基于神经网络的信息融合关键技术.doc

基于多传感器信息融合数控机床故障诊断研究1. 引言数控机床具备加工柔性好、加工精度高、加工质量稳定、生产率高等诸多特点，但其构造和运营工况也很复杂，一旦机床发生故障，引起故障因素众多，有机械方面，有电气方面，同步同一种故障往往有不同体现，同一种症状又经常是几种故障共同作用成果，故障多样性、复杂性和各故障之间复杂联系构成了数控机床故障诊断中重点和难点。每个传感器均有一定功能和测量范畴，单个传感器数据从某个侧面反映被测对象或系统状况，难免带有一定局限性。仅仅通过单一传感器特性提取和诊断分析将无法成功完毕对数控机床故障诊断任务。因而多传感器数据融合技术显得尤为重要，它能克服传感器使用局限性和传感器信息不精确性，充分地、综合地、更有效地运用多传感器信息，减少信息模糊性，增长决策可信度，提高对数控机床故障诊断精确率。多传感器数据融合是一种重要传感器信息解决办法，它来源于20世纪70年代，最早被应用于军事领域，用于解决目的记别与跟踪、状态与身份预计、态势和威胁预计等技术问题。它能充分运用不同步间与空间多传感器数据资源，在一定准则下进行分析、综合、支配和使用，得到对被测对象一致性解释和描述，并做出相应判断、预计和决策。多传感器数据融合有各种算法，其中，D-S证据理论办法应用最为广泛。本文重要建立了基于多传感器信息融合数控机床二级故障诊断系统：基于自适应加权算法一级融合，基于D-S证据理论二级融合。然后运用某一论文中数控机床测量数据，通过MATLAB软件对其进行分析计算，最后得出结论。2 基于多传感器信息融合二级故障诊断系统本文简介了一种基于多传感器信息融合二级故障诊断系统：基于自适应加权算法一级融合，基于D-S证据理论二级融合，如图1所示。图1 数控机床二级故障诊断系统2.1 基于自适应加权算法一级融合传感器是自动化领域一种重要检测和测量装置，当传感器浮现故障时，其测量值有也许严重偏离实际值，而此时仍对传感器测量数据进行融合，就会影响数据融合精度，因而有必要在传感器数据融合之前保证数据有效性，对其进行一致性检测。2.1.1 传感器数据一致性检测假设有N个同类（同质）传感器测量同一目的，其中任意两个传感器i、j测量值分别为、（），且， 均服从正态分布。为检测传感器测量值，之间偏差大小，引入一种新概念相融距离测度。反映了i、j两个传感器之间融合限度。值越大，则i、j两个传感器测量值，偏差越大；越小，则偏差越小。计算公式如下： (1)其中F（X）为原则正太分布函数。所有N个传感器两两之间相融距离测度构成一种多传感器数据融合度矩阵： （2）设临界值为，则 （3）则多传感器相融矩阵为 （4）为i、j两个传感器之间融合度，当时，阐明i、j两个传感器测量值偏差较大，互不支持；反之当=1时，阐明i、j两个传感器测量值偏差较小，互相支持。如果一种传感器与其她大多数传感器都互不支持，其测量值极有也许为无效数据，应予以剔除。如果该传感器测量值经常无效，技术人员应当考虑检查与否易发生故障，如果是，应予以更换或维修。相反，一种传感器被大多数传感器所支持，则该传感器数据有效，可以用于后期融合。2.1.2 自适应加权算法在实际使用中，各个传感器测量精度不同，导致其置信度也各不相似。局部融合中也采用自适应加权融合算法，其核心思想是：为了获取最优融合成果，基于所有传感器测量值，自适应地查找总体方差最小状况下各个传感器所相应最优加权因子。设有n个传感器对某一对象进行测量，其方差分别为，所要预计真值为X；各传感器测量值分别为都是X无偏预计，且彼此互相独立；各传感器加权因子分别为，则融合后值和各加权因子满足如下条件： （5）则总体方差为 （6）由式（6）知，总体方差是关于传感器各加权因子多元二次函数，一定存在最小值，其最小总体方差为 （7）其相应最优加权因子为 （8）对于单个传感器，可计算其历史时刻数据均值，来预计其真值。第p个传感器持续测量k次平均值为 （9）则融合后计算值为 （10）总体方差为 （11）此时最小总体方差为 （12）2.1.3 基于D-S证据理论二级融合全局融合中心是基于多传感器信息融合故障诊断系统核心某些，它采用了一种混合D-S证据理论算法，即将基于典型样本信度函数分派办法和改进D-S证据组合规则相结合。基于典型样本信度函数分派办法为局部融合后各传感器数据信息分派基本概率值，运用D-S证据组合规则得到各目的故障模式在所有证据信息联合伙用下基本概率分派，最后在一定决策规则下，选取支持度最大故障假设。1. D-S证据理论设为X辨认框架，框架内所有元素之间互相排斥。如果存在集函数m：2 0,1，满足一下两个条件： （13）其中 表达空集，m为命题基本概率值，也称为辨认框架上信度函数分派，m（A）表达对命题A信任支持限度。对所有命题: （14）其中， 分别称为命题A信任函数、怀疑函数和似真函数。命题AD-S证据不拟定性区间如图2所示。图2 D-S不拟定性区间对两个独立证据和进行信度融合，其Dempster合成规则公式为： （15）各种独立证据信度融合公式为 （16）Dempster准则具备互换性和结合性，多于两个证据状况下，可以对它们进行两两组合，直到合并为一种证据体，并且合并顺序不影响最后组合成果。综上所述，应用D-S证据理论进行信息融合分析重要有两个环节：1）信度函数分派；2）D-S组合规则算法实现。2基于典型样本信度函数分派将D-S证据理论应用到数控机床故障诊断中时，需要事先定义每个证据体对目的故障命题信度函数分派值。为了便于辨认实际机床故障，减少对专家经验过度依赖，本文采用了基于典型样本证据理论信度函数分派构造办法。在构造信度函数分派时，以置信区间形式典型样本为参照数据，计算剧本融合后各传感器证据在各个目的故障下信度密度，并对其进行归一化解决各传感器数据信度函数分派。设目的故障模式为 ，能描述故障模式 一组特性变量为 ，其典型样本典型值为，置信区间为。特性变量满足正态分布，将其概率密度函数转变为信度密度函数 ： （17）其中：。取置信概率p=0.9973时， 。对所有信度密度函数统一地进行归一化操作，则证据 n+1个信度密度函数值之和为： （18）其中为不拟定信度密度值，且。证据在所有目的故障模式下不拟定度为： （19）3. 应用举例由于实验条件限制，并未做有关实验。下面以网上某一论文上长征718机床核心机械部件诊断实例为例，详细阐述基于多传感器信息融合诊断系统模型在数控加工单元故障诊断中应用。长征718机床方向进给系统涉及机床床身、工作台、Y向导轨、Y向滚珠丝杠副、滚动轴承等重要机械构造部件。数控机床进给时，进给驱动电机通过连接联轴器将驱动力矩传递给滚珠丝杠副，滚珠丝枉副克服旋转阻力和阻力矩，将自身旋转运动转变为直线运动实现进给传动。长征718机床Y向进给系统构造简图如图所示。为了便于监测和诊断机床主轴工作状态，将压电式加速度传感器、温度传感器和声发射传感器安装在机床核心机械部件上，所有传感器整体布局如表1所示。图3 长征718机床Y向进给系统构造简图表1 机床传感器布置方案部件传感器类型数量传感器安装位置机床主轴振动传感器1主轴箱体前端面温度传感器4主轴箱体圆柱表面均匀分布声发射传感器1主轴前端盖附近，尽量接近主轴前端3.1 基于自适应加权算法一级融合选用主轴齿轮磨损、丝杠润滑不良、导轨润滑不良浮现时一组传感器测量数据（测量信号均为电压信号，单位为伏特）作为分析对象，其值如表2所示：表2 机床浮现故障一组传感器测量数据机械主轴丝杠导轨ZZa ZZvSGaSGtSGvDGaDGtDGv4.2154.3734.3841.5294.6925.2623.8246.1594.9214.0146.7564.953针对同一测量对象同质传感器，一方面应对其测量数据进行初步融合，即数据一致性检测和自适应加权平均。在本例中指是温度传感器。MATLAB程序和成果如下所示：程序：clear;clc;Z=4.373 4.384 1.529 4.692;sigma=var(Z);D=zeros(4,4);for(i=1:4) for(j=1:4) D(i,j)=2*abs(normpdf(Z(j)-Z(i)/sigma,0,1)-0.5); endenbeita=0.3;for(i=1:4) for(j=1:4) if D(i,j)beita D(i,j)=0; else D(i,j)=1; end endendD成果：D = 1 1 0 1 1 1 0 1 0 0 1 0 1 1 0 1由多传感器相容性矩阵分析得知，第三组传感器测量数据与其她传感器测量数据偏差较大，予以剔除。将剩余数据进行自适应加权平均，MATLAB程序如下所示。程序：m=(Z(1)+Z(2)+Z(4)/3sigma1=(Z(1)-m)2;sigma2=(Z(2)-m)2;sigma3=(Z(4)-m)2;w1=1/(sigma12*(1/sigma12+1/sigma22+1/sigma32);w2=1/(sigma22*(1/sigma12+1/sigma22+1/sigma32);w3=1/(sigma32*(1/sigma12+1/sigma22+1/sigma32);Z_real=w1*Z(1)+w2*Z(2)+w3*Z(4)机械主轴上温度传感器测量数据以及相应方差和加权因子如表3所示。表3 机械主轴上温度传感器测量数据以及相应方差和加权因子传感器ZZt1ZZt2ZZt3ZZt4测量值4.3734.3841.5294.692方差0.01210.00980.0437加权因子0.38450.58600.0295计算出融合温度值为4.3889。对机床上所有声发射传感器测量值进行自适应加权平均，MATLAB程序如下：程序：V=5.262 4.921 4.953;m=mean(V);sigma1=(V(1)-m)2sigma2=(V(2)-m)2sigma3=(V(3)-m)2w1=1/(sigma12*(1/sigma12+1/sigma22+1/sigma32)w2=1/(sigma22*(1/sigma12+1/sigma22+1/sigma32)w3=1/(sigma32*(1/sigma12+1/sigma22+1/sigma32)V_real=w1*V(1)+w2*V(2)+w3*V(3)机床上所有声发射传感器测量值以及相应方差和加权因子如表4所示。表4 机床上所有声发射传感器测量值以及相应方差和加权因子传感器ZZvSGvDGv测量值5.2624.9214.953方差0.04690.01550.0085加权因子0.02470.22750.7479声发射传感器融合成果为4.9533。3.2 基于D-S证据理论二级融合依照机床机械主轴常用故障类型和专家实际诊断经验，定义机械主轴故障模式辨认框架：其中：主轴处在正常状态：主轴齿轮磨损 ：主轴轴承研伤，同步涧滑不良：主轴齿轮磨损，同步主轴轴承研伤对主轴上传感器得到历史数据进行解决，得到各证据传感器相应所有目的故障模式下典型样本平均值和原则方差，成果如表5所示。表5 各证据传感器相应所有目的故障模式下典型样本平均值和原则方差目的模式ZZaZZtZZv3.0131.3992.3320.6704.1581.0554.0210.9034.1190.9515.4621.2304.4091.2537.4791.5625.5051.3717.1982.2454.8051.0546.8761.738然后计算各传感器信度函数分派。MATLAB程序如下：程序：U=3.013 4.021 4.409 7.198;S=1.399 0.903 1.253 2.245./3;x=-5:0.1:10;M1=(1/(sqrt(2*pi)*S(1)*exp(-(x-U(1).2)/(2*S(1)2);M2=(1/(sqrt(2*pi)*S(2)*exp(-(x-U(2).2)/(2*S(2)2);M3=(1/(sqrt(2*pi)*S(3)*exp(-(x-U(3).2)/(2*S(3)2);M4=(1/(sqrt(2*pi)*S(4)*exp(-(x-U(4).2)/(2*S(4)2);plot(x,M1);hold onplot(x,M2);hold on plot(x,M3);hold on plot(x,M4);hold on图3为ZZa在各目的故障， 下信度密度函数分派。图中竖直实线横坐标值为证据传感器ZZa所获得测量值，竖直直线与每条曲线交点坐标纵坐标值即为证据ZZa对各目的故障， 信度密度函数值。图3 ZZa在各目的故障下信度密度函数分派同理可得到证据ZZt，ZZv在各目的故障， 下信度密度函数，分别如图4、图5所示。图4 ZZt在各目的故障下信度密度函数图5 ZZv在各目的故障下信度密度函数运用公式（18）-（20）进行计算并对其归一化解决，得到各证据ZZa、ZZt、ZZv在各目的故障和不拟定故障下基本概率分派值，详细如表6所示。表6 主轴故障各证据传感器基本概率分派证据m()m()m()m()m()ZZa0.1760.4490.3250.0250.025ZZt0.0290.5000.0160.4390.016ZZv0.2770.2960.2630.0820.082依照改进D-S证据理论对各传感器基本概率分派值进行融共计算，得到三个传感器融合成果，详细如表7所示。表7 各传感器基本概率分派值融合后成果故障率m()m()m()m()m()融合成果0.0090.6640.1150.1290.000052通过表中各传感器融合成果，可知：故障模式发生概率最大。故故障类型为，即主轴齿轮磨损。4. 结论本文建立了基于多传感器信息融合数控机床二级故障诊断系统：基于自适应加权算法一级融合和基于D-S证据理论二级融合。以长征718机床诊断实例为例，运用振动传感器、温度传感器和声发射传感器采集到数据一方面进行一致性检测和自适应加权平均，然后通过计算得到典型样本信度函数分派，最后依照改进D-S证据理论对各传感器基本概率分派值进行融共计算得到各传感器融合成果，通过度析得到数控机床故障模式。