基于多传感器信息融合和神经网络的汽轮机故障诊断研究 research on fault diagnosis of turbine based on multi-sensor information fusion and neural network.pdfVIP

构卷第3111 中国电力 Vd．43。№．3 2010年3月 E1．ECTRICPOWER Mar．2010 基手多传感器信息融合和神经网络晦 汽轮机故障诊断研究 凌六一t，黄友锐1，魏圆圆z，3 (1．安徽理工大学电气与信息工程学院，安徽淮南232001；2．中国科学院合肥智能机械研究所，安徽合肥230031； 3．中国科学技术大学信息学院，安徽合肥230027) 摘要：针对传统故障诊断方法存在的诊断准确性不高的问题．提出了基于D—S证据理论的多传感器信息 融合技术与BP神经网络相结合的方法。实现对汽轮机的机械故障诊断。由多个传感器采集振动信号．分别 经小波变换特征提取后获得故障特征值．再经BP神经网络进行故障局部诊断．得到相应传感器对故障类型 的基本可信任分配函数值。即获得彼此独立的多个证据．然后运用D—S证据理论对各证据进行融合．最终 完成对汽轮机机械故障的准确诊断。实验结果表明，该方法克服了单个传感器的局限性和不确定性。是一 种有效的故障诊断方法． 关键词：故障诊断；信息融合；BP神经网络；证据理论；汽轮机故障 中图分类号：TP206+．3：TK267文献标志码：A 文章编号：1004．9649(2010)03．0046．05 轮机机械故障进行诊断．将证据理论和BP神经网 0引言 络相结合。通过BP神经网络进行局部诊断，计算各 证据体的基本可信任分配函数．由证据理论完成决 汽轮机故障具有相似性．故障与征兆的关系不 策融合，最终判定故障及故障类型。 明确．具有较强的模糊性。故障特征相互交织．所以 汽轮机故障诊断是一个复杂的问题。传统的故障诊 1 D—S证据理论 断一般都以传感器检测技术为基础，进行数据采集． 然后数据处理、提取特征参数、参照某种规范再判定 1．1 基本概念 系统是否出现故障及故障类型。因此．要求传感器系 D—S证据理论是建立在1A-非空集合9上的 统反应快速而准确．具有一定的信息处理能力、抗干 理论．@称为识别框架．D由一系列互斥且穷举的基 扰能力和容错性E1-2]。随着计算机技术与人工智能的本命题组成。对于问题域中的任意命题A，都应属于 飞速发展．人T神经网络技术和小波变换已被广泛 幂集2日。在2日上，如果有： 应用于汽轮机故障诊断中∞]．在单一传感器工作可 m：2晚一[o，1]；m(9)=o；∑m(A)=l 靠的情况下．这些诊断方法都是行之有效的。然而。 而 由于传感器的可靠性和运行环境的不稳定性．单个 式中：m(A)E[0，1]，Ac@，则称m为基本可信任分 传感器获得信息具有局部性和不确定性．容易造成 配函数。m(A)为A的概率赋值．它表示证据支持命 故障的误判。 题A发生的程度。如果A为四的子集，且m(A)O， 多传感器信息融合是近几年发展起来的一门新 则称A为证据的焦元，所有焦元的集合称为核。证 科学技术[6]．它充分利用多个传感器资源．通过各种 据是由证据体(m，m(A))组成的，利用证据体定义 传感器及其观测信息的合理支配与使用。以各种传 2日上的信任函数吼：28一[0，1]和似真度函数只： 感器在空间和时间上的互补与冗余信息为故障的检 2艮·[O，1]： 测与分离提供诊断依据．采用某种优化准则．产生反 A O