基于多傳感器信號(hào)分析的故障診斷方法
【技術(shù)領(lǐng)域】
[0001] 本發(fā)明涉及一種利用多傳感器獲取機(jī)械設(shè)備信息，采用多混合算法分析的診斷方 法，并以此構(gòu)成一種高精確性、低誤診率的故障診斷方法。
【背景技術(shù)】
[0002] 熱栗技術(shù)于1854年提出之后，經(jīng)歷了曲折的發(fā)展過程，目前已進(jìn)入了全面高速發(fā) 展階段，尤其在能源危機(jī)和全球變暖的環(huán)境壓力下，熱栗技術(shù)成為了各國(guó)關(guān)注的焦點(diǎn)，對(duì)各 類熱栗技術(shù)的研究、應(yīng)用及推廣也上升到了一個(gè)持續(xù)關(guān)注的高度。作為節(jié)能減排的技術(shù)，熱 栗技術(shù)前景廣闊，會(huì)有越來越多的國(guó)家及政府、企業(yè)意識(shí)到熱栗可以帶來的節(jié)能及環(huán)保效 益，市場(chǎng)數(shù)據(jù)也表明未來發(fā)展趨勢(shì)良好。研究熱栗技術(shù)在實(shí)際工程中的應(yīng)用，使熱栗的節(jié)能 環(huán)保作用在實(shí)際中得以更好地發(fā)揮，是推廣熱栗技術(shù)的重要基礎(chǔ)，因此實(shí)際工程應(yīng)用及優(yōu) 化研究工作十分重要。
[0003] 近年來，為了滿足用戶生活熱水需要，熱栗熱水系統(tǒng)在國(guó)內(nèi)運(yùn)用越來越廣泛，但是 隨著時(shí)間推移，熱栗熱水系統(tǒng)中設(shè)備的老化或者其它原因，導(dǎo)致系統(tǒng)運(yùn)行不可避免的會(huì)出 現(xiàn)各種敵障。目前，系統(tǒng)故障排除及設(shè)備維修主要依靠現(xiàn)場(chǎng)人員的經(jīng)驗(yàn)以及相關(guān)儀器完成 故障的診斷，故障能否及時(shí)排除受到現(xiàn)場(chǎng)人員水平和經(jīng)驗(yàn)的約束。并且只限于故障部分的 局部診斷，欠缺系統(tǒng)性的診斷維護(hù)及故障預(yù)測(cè)方法，故障原因搜索和排查依據(jù)經(jīng)驗(yàn)占總消 除故障時(shí)間的50%以上。因此，建立一個(gè)完善的故障診斷系統(tǒng)對(duì)地源熱栗熱水系統(tǒng)進(jìn)行快 速有效的智能診斷具有重要意義。
[0004] 故障診斷本質(zhì)上是一個(gè)模式識(shí)別問題，它包括信號(hào)采集、特征提取和選擇和狀態(tài) 識(shí)別三個(gè)環(huán)節(jié)，其中信號(hào)采集是故障診斷的前提，特征提取和選擇是故障診斷的關(guān)鍵，而狀 態(tài)識(shí)別則是診斷的核心。只有保證了采集信號(hào)的正確性，提取和選擇特征的敏感性，以及狀 態(tài)識(shí)別方法的有效性，才能提尚故障診斷的精度。
[0005] 機(jī)械設(shè)備的一些參數(shù)會(huì)反映出機(jī)械可能存在的故障，如溫度、壓力、流量等參數(shù)， 這些參數(shù)可以使用傳感器的測(cè)量獲得。機(jī)械設(shè)備在運(yùn)行過程中產(chǎn)生的振動(dòng)和噪音及其特征 信息是反映機(jī)械設(shè)備及其運(yùn)行狀態(tài)變化的主要信號(hào)?？梢酝ㄟ^使用傳感器獲得一種或多種 信號(hào)，用來掌握機(jī)器運(yùn)行的狀態(tài)。獲得多種傳感器信號(hào)可以有助于全方面掌握機(jī)械運(yùn)行狀 態(tài)，以此來全面掌握空氣源熱栗機(jī)組的設(shè)備狀態(tài)。
[0006] 目前，針對(duì)熱栗機(jī)組的故障診斷方法較少，或是僅采取單一的故障診斷方法，根據(jù) 某些單一的傳感器獲取的數(shù)據(jù)進(jìn)行系統(tǒng)故障判別，其結(jié)果不僅缺乏精確度，而且存在著誤 診斷。因此，獲取同一系統(tǒng)某一時(shí)刻的多種傳感器信號(hào)，利用多種智能診斷技術(shù)，取長(zhǎng)補(bǔ)短， 可以有效地解決單一的智能診斷技術(shù)存在的問題，提高診斷監(jiān)測(cè)系統(tǒng)的精確性、敏感性，降 低誤診率。
[0007] 基于單一智能分類器的狀態(tài)識(shí)別方法，難以精確地診斷復(fù)雜機(jī)械設(shè)備的早期故障 和復(fù)合故障。為了克服單一智能分類器的不足，提高復(fù)雜設(shè)備故障診斷的確診率，須要采用 多個(gè)智能分類器相結(jié)合的混合智能診斷方法。多分類器組合診斷是實(shí)現(xiàn)混合智能診斷的模 式之一。通過使用不同的預(yù)處理技術(shù)或特征提取方法可以獲得不同的輸入特征集，而輸入 不同特征集的幾個(gè)分類器之間通常表現(xiàn)出互補(bǔ)的分類特性。因此，如果將不同輸入特征集 的幾個(gè)分類器輸出結(jié)果利用集成技術(shù)合成，其最終的結(jié)果可以優(yōu)于最好的單一分類器。
[0008] 將熱栗熱水領(lǐng)域?qū)＜业闹R(shí)軟件化，采用人工智能算法對(duì)故障進(jìn)行識(shí)別，可以更 好地保證控制系統(tǒng)的正常運(yùn)行。在人工智能診斷技術(shù)中基于知識(shí)的故障診斷法由于具備智 能性及不依賴于數(shù)學(xué)模型的特點(diǎn)得到了廣泛的應(yīng)用。
[0009] 哈爾濱工業(yè)大學(xué)的姜益強(qiáng)等人對(duì)基于神經(jīng)網(wǎng)絡(luò)的空氣源熱栗機(jī)組的故障診斷進(jìn) 行了研究，應(yīng)用BP神經(jīng)網(wǎng)絡(luò)模型對(duì)熱栗機(jī)組的性能進(jìn)行模擬，并用來自模擬實(shí)驗(yàn)的征兆實(shí) 例和專家領(lǐng)域內(nèi)的知識(shí)對(duì)神經(jīng)網(wǎng)絡(luò)進(jìn)行了訓(xùn)練。
[0010] 西安建筑科技大學(xué)的張中鶴、王康等人應(yīng)用人工神經(jīng)網(wǎng)絡(luò)方法對(duì)地下水源熱栗系 統(tǒng)的故障進(jìn)行了診斷。與之前的研究相比，不同之處在于他們將研究重心放在了對(duì)能效有 影響且不易察覺的"軟故障"上。對(duì)地下水源熱栗系統(tǒng)的運(yùn)行維護(hù)有著積極的意義。
[0011] 總結(jié)國(guó)內(nèi)外研究成果可以看到，我國(guó)故障診斷技術(shù)在熱栗機(jī)組領(lǐng)域的應(yīng)用已有了 一定的發(fā)展及應(yīng)用，但仍存在以下問題：
[0012] 現(xiàn)有混合智能診斷研究大多仍使用溫度、壓力等離散的物理信號(hào)構(gòu)成診斷信息， 鮮少使用振動(dòng)信息或者、聲音信息等連續(xù)信號(hào)，造成診斷信息的不完備。機(jī)械系統(tǒng)故障常常 表現(xiàn)在動(dòng)力學(xué)、聲學(xué)、摩擦學(xué)、熱力學(xué)等多物理場(chǎng)，因此僅僅利用某一物理場(chǎng)造成診斷信息 的不完備，難免引起故障的漏檢和誤判，尤其對(duì)十早期、微弱和復(fù)合故障，其故障特征往往 在任何一個(gè)物理場(chǎng)都不明顯，只有綜合利用多物理場(chǎng)信息才有望提高故障診斷和預(yù)示的精 度。
[0013]從診斷的方法來看，隨著研究和應(yīng)用的深入，單一故障診斷方法具有不可避免的 缺陷。面臨的諸如診斷信息不完整、模糊隸屬度函數(shù)的人為確定、專家系統(tǒng)的知識(shí)獲取困 難、神經(jīng)網(wǎng)絡(luò)缺乏故障樣本訓(xùn)練等問題，限制了這些單一智能技術(shù)的應(yīng)用。因此，多種診斷 方法加以組合能使診斷系統(tǒng)中知識(shí)表達(dá)更加完善和清晰，不拘泥于某一種特定的診斷方 法，則可以大大提高診斷的準(zhǔn)確性及可現(xiàn)行。

【發(fā)明內(nèi)容】

[0014] 本發(fā)明的目的在于提供一種能夠有效地診斷和預(yù)示復(fù)雜機(jī)械的故障模式的基于 多傳感器信號(hào)分析的故障診斷方法。
[0015] 本發(fā)明的技術(shù)解決方案是：
[0016]-種基于多傳感器信號(hào)分析的故障診斷方法，其特征是：包括下列步驟：
[0017] (1)利用單片機(jī)驅(qū)動(dòng)多個(gè)傳感器收集機(jī)組數(shù)據(jù)，機(jī)組運(yùn)行參數(shù)包括供水溫度、回水 溫度、水箱水溫以及水箱水位，并與PC機(jī)進(jìn)行串口通訊，將所采集的數(shù)據(jù)發(fā)送到PC機(jī)；
[0018] (2)機(jī)組振動(dòng)信號(hào)的采集，采用無線傳感器，通過無線模塊將振動(dòng)數(shù)據(jù)傳到電腦 上；
[0019] (3)獲取各個(gè)傳感器測(cè)量的熱栗機(jī)組在運(yùn)行過程中不同轉(zhuǎn)態(tài)下的壓力、溫度、流量 參數(shù)，并進(jìn)行融合操作，構(gòu)成不同狀態(tài)下的特征向量；
[0020] (4)將獲取的多個(gè)時(shí)刻或是多個(gè)運(yùn)行狀態(tài)的傳感器數(shù)據(jù)構(gòu)成的特征向量與狀態(tài)進(jìn) 行模式映射，得出故障與征兆之間的關(guān)系，以此設(shè)計(jì)和訓(xùn)練神經(jīng)網(wǎng)絡(luò)來進(jìn)行故障分類，以便 系統(tǒng)進(jìn)行故障診斷時(shí)，可以根據(jù)不同的故障征兆來完成模式映射過程；
[0021] (5)根據(jù)數(shù)據(jù)融合的特征向量維數(shù)，確定遺傳算法優(yōu)化的BP神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)，完 成神經(jīng)網(wǎng)絡(luò)的訓(xùn)練過程，根據(jù)神經(jīng)網(wǎng)絡(luò)的訓(xùn)練結(jié)果，進(jìn)行相關(guān)的優(yōu)化；
[0022] (6)采用遺傳算法對(duì)BP神經(jīng)網(wǎng)絡(luò)的初始權(quán)值和閾值分布進(jìn)行優(yōu)化，通過選擇、交 叉和變異操作找到BP神經(jīng)網(wǎng)絡(luò)的最優(yōu)權(quán)值和閾值；在此利用測(cè)試數(shù)據(jù)對(duì)優(yōu)化后的BP神經(jīng) 網(wǎng)絡(luò)進(jìn)行訓(xùn)練，獲得最終優(yōu)化好的BP神經(jīng)網(wǎng)絡(luò)故障分類器；
[0023] (7)對(duì)于相應(yīng)機(jī)械狀態(tài)下獲得的振動(dòng)信號(hào)，進(jìn)行去噪相關(guān)操作后，采用小波包分析 方法對(duì)振動(dòng)波形進(jìn)行小波分解，獲取三層小波分解后各個(gè)節(jié)點(diǎn)的重構(gòu)小波系數(shù)與重構(gòu)小波 能量譜；
[0024] (8)從獲取的重構(gòu)小波系數(shù)與重構(gòu)小波能量譜中提取各個(gè)節(jié)點(diǎn)的