的可见层，重复步骤1)-8)继续训练，直至训练完所有的RBM。

(3)故障分类层

在改进的深度置信神经网络的最后一层设置故障分类层，接收最后一层RBM的输出特征向量作为输入特征向量，有监督地训练分类器。由于每一层RBM网络只能确保自身层内的权值对该层特征向量映射达到最优，并不是对整个特征降维层的特征向量映射达到最优，因此通过反向传播将错误信息自顶向下传播至特征降维层和特征提取层，微调整个改进的深度置信神经网络。

进行有监督的调优训练时，需要先利用前向传播算法，从输入得到一定的输出值，然后再利用反向传播算法来更新改进的深度置信神经网络的权重值和偏置值，训练过程如下：

1)随机初始化特征提取层的参数向量u；

2)利用CD-k算法预训练好的(W,a_bias,b_bias)来确定特征降维层相应隐元的开启和关闭；

3)逐层向上传播，选择sigmoid函数作为隐藏层和输出层的激活函数，计算改进的深度置信神经网络的输出；

4)采用基于最小均方误差准则的反向误差传播算法来更新整个网络的参数；

需要说明的是，本实施例中，在进行特征提取和故障诊断时，不限于上述算法，也可以基于同步压缩小波变换或其他算法进行特征提取；

基于同步压缩小波变换的特征提取原理如下：采用同步压缩小波变换分别对温度，振动和声发射信号进行时频分析，经离散小波变换、相变换、同步压缩及信号重构处理后，获取能够表征不同故障的时频矩阵。然而特征提取后的故障信号特征空间仍存在维数过高问题，进一步利用非负矩阵分解精简和优化特征空间，以计算得到的稀疏表达矩阵作为最终信号特征，具体的：

(1)首先对增强后的振动信号、温度信号和声发射信号分别进行离散小波变换：

其中f(t)为输入信号，W_f(a,b)表示小波系数谱，ψ^*表示母小波函数的共轭复数，a表示尺度参数，b表示位移参数；

(2)实际得到的小波系数谱经常发生能量扩散，使得时频谱变得模糊，但其相位不受尺度变化的影响，因此利用小波系数得到的相位来计算其瞬时频率：

(3)利用计算得到的瞬时频率建立(a,b)和(w_f(a,b),b)之间的映射关系，同步压缩变换再对时间-尺度平面的能量进行重新分配将其转化为时频平面：

(4)由于同步压缩变换是对小波变换的复数谱仅沿着频率轴方向进行重排，因此是可逆的，其重构的信号可表示为:

其中f_k(t_m)表示第k个提取的有效信号，

表示依赖选取母小波的函数，Re表示取实部，l_k(t_m)表示有效信号频带范围。

最终可得时频矩阵：

特征提取后的故障信号特征空间仍存在维数过高问题，进一步利用非负矩阵分解精简和优化特征空间，以计算得到的稀疏表达矩阵作为最终信号特征，具体优化流程如下：

(1)首先，对所有数据样本对应的时频矩阵进行归一化处理，并且将时频矩阵按照列优先的方式组合成n维向量。

(2)然后以Kullback-Leber散度为目标函数，求解最优化问题：

选取r为100，最终得到基矩阵W_n×r和系数矩阵H_r×1，此时H_r×1即代表在新特征空间中的特征向量，最终将每一个样本的特征向量维度降为500。

当然，具体实施时，可以根据实际情况选择对应的算法，在此不一一阐述。

步骤四、基于D-S证据理论的信息融合

经过步骤三的特征提取和故障诊断后，要使从各个传感器所获得的信息证据能够进行融合，关键是利用所有信息构造一个基本可信度分配函数，但是在证据理论中并没有给出基本可信度分配函数的普遍形式，基本可信度分配函数的构成往往是根据主观经验，需要具体问题具体分析。

本实施例基于神经网络的输出结果，把每个样本的网络误差以及诊断***中其余不确定因素作为基本可信度分配函数构成不确定因素，因此，将总体看作是三部分，第一部分为神经网络输出结果之和；第二部分为神经网络诊断误差；第三部分为对其他诊断过程中可能产生的不确定性的估计值。将神经网络局部诊断结果作为基础综合考虑误差因素的基本可信度分配函数构成方法在解决了D-S证据理论中基本可信度分配函数构成难点的同时，将神经网络同D-S证据理论有效地结合起来，由于基本可信度分配函数的构成基于神经网络局部诊断结果，出现证据的可能性很低，又避免了D-S合成规则在证据存在冲突时融合结果不合理的现象，既体现了神经网络作为局部故障诊断的精确性，又发挥了D-S证据理论处理不确定问题时的优越性，函数构成中加入了对不确定因素的估计，让在智能故障诊断***中加入人为主观因素成为可能，使得所得证据更加严谨的同时又具有了一定的灵活性和通用性。

基于D-S证据理论的信息融合步骤如下：

(1)构造决策***识别框架：

Θ＝{A₁,A₂,...,A₁₀}

其中A₁代表正常状态，A₂-A₁₀代表九种不同的故障状态。

(2)根据神经网络的输出确定基本可信度分配函数m_i(A_j)，其中i＝1,2,3，分别对应于加速度传感器、温度传感器和声发射传感器；j＝1,2,...,10；例如m₁(A₁)表示加速度传感器采集的数据，经过神经网络诊断为正常状态的概率。

(3)利用DS合成规则确定联合基本可信度分配函数，定义冲突系数L为

B，C∈Θ

式中，B∩C＝φ为信息中冲突的部分。

首先将加速度传感器的基本可信度分配函数m₁(A_j)和温度传感器的基本可信度分配函数m₂(A_j)进行融合：

式中：B∩C＝A_j为信息一致的部分；

为正交和；1-L为剔除冲突干扰的归一化因子。通过相同的计算方式进而将m₁₂(A_j)与声发射传感器的基本可信度分配函数m₃(A_j)进行融合，得到m₁₂₃(A_j)。

(4)根据D-S决策规则确定最终诊断结果：

其中，

最大信任规则旨在选择Bel(A_j)中最大的作为决策结果，也就是说选择可信度最大的工况作为故障诊断结果。

以上所述，仅是本发明的较佳实施例而已，并非是对本发明作其它形式的限制，任何熟悉本专业的技术人员可能利用上述揭示的技术内容加以变更或改型为等同变化的等效实施例应用于其它领域，但是凡是未脱离本发明技术方案内容，依据本发明的技术实质对以上实施例所作的任何简单修改、等同变化与改型，仍属于本发明技术方案的保护范围。

Claims (6)

1.一种基于多参量信息融合的装备关键承力结构件故障诊断方法，其特征在于，包括以下步骤：

步骤A、基于温度传感器、加速度传感器和声发射传感器分别采集关键承力结构件的温度信号、振动信号和声发射信号；

步骤B、基于扩展卡尔曼滤波器对采集对振动信号的微弱故障特征进行增强；

步骤B1、基于过零点检测将原始振动信号进行截断，保留至少3个检测周期；

步骤B2、采用扩展卡尔曼滤波框架对经过截断处理的振动信号进行滤波；

步骤B3、在滤波趋于稳态后，根据观测预测误差的大小为预测值进行修正，进而得到增强后的振动信号；

步骤C、对温度信号和声发射信号，以及经过步骤B增强后的振动信号分别进行特征提取和故障诊断；

步骤D、将步骤C中经过故障诊断后的数据进行融合，获得最终的诊断结果。

2.根据权利要求1所述的基于多参量信息融合的装备关键承力结构件故障诊断方法，其特征在于：所述步骤B1中通过过零点检测对振动信号进行截断时，具体采用以下方式：

(1)使用符号函数sgn[]对加速度传感器采集的振动信号z^ori进行处理，以求得过零点个数M；

(2)根据振动信号样本的时间长度和周期个数计算相邻两个过零点的平均间隔，判断并删除受到噪音干扰的过零点；

(3)获得原始振动信号样本的周期个数N：

(4)针对采集的振动信号在多种工况下的多个训练样本，计算训练样本中第1个到第7个过零点之间的振动信号的时间长度的最大值，并将所有的振动信号都截断至该时间长度，得到截断处理后的振动信号z。

3.根据权利要求2所述的基于多参量信息融合的装备关键承力结构件故障诊断方法，其特征在于：所述步骤B2中，对经过截断处理的振动信号进行滤波时采用以下方式：

(1)引入状态空间模型：

x_k+1＝f_k(x_k,w_k)

z_k＝h_k(x_k,v_k)

其中f_k为状态方程，h_k为观测方程，w_k为过程噪音，v_k为观测噪声，z_k为k时刻经过截断处理的振动信号的值，x_k+1为k+1时刻纯净振动信号的值；

(2)***模型线性化处理：

其中x_k为k时刻的纯净振动信号的真值，

为k-1时刻的最优估计值，

为估计误差；

(3)k时刻纯净振动信号的的先验估计：

由于实际情况中k-1时刻的真值无法获取，使用最优估计值代替真值；因此k时刻的纯净振动信号估计误差为：

(4)纯净振动信号估计误差协方差矩阵：

(5)确定k时刻的观测线性化方程：

(6)k时刻的观测振动信号的先验估计：

因此k时刻的观测振动信号估计的误差为：

(7)根据协方差矩阵确定k时刻的卡尔曼增益：

其中

为纯净振动信号估计误差和观测振动信号估计误差的协方差矩阵，

为观测振动信号估计误差的协方差矩阵：

(8)更新k时刻的纯净振动信号的最优估计值：

(9)更新k时刻的协方差矩阵：

通过不断地迭代运算得到纯净振动信号所有时刻的的最优估计

4.根据权利要求3所述的基于多参量信息融合的装备关键承力结构件故障诊断方法，其特征在于：所述步骤B3中，在滤波趋于稳态后，观测振动信号误差趋于极小值，根据观测振动信号误差的大小判断是否应该调整预测值：

其中，

为观测振动信号误差的最大值，当满足上式时，认为滤波正常；当上式不成立时，认为状态发生了突变，此时观测值的可靠性较高，预测值

的可靠性较低，应基于以下方式修正预测值：

扩展卡尔曼滤波器中的c和λ通过粒子群优化算法进行求解，步骤如下：

1)设定粒子群最大进化代数G_max＝30，种群规模为S＝30，加速度因子D₁＝D₂＝2，惯性权重ω＝1；

2)初始化粒子种群，以影响参数的组合[c,λ]作为粒子，每个粒子对应一对影响参数，随机产生S个参数组合作为粒子的初始位置，随机初始化每个粒子的移动速度；

3)选取特征增强后的振动信号的信噪比作为适应度函数，根据粒子的位置计算适应度函数的值；

4)对比适应度值大小并更新个体局部极值和种群全局极值；

5)更新粒子的速度和位置；

其中η为[0,1]之间的随机数，p＝[c,λ]，d为粒子的序号，g为迭代次数；

6)循环迭代，转至步骤3)，直至迭代次数达到G_max，输出全局最优粒子位置，即获得最优的[c,λ]。

5.根据权利要求1所述的基于多参量信息融合的装备关键承力结构件故障诊断方法，其特征在于：所述步骤C中，基于改进的深度置信神经网络对传感器采集的数据分别进行特征提取、特征降维和故障诊断操作，针对3种传感器分别搭建3个对应的用来做局部故障诊断的改进的深度置信神经网络，改进的深度置信神经网络包括特征提取层、特征降维层和故障分类层，具体的：

(1)特征提取层

通过步骤B中的过零点检测方法确定振动信号周期的最大值，根据振动信号采样点个数设置特征提取层神经元的个数，通过一维的细胞神经网络提取信号特征；

(2)特征降维层

特征降维层由三个RBM组成，RBM包括可见层和隐藏层两层神经元，其中，上一个RBM的隐层即为下一个RBM的显层，降维时对于每一个RBM通过对比散度算法进行无监督预训练；

(3)故障分类层：

在改进的深度置信神经网络的最后一层设置故障分类层，接收最后一层RBM的输出特征向量作为输入特征向量，有监督地训练分类器；通过反向传播将错误信息自顶向下传播至特征降维层和特征提取层，对整个改进的深度置信神经网络进行微调；

进行有监督的调优训练时，先利用前向传播算法，从输入得到一定的输出值，然后再利用反向传播算法来更新网络的权重值和偏置值。

6.根据权利要求1所述的基于多参量信息融合的装备关键承力结构件故障诊断方法，其特征在于：所述步骤D中，基于D-S证据理论进行信息融合，具体如下：

(1)构造决策***识别框架：

Θ＝{A₁,A₂,...,A₁₀}

其中A₁代表正常状态，A₂-A₁₀代表九种不同的故障状态；

(2)根据步骤C的输出确定基本可信度分配函数m_i(A_j)，其中i＝1,2,3，分别对应于加速度传感器、温度传感器和声发射传感器；j＝1,2,...,10，分别对应于十种工况；

(3)利用D-S合成规则确定联合基本可信度分配函数，定义冲突系数L为

B，C∈Θ

式中，B∩C＝φ为信息中冲突的部分；

首先将加速度传感器的基本可信度分配函数m₁(A_j)和温度传感器的基本可信度分配函数m₂(A_j)进行融合：

式中：B∩C＝A_j为信息一致的部分；

为正交和；1-L为剔除冲突干扰的归一化因子；

然后通过相同的方式将m₁₂(A_j)与声发射传感器的基本可信度分配函数m₃(A_j)进行融合，得到m₁₂₃(A_j)；

(4)根据D-S决策规则确定最终诊断结果：

其中，

选择可信度最大的工况作为故障诊断结果。

Images