[发明专利]一种基于权值训练的多信息融合故障诊断方法

说明书

本发明公开了一种基于权值训练的多信息融合故障诊断方法，包括步骤收集离线传感器信号及对应状态信息；进行小波包分解处理；计算各传感器信号故障特征向量；利用BP神经网络权值训练模块进行权值训练；得到各传感器权值；测量设备在操作过程中的各类信号；进行小波包分解处理；计算各传感器信号故障特征向量；计算各传感器故障隶属度；将各传感器所得故障隶属度乘以权值得到加权证据；对加权证据进行数据融合，获得故障诊断结果。本发明采用BP神经网络实现多信息融合权值的离线训练和加权证据的获取，提高了传感器信号映射设备状态的精度和有效性，有效提高了系统诊断的准确性。

技术领域

本发明属在线监测和故障诊断技术领域，具体涉及一种基于神经网络权值训练的多信息融合故障诊断方法。

背景技术

为了保证重要设备安全可靠地运行，一方面可以通过提高设备的可靠性来实现，另一方面可对设备安排科学合理的检修。目前设备的检修方式大致可分为三种，即事后检修、计划检修和状态检修。按照传统的计划检修方法，由于检修人员无法及时了解设备的实际运行状态，操作盲目性强，容易造成检修过剩或检修不足。此外，设备大修需要解体，时间成本和经济成本高，同时解体和重新装配可能会造成新的缺陷，反而降低设备的可靠性。而通过状态检修的方法获取设备在运行状态下的信息特征，通过分析比较来确定设备是否发生故障或缺陷，发生故障或缺陷的部件位置，具有很强的实时性和针对性。因此，针对设备的在线监测与故障诊断已成为必不可少的环节。

在故障诊断的过程中，信息融合可以应用于原始数据层的处理、特征抽象层的处理、决策层的处理等各个阶层。相应的，在不同层次融合处理的过程中应用不同的数学算法来解决融合过程中遇到的问题。由于传感器自身性能、外部环境干扰等问题的影响，使得传感器采集的信息具有不确定性。利用多传感器进行信息融合能够将获得的不确定性信息进行互补，合理地进行推理决策。

在以前的多传感器信息融合方法中并没有考虑传感器在进行故障诊断时的可信度，即每个传感器在故障诊断过程中占据的权值。而D-S证据理论对证据的独立性要求严格，并且当证据产生冲突信息运用合成规则时会产生悖论导致融合失败。

发明内容

发明目的：为了克服现有技术的不足，本发明提供一种准确高效，能有效提高设备可靠性的基于权值离线训练的多信息融合故障诊断方法。

技术方案：一种基于权值训练的多信息融合故障诊断方法，包括权值离线训练和在线监测两部分；所述诊断方法的具体步骤包括：

权值离线训练部分包括：

(1)收集离线传感器信号及对应状态信息；

(2)进行小波包分解处理；

(3)计算各传感器信号故障特征向量；

(4)利用BP神经网络权值训练模块进行权值训练；

(5)得到各传感器权值；

在线监测部分包括：

(6)在被监测设备上安装传感器，测量设备在操作过程中的各类信号；

(7)进行小波包分解处理；利用小波包分解理论分别对各个传感器采集得到的信号进行小波包分解；具体的小波包分解函数由实际使用中传感器采集得到的信号的特征来确定；

(8)计算各传感器信号故障特征向量；计算各个传感器的信号在小波包分解后的各重构序列的能量值，为反应故障信息的数据，对所提取的各重构序列的能量进行归一化处理，得到故障特征向量；