数据融合在APMP盘磨故障诊断中的应用研究

本资料包含pdf文件1个，下载需要1积分

大盘磨机通常由 10 000 kW 以上的高压电机带动。作为化学机械浆生产过程中的主体设备，大功率盘磨机是整个化机浆生产系统中最复杂 、最核心的设备，它的正常运行关系到成浆质量以及产量。盘磨机是典型的机、电、液-体化设备。在针对盘磨机的故障诊断中，往往-个故障征兆可以由多个故障模式引起，同时系统中的-个故障模式往往会引起多个故障征兆，是典型的多对多形式，因此依靠单-的信息源往往无法得出准确的故障位置。盘磨出现如磨齿损坏、悬臂轴变形、磨机与电机同轴度偏差等故障时。往往会导致振动频率在某个范围出现奇异点[1-3]。

小波分析具有良好的时频域局部化特性.能够同陕西势学技术研究发展计划基金资助项目(编号：2012K09-10)；成阳市科技计划基金资助项目(编号：2011K07-18)。

修改稿收到 日期：2012-09-04第-作者饶智遣(1987-)，男，现为陕西科技大学控制理论与控制工程专业在读硕士研究生；主要从事工业过程高级控制、大功率盘磨的故障监测与控制系统研发方面的研究时提供非平稳信号的时域与频域信息；D.s证据理论对不确定性信息有较好的处理能力，那是由于其对不确定信息的描述采用区间估计而非点估计。同时，鉴于人工神经网络较适合拟合故障征兆与故障模式之间的非线性对应关系，因此选用人工神经网络，并引人多传感器信息融合的思想对各征兆域进行前期局部诊断～证据理论和神经网络方法相结合，通过吸收神经网络的自学习、自适应和容错能力，可使得系统对不确定信息的融合具有较强的鲁棒性4。J。

1 数据融合故障诊断模型基于数据融合的故障诊断-般分为三个部分：原始数据、特征级和决策级。

基于数据融合的盘磨故障诊断系统首先通过安装在轴承处的径向和轴向振动测量仪以及基座振动测量仪获得数据，通过小波包进行特征提取，提取的特征值作为神经网络的输入信号：然后对所有特征参数在神经网络中进行特征级局部融合分类，挖掘整理特征参数间的内在关系，并为 D-S证据理论提供基本概率分配；最后对局部诊断结果进行决策级融合 。。

20 PROCESS AUTOMATION INSTRUMENTATION Vo1.34 No.6 June 2013数据融合在 APMP盘磨故障诊断中的应用研究 饶智逵，等盘磨故障诊断框架如图1所示。

区叵[ 巫 H磊 - L图 1 盘磨故障诊断框架Fig.1 Fault diagnosis framework of the disc refiner2 基本原理2.1 小波包提取故障特征小波分析具有良好的时频域局部化特性，能够同时提供非平稳信号的时域与频域的局部化信息。小波包分析方法是对小波变换的-种改进，能够对信号进行更加细致的分析和重构。它在全频带进行多层次的频带划分，对没有细分的高频带作进-步细分。对小波包分解的各个节点进行系数重构，重构的信号可以反映该节点所对应频段成分在原始信号中的分布情况，从而实现对原始信号的频域抽龋在故障诊断系统中，通过频率的变化来反映状态特征变化、突出故障特征。信息熵是对-个随机变量的信息和不确定性的测量，通常用来测量-个系统的 无序”程度、度量系列的未知程度、估计随机信号的复杂性。

2.1.1 小波包分解算法离散信号按小波包分解时，分解为低通滤波和高通滤波两部分.每-次分解就将上层(j1)的第n个频带进-步分割变细为下层. 的第2n及(2n1)两个子频带。离散信号小波包分解算法为：fd U，2n) 0 d ( 1，n)《 (1)(d l，n) bk 2id ( 1，n)式中：o 、b 为小波分解共轭滤波器系数。

2.1.2 小波包重构算法小波包重构即对小波包分解后的信号进行重构 ，其重构算法如下：d QI，n) [Pi-2J ( ，2n) ： d ( ，2n1)(2)式中：P 、q 为小波重构共轭滤波器系数。

2.1.3 小波包能量熵计算① 对采集信号进行层小波包分解，得到S(j，k)，其中 k0，1，2，， ～。根据信号的时间域特性，可得 ：rt。

式中：A (t)为第 i分段的幅值，i1，2，，Ⅳ；(t。，t )为第 i分段的起止时间点。

《自动化仪表》第34卷第6期 2013年6月② 根据式(4)，将信号的各个分段能量进行归-化处理.得到归-化值：仃 .、1 业 (4)③ 根据信息熵基本理论，定义小波分解的第 层节点的小波包熵为：)-荟8 lgs (5)④ 用Daubchies小波系列的db5小波进行七层小波包分解 .分解得到七个频段，分别将七个频段的小波包能谱熵组成特征向量，作为神经网络的输入信号： [no，H。， ，H3，H4，H5， ] (6)2.2 BP神经网络在运用 D-s证据理论解决故障诊断问题时，首先要构造出各个证据，对故障模式的基本概率进行分配。该过程通常是非线性的而且复杂.而由BP神经网络的特点可知。通过大量样本的学习可以使网络具有较强的泛化能力，从而可以很好地描述这种非线性的复杂关系。

任意闭区间内的-个连续函数都可以用-个隐层的BP神经网络来逼近，因而-个三层的BP神经网络可以完成任意的 n维到 m维的非线性映射。BP神经网络由输入层、隐含层、输出层三层构成。其中，输入层节点数为n，隐含层为 r，输出层为 m，第 i个输入节点与第。

个隐层节点的连接权值为 ，第 个隐层节点与输出节点之间的权值为 隐层阈值为0 ，输出节点的 阈值 为 0 ，并 设 有 Ⅳ 个 学 习 样 本 [ ， -，Xp(Ⅳ. )] ，为第P个学习样本的输入向量； [ ， -， ( )] 为第P个学习样本的输出向量。BP网络拓扑结构如图2所示。

图2 单隐层 BP神经网络拓扑结构Fig.2 Topological structure of BP neural networkwith single hidden layer2.3 D.S证据融合2.3.1 证据理论原理定义 1 设 表示 所有可能取值的-个论域集合，且所有在 内的元素间互不相容，则称 为 的识别框架，有函数 m：2 -0，1]满足下列条件：① m( )0；② ∑m(A)1；月 L f/21数据融合在 APMP盘磨故障诊断中的应用研究 饶智逵。等则称m(A)为A的基本概率分配(basic probabilityassignment，BPA)。当A为 U的子集且 m )≠0时，称 A为 m的焦元。

定义2 命题的信任函数 BEL和似真函数 定义为：①BEL(A)磊，m(曰) VACU② PL(A)1-BEL(A) ∑ m(nA≠信任函数与似真函数之间有如下关系：对所有的A 0有A 、 ( )≥BEL(A)，对 A的不确定性，用对偶区间 [BEL(A)，PL(A)表示，[0，BEL(A)]被称为信任区间。

2.3.2 D.S证据合成法则应用 D.s证据理论就是在同-识别框架下.将不同特征的证据体合并成-个新的证据体的过程。设M)A。，A ，，A 和NB ，B：，，曰 为识别框架 D的两个子集，而且满足：m，(A)mz( )≤1 (7)则利用式(8)计算两个基本可信度数的正交和。

f . m。(A)m ( ) jm(c) - (8)m (A)m ( )3 试验分析盘磨常见故障模式有：电机与磨机同轴度偏差、动定盘不对中、磨齿损坏、转轴弯曲、轴承损坏、轴间隙过大这六种：加上盘磨无故障运行状态时所对应的正常模式，盘磨的运行状态模式共有七种。为了便于分析，这里以某纸厂采集现场出现故障和正常的数据为基础来检验效果。

3.1 运用小波包提取故障特征试验中采样频率为 1 200 Hz，选取40组数据作为研究对象，其中20组作为神经网络训练.另外20组数据作为检验数据。根据盘磨故障信号特点，采用基于Matlab中自带的 db5进行七层分解 。并对分解后 的信号进行重构。限于篇幅，这里只给出轴承振动信号同轴度偏差以及磨片损坏两种故障的小波包分析结果以及部分样本数据分解重构后的能量熵值，如图3、图4所示，图3、图4中纵坐标均表示振动位移，单位为Ixm。从图3和图4可以看出，不同故障模式下各个频段区别明显，不同故障模式下的重构信号区别明显；以小波包能量熵为基础提取的故障特征能够表征特定故障模式～采集到的部分故障数据以及正常数据根据式(3)～(6)进行能量计算 ♂果如表 1所示 。

采样时间t/ms兽采样时间t/ms1暑0. 1采样时间rims采样时间t/ms采样时间t/ms采样时间tiros采样时间t/ms图 3 同轴度偏 差信 号小波包重构Fig.3 Wavelet packet reconstruction for the coaxiality deviation signal采样时间t/ms采样时间rims采样时间t/ms采样时间t/ms暑害采样时间t/ms采样时间t/ms采样时间t/ms图4 磨片损坏信号小波包重构Fig.4 Wavelet packet reconstruction for the damaged signal22 PROCESS AUTOMATION INSTRUMENTATION Vo1.34 No.6 June 2013- I l g 寸 目导《 g数据融合在APMP盘磨故障诊断中的应用研究 饶智逵。等表 1中，D ～D，为频段 1～频段 7的熵值 ，其作为神经网络的输入信号。从表 1可以看出，正常情况下能量熵值主要集中在频段2～频段4。而出现故障主要集中在频段 1～频段3。此外，不同的故障模式下各个频段所反映的小波包能量熵值不同。因此，通过对振动信号的能量特征提取，根据能量谱特性的分布，可以提取盘磨的故障特征，对盘磨故障进行监测、诊断。如果能够获得足够的故障数据样本，对其小波包分解重构.找出同类故障的能量熵值分布共性，可以进-步提升故障诊断的准确率。

3.2 融合决策输出以图 1所示诊断系统结构进行诊断～采集到的40组数据中的 25组作为训练样本，另外 15组作为检验样本。根据设定的目标函数值，将故障信号小波包分解重构计算后的能量熵值作为网络输人，故障的分类作为网络的输出，则神经网络的结构为：输入为七层 、输出为七层 、隐含层为 14层。采用有动量、自适应梯度下降法训练网络，隐含层及输出层分别采用tansig、logsig传递函数，以测试数据作为训练好的神经网络的输入。部分测试数据输出结果如表 2所示。

表 2 部分测试数据输出比较Tab.2 Comparison of partial test data outputs表 2中：A、B、C、D、E、F分别对应电机与磨机同轴度偏差、动定盘不对中、磨齿损坏、转轴弯曲、轴承损坏、轴间隙过大六种故障状态下的状态模式，另外G代表盘磨没有运行故障时的正常状态模式；BP1”表示由轴承轴向振动位移传感器所测得的数据通过式(1)～(6)神经网络学习训练后的输出值；BP2”表示径向振动位移传感器所对应的神经网络输出值；融合”表示将两个神经网络的输出通过 D.S证据理论融合后的输出结果；m(A)、m(B)、m(C)、m(D)、m(E)、m(F)、m(G)《自动化仪表》第34卷第6期 2013年6月分别代表对状态模式 A、B、C、D、E、F、G的概率分配，这些概率的大小代表针对某种状态模式的靠近程度。

从图1中的诊断结构可以看出。在数据融合的诊断中间层通过神经网络提供 D.S理论的基本概率分配 ，同时因为 BP神经网络能够模拟-切非线性的特点，其输出的概率也是对故障的初步判断。

从表2中可以看出，BP1神经网络和 BP2神经网络输出存在输出概率不高的情况，即存在对故障判断(下转第 28页)23面向数字化制造业的 XBOM/CAM 集成系统研究 王耀东。等足收敛准则，则将输 出结果；如果个体不满足收敛准则，则对父代群体进行交叉变异，从而获得子代群体。

然后计算父代个体的拉伸适应度值 t)和子代个体的适应度值 t )。当 t )>厂(t)时，子代个体代替父代个体产生新个体；当厂(t ) t)时，以Metropolis准则产生新个体。依次类推，直到满足终止条件获得最优解。

3.6 零件的数控jn-r对切削参数进行优化后，将其存入切削参数库。在对零件进行数控加工时.首先选择要加工的零件和加工工序.然后采用 UG/OPEN GRIP语言的&MODULE&MACH命令，调用UG/CAM拈；最后使用VB从切削数据库中调取优化后的切削参数，并通过VB对UG二次开发的接口设置方法，将提取到的参数导人到UG/CAM拈。在三维模型(UG环境下)中指定加工边界和毛坯边界后，就可生成加工零件的刀具路径，并对加工过程进行仿真，最终生成加工G代码.从而实现对零件进行CAM数控加工l9]4 结束语本文在分析企业在生产、管理过程 中所面临的问题的基础上，介绍了 XBOM/CAM集成系统的开发过程，在该系统中实现了设计 BOM的生成 、BOM多视图的转换、切削参数优化以及零件的加工过程仿真，最终生成数控加工 G代码。通过该系统可将产品生命周期的各个阶段连接起来，有效解决了制造企业所面临的信息孤岛”问题。