用多传感器融合系统识别摩擦副的磨损状态-摩擦学学报.PDF

第 16 卷　第 4 期 摩 擦 学 学 报 . 16, 　 . 4 V o l N o 1996 年 10 月 TR IBOL O GY O ct. , 1996 ( ) 研究论文 367～ 370 用多传感器融合系统识别摩擦副的磨损状态 黄 澍 川 (长沙铁道学院机械工程系　长沙　4 10075) 摘要　用于机械摩擦副磨损状态监测的多传感器融合系统, 是本世纪80年代末问世的一项新技 术. 在讨论了融合系统的构成和不同传感器信息的预处理之后, 提出了一种基于 自组织神经网 络的多传感器融合系统. 将这种融合系统用于实际机械摩擦副磨损状态监测的结果证明, 其正 确识别率明显地比单一传感器的高, 容错能力强, 而且由于自组织神经网络有在线学习的功能, 系统可以用于在线监测. 关键词　传感器　融合系统　神经网络　磨损监测　故障诊断 目前, 在机械摩擦副磨损状态的监测和故障诊断技术中除广泛使用的铁谱技术外, 主要 使用的还有光谱技术、振动技术、测温、噪声和测量润滑油的性能指标等. 在本世纪80年代 末, 有人利用多传感器集成与融合技术对摩擦副磨损状态进行监测, 在金属切削刀具方面取 〔1〕 得了一定的成效 . 由于摩擦副的磨损和磨损测量受诸多因素的影响, 而且磨损状态和影响 磨损的各种参数之间的关系又难以运用显式表达, 致使磨损状态的识别相当困难. 神经网络 对非线性映射具有良好的逼近、自适应和自组织能力, 因而选择合适的人工神经元网络作为 信息的融合方式, 将声、光、电、热等传感器的信息加以处理后整合, 是建立容错性强的识别 系统的可行方法. 作者在对融合系统的构成和不同传感器信息和预处理进行分析讨论的基础上, 建立了 一种基于自组织神经网络的多传感器融合系统, 并用其对摩擦副的磨损状态进行了识别. 1　融合系统的构成 按照融合系统接收信息表征方式的不同, 可以分为数据层融合、特征层融合和决策层融 合3种. 作者采用的融合系统是在特征层上利用B P 网络, 对各个子系统的磨损状态进行识 ( ) 别, 得到各传感器对磨损状态的识别信度, 然后用 自谐振人工神经网络 A R T 网络 在决策 层上进行融合. 融合系统的构成如图1所示. 1. 1　传感器信号的预处理 1. 1. 1　油样光谱信息的预处理 油样光谱分析获取的信息是各种元素的浓度, 只要选择好元素的类型, 就可以控制输入 到神经元网络的信息维数, 使计算量不致过大. 在机械摩擦副磨损状态的监测中, 一般选择的元素有 , , , , , 和 . 由于 F e Cu C r N i Sn A l Si 到初稿,到修改稿 368 摩　擦　学　学　报 第 16 卷 油样中这7种元素的浓度相差较大, 而且不同次数测量同一元素的浓度也互不相同, 如果将 测量结果直接送入B P 网络进行处理, 势必导致B P 算法过程中节点 Sigm o id 函数饱和而使 节点失效, 故须要进行归一化处理, 将特征参数变换到一致的数据范围. 对油样光谱分析可 以采用下式进行归一化: X i (