多源数据融合的设备状态监测与智能诊断研究

摘要

轴承和齿轮作为旋转设备最典型的传动部件，长期工作在高转速、高负载状态下，最容易出现故障。为避免设备故障造成的重大经济损失，有必要对设备状态进行监测和诊断，以确保设备安全可靠的运行。传统的诊断措施普遍采用单信号源、单模型，利用振动信号的特征分解来实现设备故障诊断。在高温和高腐蚀环境中，振动信号的接触式测量不能满足工业生产的需要。在这种情况下，通过麦克风的非接触式测量来收集声学信号同样能反映设备的运行状态，且能有效适应复杂环境，可以为振动信号提供补充信息以改善故障诊断。因此，本课题在工信部国家智能制造项目支持下，从工程实际角度出发，紧密结合机械设备对监测和诊断技术的迫切需求，以轴承和齿轮作为研究对象，对机械设备的状态监测和智能诊断进行深入研究。采用最新的数据融合、神经网络和智能算法等技术从单信号源多传感器集成和多信号源多传感器融合两个角度对设备的故障状态进行诊断。利用智能分类器获得单信号源和单模型的初级诊断结果，结合改进的证据理论对初级诊断结果进一步的决策融合获得更可靠的设备运行状态。论文的主要研究内容如下： （1）多源数据融合的证据理论冲突解决方案 针对数据融合算法中应用最广泛的证据理论无法有效处理证据冲突的问题，提出一种改进的融合算法。首先，利用邻位借值的方式避免“一票否决”现象;其次，利用距离函数和德尔菲法共同修正证据的基本概率赋值;然后，根据冲突因子和阈值的关系选择相应的融合规则完成数据融合;最后，将改进后的证据理论融合算法应用到滚动轴承的故障诊断中，获得了高于原始证据理论的故障诊断率。 （2）单信号源多传感器集成模型融合诊断 针对单信号源非集成模型受单一结构的约束，难以全面反映设备状态的问题，提出一种基于改进证据理论的融合学习向量化神经网络和决策树的集成诊断模型。首先，利用凯斯西储大学公开的轴承故障实验数据提取多信息域的统计特征;其次，采用主成分分析的方法对统计特征进行降维，并将风扇端和驱动端的特征分别送入学习向量化神经网络和决策树模型进行初步的轴承故障诊断;最后，将单模型的故障识别率作为证据传入改进的融合算法，通过进一步的决策融合，实现对轴承的故障诊断。 （3）多信号源多传感器数据融合故障诊断 针对单源传感器受信号源单一和自身性能的局限，难以在不同工况条件下全面反映机械设备运行状态的问题，提出一种基于卷积神经网络的多源传感器融合振声信号的诊断方法。首先，在半消声室环境中搭建齿轮箱故障诊断平台并采集不同工况条件下的振动和声音信号;其次，将振动信号预处理成时频图送入自适应堆叠式卷积神经网络模型获得振动信号的初级诊断结果，同时将声音信号直接切片送入端到端的堆叠式卷积神经网络模型获得声音信号的初级诊断结果;最后，利用改进的证据融合算法将振动和声音信号的初级诊断结果进一步融合决策，得到更精确、更可靠的齿轮状态。 （4）开发多源数据融合与大数据分析的应用系统 基于基础理论研究，开发一个多源数据融合与大数据分析的应用系统。首先，分析制造车间多源制造大数据的产生、处理和技术架构，提出系统的功能需求，并构建系统的感性模型和技术框架;其次，阐述数据库的选择和数据结构设计以及功能模块的实现;最后，呈现该系统在贵州某电器企业的部署与实施。通过该系统的应用，降低企业的维修成本，提高企业的效益。

目录

第一个书签之前