本发明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。
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)根据每一类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；
其中，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
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法，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＝1 or 0，1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。
4.根据权利要求3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4)中D-S证据框架建立方法，将加速度信号、应力信号、应力和加速度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；由应力和加速度信号判断机械设备正常的可信度为Pn1，由应力和加速度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、应力和加速度信号的对于机械设备的{正常，故障}类的可信度Psan；采用Dempster合成公式求解最大可能性的故障类型。
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
技术领域
[0001] 本发明属于机械设备故障诊断技术领域，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。
背景技术
[0002] 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。
发明内容
[0003] 为了解决上述技术问题，本发明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。
[0004] 本发明采用的技术方案是：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：
[0005] 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；
[0006] 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；
[0007] 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；
[0008] 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。
[0009] 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：
[0010] 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；
[0011] 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'。
[0012] 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。
[0013] 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＝1 or 0,1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。
[0014] 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}类的可信度Psan；采用Dempster合成公式求解最大可能性的故障类型。
[0015] 与现有技术相比，本发明的有益效果是：
[0016] 本发明首先对异类传感器的数据分别进行去噪处理，然后提取出各种信号的敏感特征量，构造成向量集，将向量集作为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，求解得出了最大可能性的故障类型。本发明具有下列区别于传统方法的显著优势：
[0017] (1)利用异类多传感器进行测量能够获得更多的物体信息，能从多个方面进行检测和诊断；
[0018] (2)建立BP神经网络的同类传感器故障模型，并构建了D-S证据框架；
[0019] (3)基于D-S决策层的融合，使得分类诊断精度高、效率高，有效的提升了机械故障的诊断结果的准确性。
附图说明
[0020] 图1为本发明的流程图。
[0021] 图2为本发明的数据融合的状态评估过程图。
[0022] 图3为悬臂梁传感器布置图(A、B、C为传感器布置点，D点为裂纹位置，裂纹长度为5mm，宽度为0.5mm)。
[0023] 图4为应力传感器测得的应力时域波形图。
具体实施方式
[0024] 下面结合附图对本发明作进一步的说明。
[0025] 如图1、2所示，本发明包括如下操作步骤：
[0026] 1)采用不同类型的传感器对机械故障进行测量，由传感器直接采集获得振动加速信号和应力、应变信号xi，然后对信号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。信号采集时，首先根据传感器测量物理属性的不同选择合适的传感器布置点，将测量不同的物理属性的传感器分别安装在相应的传感器布置点。信号去噪处理时，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'。
[0027] 2)针对不同类型的传感器的测量属性，对每个传感器提取时域敏感特征向量和频域的敏感特性向量(也可以只提取时域敏感特征向量或频域的敏感特性向量)，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。
[0028] 频域敏感特征向量指频率成分，选取幅值较大的5个频率，将每个传感器测得的信号的敏感特征向量提取出来，组成敏感特征向量矩阵，例如加速度[wa1,wa2,...,wai],应力[wss1,wss2,...,wssi]，应变[wsn1,wsn2,...,wsni]；而后分别进行归一化处理。
[0029] 3)将不同故障的敏感特征集进行BP神经网络学习，建立故障模型；再利用不同故障的100组数据进行测试，得到不同故障的100组数据对于每种故障的诊断率(即先验概率)；每组数据通过BP神经网络得到为概率的类型。
[0030] 4)以不同类型的传感器的信号构建D-S证据命题，以得到的先验概率作为证据命题的内容，构建D-S证据框架，采用每个传感器对于每种故障的诊断率构建D-S证据表，由BP神经网络得出每个传感器的信号对于机械设备故障的属性值Gi＝1 or 0,1代表的机械设备正常，0代表机械设备故障。将加速度信号、应力信号及应力和加速度信号作为三个独立的信息源，因此可以构成D-S证据表格。
[0031] 例如：当加速计属性值为1、应力属性值为0时，其证据表为：
[0032]
[0033] 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；由应力和加速度信号判断机械设备正常的可信度为Pn1，由应力和加速度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、应力和加速度信号的对于机械设备的{正常，故障}类的可信度Psan；所述合成规则为：
[0034]
[0035]
[0036] 式中：m1(A1)、m2(A2)、m3(A3)信度函数，A1、A2、A3指故障类型。将合成得到的概率进行比较，正常与故障的概率相差较大时，则认为概率较大为检测结果；当正常和故障的概率相差不大，两者的比值在0.8-1.2时，则认为这个判断结果无法给出，这时认为结果待定，需要人工进行检测，给出准确结果，并重新进行BP神经网训练。
[0037] 应用实例
[0038] 以图3、图4中所示的悬臂梁为对象，选择含有裂纹悬臂梁信号25组和正常悬臂梁信号25组，并根据本文上文中所提取出的敏感特征向量，形成敏感特征向量集，共50组作为训练样本。再选择30组含有裂纹悬臂梁信号和20组正常悬臂梁信号作为测试样本，得到结果如下：
[0039] 表1
[0040]
[0041] 从表1可以知道，基于加速度计或应变计的同类多传感器数据融合方法的正确率为74％和86％，而基于加速度计和应变计神经网络数据融合方法的正确率为90％和基于神经网络特征识别的D-S证据理论决策融合方法的正确为96％。所以异类多传感器数据融合具有较高的正确率。
