基于异类多传感器数据融合的机械设备健康状态评估方法技术

技术编号:14693567 阅读:305 留言:0更新日期:2017-02-23 16:30
本发明专利技术公开了一种基于异类多传感器数据融合的机械设备健康状态评估方法,包括如下步骤:首先对异类多传感器的信号分别去噪,然后提取出各种信号的敏感特征量,构造敏感特征量集,再将敏感特征量集作为BP神经网络的训练样本,建立基于BP神经网络故障诊断模型实现故障分离和诊断,并得出每个传感器对每一种的故障的识别率,构造成D‑S证据框架,最后利用D‑S证据理论的Dempster合成公式,求解得出了最大的可能性故障类型。本发明专利技术基于D‑S决策层的融合,使得分类诊断精度高、效率高,有效的提升了裂纹的诊断效果,便于工程实践中使用。

【技术实现步骤摘要】

本专利技术属于机械设备故障诊断
,特别是涉及一种基于异类多传感器数据融合的机械设备健康状态评估方法
技术介绍
机械设备中发生率最高的故障是裂纹,因此,研究者对机械构件的裂纹识别进行了大量的研究,例如基于声发射信号在裂纹检测上的运用、采用图像处理技术和声音识别技术的两者融合方法对鸡蛋壳表面裂纹自动识别的研究、利用电磁超声原理设计了一种针对钢板裂纹检测系统;基于漏磁技术的裂纹检测等技术的运用。上述提及的技术手段在对大型设备裂纹检时都存在一些条件约束,例如声发射信号如要相对较为安静的检测环境,机器视觉不能实时监测,电磁超声不能做到微小化等因素。因此,能实时监测的技术,仍然是振动技术和应变计技术,加速度计和应变计不仅体积小,而且精度高且能无线无源。单一的传感器对裂纹的检测具有可靠信低、精度低等缺点。
技术实现思路
为了解决上述技术问题,本专利技术提拱了一种对机械设备的故障诊断的效率与准确性高的基于异类多传感器数据融合的机械设备健康状态评估方法。本专利技术采用的技术方案是:一种基于异类传感器的数据融合的健康状态评估方法,包括如下步骤:1)采用不同类型的传感器对机械故障进行测量,获得振动加速信号和应力应变信号,对信号xi进行去噪处理,得到各类传感器信号xi',其中i表示信号来自第几个传感器;2)针对不同类型的传感器的测量属性,分别提取时域或/和频域的敏感特征向量,构成敏感特征向量集;3)将各类传感器测量的信号敏感特征量作为BP神经网络的输入,构造BP神经网络,采用已知的样本对BP神经网络进行训练以建立故障诊断模型;再利用不同故障的多组实验数据进行测试,得出每个传感器对每一类型故障的诊断率;4)根据每一个传感器的神经网络得出的属性值构造D-S证据框架,再采用Dempster合成公式,求解得出最大的可能性故障类型。上述的基于异类多传感器数据融合的机械设备健康状态评估方法中,步骤1)的具体操作步骤如下:1.1)首先选择传感器布置点,将测量不同的物理属性的传感器分别安装相应的传感器布置点,各传感器测量得到信号xi;1.2)对于加速度信号,采用奇异值分解法去噪处理;对于应力信号,首先对其载波信号过滤,然后再进行奇异值分解去噪处理;得到去噪后的信号xi'。上述的基于异类多传感器数据融合的机械设备健康状态评估方法中,步骤2)中采用时域的敏感特征向量构成敏感特征向量集,加速度信号采用p1,p2,p3作为敏感特征向量;应力信号采用p1,p2,p3,p4,p5,p6作为敏感特征向量,应变信号采用p1,p2,p3作为敏感特征向量;其中:p1=max(|xi|),式中:为xi的平均值,xstd为xi的方差。上述的基于异类多传感器数据融合的机械设备健康状态评估方法中,步骤3)中建立的神经网络模型中,包括每一传感器的信号对机械设备故障的属性值Gi=1or0,1表示机械设备正常,0表示机械设备故障;并求解出每类传感器对于每一种机械故障的诊断率wi。上述的基于异类多传感器数据融合的机械设备健康状态评估方法中,步骤4)中D-S证据框架建立方法,将加速度信号、应力信号和应变信号作为三个独立的信息源,构成D-S证据表格;由加速度信号判断机械设备正常的可信度为Pa1,由加速度信号判断机械设备故障的可信度为Pa0;由应力信号判断机械设备正常的可信度为Ps1,由应力信号判断机械设备故障的可信度为Ps0;由应变信号判断机械设备正常的可信度为Pn1,由应变信号判断机械设备故障的可信度为Pn0,并计算加速度信号和应力信号、应变信号的对于机械设备的{正常,故障本文档来自技高网...
基于异类多传感器数据融合的机械设备健康状态评估方法

【技术保护点】
一种基于异类多传感器数据融合的机械设备健康状态评估方法,包括如下步骤:1)采用不同类型的传感器对机械故障进行测量,获得振动加速信号和应力应变信号,对信号xi进行去噪处理,得到各类传感器信号xi',其中i表示信号来自第几个传感器;2)针对不同类型的传感器的测量属性,分别提取时域或/和频域的敏感特征向量,构成敏感特征向量集;3)将各类传感器测量的信号敏感特征量作为BP神经网络的输入,构造BP神经网络,采用已知的样本对BP神经网络进行训练以建立故障诊断模型;再利用不同故障的多组实验数据进行测试,得出每个传感器对每一类型故障的诊断率;4)根据每一个传感器的神经网络得出的属性值构造D‑S证据框架,再采用Dempster合成公式,求解得出最大的可能性故障类型。

【技术特征摘要】
1.一种基于异类多传感器数据融合的机械设备健康状态评估方法,包括如下步骤:1)采用不同类型的传感器对机械故障进行测量,获得振动加速信号和应力应变信号,对信号xi进行去噪处理,得到各类传感器信号xi',其中i表示信号来自第几个传感器;2)针对不同类型的传感器的测量属性,分别提取时域或/和频域的敏感特征向量,构成敏感特征向量集;3)将各类传感器测量的信号敏感特征量作为BP神经网络的输入,构造BP神经网络,采用已知的样本对BP神经网络进行训练以建立故障诊断模型;再利用不同故障的多组实验数据进行测试,得出每个传感器对每一类型故障的诊断率;4)根据每一个传感器的神经网络得出的属性值构造D-S证据框架,再采用Dempster合成公式,求解得出最大的可能性故障类型。2.根据权利要求1所述的基于异类多传感器数据融合的机械设备健康状态评估方法,步骤1)的具体操作步骤如下:1.1)首先选择传感器布置点,将测量不同的物理属性的传感器分别安装相应的传感器布置点,各传感器测量得到信号xi;1.2)对于加速度信号,采用奇异值分解法去噪处理;对于应力信号,首先对其载波信号过滤,然后再进行奇异值分解去噪处理;得到去噪后的信号xi'。3.根据权利要求1所述的基于异类多传感器数据融合的机械设备健康状态评估方...

【专利技术属性】
技术研发人员:伍济钢蒋勉龚木红李赞张双健王刚
申请(专利权)人:湖南科技大学
类型:发明
国别省市:湖南;43

网友询问留言 已有0条评论
  • 还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。

1