基于多传感信息融合的旋转机械故障诊断研究

发布时间：2020-05-19 07:02

【摘要】：伴随着传感器技术与数据采集系统在智能生产车间的广泛部署应用,基于数据驱动的智能机械健康状态监测与故障诊断已进入“工业大数据”时代。旋转机械在机械工程领域被广泛使用并在工程应用领域扮演着重要的角色。随着科学技术的进步,旋转机械的结构组成与运行状态日益复杂导致其在恶劣的生产条件下故障出现的潜在可能性与故障诊断难度越来越大。多传感设备在数据采集过程中存在着大量影响故障诊断模型综合性能的冲突数据以及噪声数据。在智能制造+大数据的工业背景下,如何充分利用多传感器数据对旋转机械设备健康状态进行实时监测并进行有效的综合故障诊断研究是本文的工作重点。主要研究工作描述如下:首先提出了一种IDS(Improved Dempster-Shafer Evidence Theory)信息融合算法用以处理多传感信息融合过程中可能存在的冲突问题。IDS算法通过将证据体距离矩阵代入到改进Gini系数函数之中,通过规范化确定了不同证据体的置信度因子,以加权融合的方式有效地对一致证据与冲突证据进行了融合。并基于优胜劣汰机制,提高了合成证据的置信度。随后提出了一种基于频谱切片特征重构的方法对设备状态信息进行有效提取。该方法通过将时域信号转换到频域信号,再由切片堆叠重构保留频谱能量信息的方式,能有效地对原始信号进行特征提取。该特征提取方法有助于降低对专家经验的依赖程度、减少模型参数、降低样本需求量、加快模型收敛速度并提高模型诊断精度。接着针对单源传感非集成模型的局限性,提出了一种集成IDS算法与卷积神经网络的旋转机械故障诊断模型IDSCNN(Improved Dempster-Shafer Evidence Theory with Convolutional Nerural Network),并将该模型应用到凯斯西储大学轴承故障数据集上进行实验分析。通过与单源非集成模型以及与当前主流机器学习与深度学习模型在多种工况条件下分析比较,IDSCNN模型均表现出了更好的故障诊断性能。为旋转机械故障诊断提供了一种新的研究路线。最后针对复杂多变的实际生产环境下可能存在的大量噪声数据问题,提出了一种多传感噪声自适应模型MACNN(Multi-sensors Adaptive Convolutional Neural Network),该模型在IDSCNN的基础上通过增加批量规范化层与噪声标签自适应网络的方式提高了对噪声数据以及噪声标签的鲁棒性。通过在不同信噪比以及不同噪声标签级别下进行对比实验,该模型均可获得相对较高的故障诊断准确度。
【图文】：

论文研究,结构框架

贵州大学硕士学位论文IDS 算法为第 4 章多传感多模型决策融合提供了决策融合的理论依据。论文第 5 章在第 4 章的基础上，，模拟生产环境中可能出现的噪声数据以及噪声标签，通过在第 4 章故障诊断模型的基础上增加批量正则化层与噪声标签自适应层，提高了该故障诊断模型在噪声环境中的鲁棒适应能力。论文研究结构框架如图所示：

多传感数据融合,多传感信息融合,学习模型

零部件作为研究对象，通过传感器数据获取设备运行期间的相关数据，频域、图像、声音等相关数据进行特征提取，随后利用提取出来的特征障诊断模型，最终用训练好的模型对设备进行状态监测与故障诊断。然数基于深度学习的故障诊断模型多是基于单源传感非集成模型的诊断器受自身性能与环境影响，对设备状态运行的反馈具有片面性。当单一，诊断模型将会崩溃失效。与此同时，基于数据驱动的深度学习模型对定程度的敏感性。深度学习模型的性能好坏很大程度上受模型结构和参测试数据的分布与训练数据的分布不满足独立同分布条件时，基于深度断模型的诊断性能将显著性下降。对上述问题，本章提出了一套基于多传感信息融合与卷积神经网络的故并在后续的章节中将其应用到轴承故障诊断的相关问题中。多传感信息融合面临的问题与信息融合的级别多传感信息融合面临的问题
【学位授予单位】：贵州大学
【学位级别】：硕士
【学位授予年份】：2018
【分类号】：TH133

【参考文献】