CN103776654A

CN103776654A - 多传感器信息融合的故障诊断方法

Info

Publication number: CN103776654A
Application number: CN201410059572.7A
Authority: CN
Inventors: 王金玉; 吴冈; 何艳; 王涛; 周丽丽; 高凤娇; 陈庆文
Original assignee: Institute of Automation of Heilongjiang Academy of Sciences
Current assignee: Institute of Automation of Heilongjiang Academy of Sciences
Priority date: 2014-02-21
Filing date: 2014-02-21
Publication date: 2014-05-07
Anticipated expiration: 2034-02-21
Also published as: CN103776654B

Abstract

多传感器信息融合的故障诊断方法。本发明方法：对于带一组传感器的离散随机系统，分别对单个传感器应用Kalman滤波方法，得到相应的滤波器、误差方差，计算最优标量权重，得到最小方差意义下的最优标量加权系数，再将每单个传感器采用标量加权信息融合，得到融合后的滤波器、融合误差方差；建立含有扰动和故障信号的多传感器系统，分别对单个传感器采用Kalman滤波方法设计滤波器，计算误差方差和残差，得到最小方差意义下的最优标量加权系数，再将每单个传感器采用标量加权信息融合，得到融合后的滤波器、融合误差方差和残差，分析误差残差产生的影响，从而判断传感器的故障。本发明用于多传感器信息融合的故障诊断。

Description

多传感器信息融合的故障诊断方法

技术领域：

本发明涉及一种多传感器信息融合的故障诊断方法。

背景技术：

随着现代科技的迅速发展，生产系统也日益朝着大型化、复杂化及高度自动化的方向发展，因此系统故障问题也变得越来越重要，一旦系统的某个部分出现故障，往往就会导致某个设备甚至整个系统无法正常运行，不仅会带来严重的经济损失，而且还伴随着一定的危险性。一个现代化的生产系统正常运行所需要的维修费用和停机损失，占据成本的较大比重，因此故障检测与及时处理越来越成为一个重要的问题。如1983年前苏联切尔贝利核电站发生的泄漏事故。2005年中石油吉林石化公司爆炸事故造成多个装置报废或停产。受爆炸事故影响，松花江发生重大水污染事故，污染带长约80公里，哈尔滨全城停水4天。仅哈尔滨的直接损失就在15亿左右，间接损失在几百亿。因此现代石化工业对设备运行的安全性和可靠性提出了越来越高的要求，加强设备检测、安全评价和故障诊断以保证其安全可靠运行，消除隐患和事故是十分迫切的问题。

多传感器信息融合技术是上世纪80年代形成和发展的一种自动化信息综合处理技术。由于充分利用了多源数据的互补性及电子计算机运算的高速性和智能性，大大提高了信息处理结果的质量。随着应用系统日益扩大，所需的功能也越来越复杂，使用传感器的种类也相应的增多。原来的单一传感器检测技术已不能满足要求，于是有了多传感器融合技术。在多传感器系统中，信息表现为大容量，多样性以及复杂性，因此多传感器信息融合技术已成为一个重要的研究领域。

在故障诊断中结合多传感器信息融合技术有着广阔的应用前景。一方面，随着故障诊断系统日益庞大化和复杂化，传感器的数目和类型急剧增多，从单传感器形成了多传感器，再到传感器群，传感器的不同组合可以提供设备的不同部位、不同类型的信息，而传统的故障诊断方法也只是对机器状态信息中的一种或几种信息来进行分析，而从中提取有关的机器行为特征信息，因此，多传感器能更全面的分析故障信息。虽然单一传感器取得的信息虽然有时可以判断出机器故障，但在许多情况下得出的诊断结果并不可靠，只有从多方面获得关于同一对象的多维信息，并加以综合利用，这样才能对设备进行更加可靠更准确的诊断。另一方面，在故障诊断中，故障的形成原因是非常复杂的，不同的故障可以以同一征兆的形式表现出来。比如，轴承松动、不对中、不平衡等等都会引起旋转机械转子的异常震动，因此只有综合利用这些特征信息才有可能诊断出转子的故障。最后，在故障诊断中，由于传感器的测量误差、系统噪声以及诊断对象的不确定性等原因，由单一传感器取得的信息往往是不完整的、不精确和模糊的。

发明内容：

本发明的目的是提供一种多传感器信息融合的故障诊断方法。

上述的目的通过以下的技术方案实现：

一种多传感器信息融合的故障诊断方法，该方法包括如下步骤：采用Kalman滤波方法进行单传感器的局部状态估计，然后进行多传感器的标量加权算法信息融合，其方法如下：对于带多个传感器的离散随机系统，分别对单个传感器应用Kalman滤波方法，得到相应的滤波器、误差方差，计算最优标量权重，得到最小方差意义下的最优标量加权系数，再将每单个传感器采用标量加权信息融合，得到融合后的滤波器、融合误差方差；

然后，进行基于Kalman滤波的多传感器故障诊断,其方法如下：建立含有扰动和故障信号的多传感器系统，分别对单个传感器采用Kalman滤波方法设计滤波器，计算误差方差和残差，得到最小方差意义下的最优标量加权系数，再将每单个传感器采用标量加权信息融合，得到融合后的滤波器、融合误差方差和残差，分析误差残差产生的影响，从而判断传感器的故障。

所述的多传感器信息融合的故障诊断方法，通过一组传感器对被测对象进行信息采集，然后进行信息处理，通过Kalman滤波方法滤除噪声干扰，并对信号进行状态估计，对得到的一组传感器估计信号，再通过标量加权算法进行信息融合，综合各个传感器信息，从而得到信息更全面的传感器状态信号，最后通过状态估计与实际信号之差得到残差从而进行故障诊断，进而做出进一步的故障处理;

通过一组传感器进行多个数据源的信号采集，通过Kalman滤波方法分别对每个传感器采集来的信号进行局部状态估计，最后通过标量加权算法得到单独传感器的加权权重，并利用这个权重对N个传感器进行信息融合，赋予不同传感器不同的影响因子，从而更全面的分析利用状态信号。

所述的多传感器信息融合的故障诊断方法，通过计算机对采集来的信号进行Kalman滤波处理，分别对每个传感器的状态进行估计。通过标量加权算法的计算，得到不同传感器的标量加权权重，在计算机的融合中心进行信息的融合，将不同传感器的信息综合利用，得到融合后的状态；将估计状态与实际状态进行比较，得到残差，从而通过计算机仿真，得到故障检测，通过结果推理对检测到的故障做进一步的诊断处理；

在正常状态下，检测的残差是近似为零的，说明设备处于正常的工作状态；当检测到有残差，也就是真实值同估计值存在偏差，就说明故障存在，设备出现了异常。

所述的多传感器信息融合的故障诊断方法，通过传感器的信息采集、计算机融合处理及人机操作界面多媒体显示三部分的结合，进行故障评估计算，从而对设备故障检测处理；

在计算机融合处理中心，首先对单个传感器进行信息处理，采用Kalman滤波方法对局部状态进行估计，然后对估计的状态采用标量加权算法进行信息融合，提高传感器的精度，增加有效信息的数量，并通过仿真验证算法的有效性，得到融合后的估计信息精度高于单个传感器的估计精度。在此基础上，通过状态的真实值与估计值之差计算得到残差，通过残差检测实现故障检测；

在多媒体显示部分，通过融合处理中心信息融合后的估计状态和实际状态由人机界面查看，以便于实时观察及历史数据的查询，通过仿真计算得到的残差数值显示到多媒体界面，并在出现异常时停机并报警。

有益效果：

1.本发明在传统的状态空间模型中加入故障信息，设计Kalman滤波器，在有效的进行状态估计前提下，通过残差检验进行故障诊断，多方面采集故障信息，使得同一故障的不同特征得到充分的使用分析，更加快速的找出故障，基于多传感器的故障信息融合，提高了故障诊断的精度。结合多传感器信息融合进行故障诊断，提高故障诊断的效率，能够更全面的采集故障信息，充分的分析并预测故障的发生，对实际的应用有着实用性和有效性。

在信息采集部分，使用的传感器可以是相同的也可以是不同的。可以是相同的传感器对同一信号进行采集，这是因为不同的传感器精度不同，综合多个传感器信息可以提高采集的精度，这适用于一些精度要求高的系统。也可以采用不同的传感器对不同的信号进行采集，当然，这些信号都是可能同时引起故障的原因，例如，轴承松动、不对中、不平衡等等都会引起旋转机械转子的异常震动，因此只有综合利用这些特征信息才有可能诊断出转子的故障。

本发明的优点是根据以下论证得到的：新近文献给出了一种标量加权融合算法，与一般的矩阵加权相比它是一种次优融合准则，但由于它只需计算加权标量系数，避免了计算加权矩阵，从而减小了计算量。特别是当系统状态维数较高时，可明显减小计算负担。且它仍能在总体上改善每个局部估计，因而它具有工程应用价值。为使叙述简单下面省略时间t。

引理1 设

Figure 2014100595727100002DEST_PATH_IMAGE001

为对n维随机向量z的L个无偏估计，记估计误差为 ，且

Figure 2014100595727100002DEST_PATH_IMAGE003

与

(i

j)相关，误差方差和互协方差阵分别为

和

Figure 2014100595727100002DEST_PATH_IMAGE007

，则标量加权最优（线性最小方差）信息融合无偏估计为

. (1)

其中最优融合标量系数

Figure 2014100595727100002DEST_PATH_IMAGE009

如下计算

Figure 2014100595727100002DEST_PATH_IMAGE011

(2)

其中向量

,

Figure 2014100595727100002DEST_PATH_IMAGE013

，矩阵

相应的最优信息融合估计的误差方差阵为

Figure 2014100595727100002DEST_PATH_IMAGE015

， (3)

且有关系

。

推论 1 当估计误差 与

Figure 2014100595727100002DEST_PATH_IMAGE017

不相关时，即

，则标量加权最优融合估计为式(1)，其中最优系数为

Figure 2014100595727100002DEST_PATH_IMAGE019

,

, (4)

相应的最小融合方差阵为

Figure 2014100595727100002DEST_PATH_IMAGE021

. (5)

一、多模型多传感器标量加权最优信息融合Kalman滤波器

考虑带L个传感器的多模型离散随机系统

(6)

(7)

(8)

其中：

为第i个子系统的状态，

为第i个子系统的观测，白噪声

分别为第i个子系统的系统噪声和观测噪声，

，

为适当维数的常阵。

是待估计的状态向量，它通常为

的公共状态分量所构成的向量，且

。

假设1 和

Figure 2014100595727100002DEST_PATH_IMAGE035

(t)是带零均值的相关白噪声，即

(9)

其中

Figure 2014100595727100002DEST_PATH_IMAGE037

是Kronecker delta函数。且

。

假设2 初始状态

Figure 2014100595727100002DEST_PATH_IMAGE039

与白噪声

和

Figure 2014100595727100002DEST_PATH_IMAGE041

相互独立，且

(10)

本文目标是基于观测

，寻求最优标量权重 ，最后求得状态向量z(t)的标量加权最优（线性最小方差）信息融合Kalman滤波器

。

引理2 多模型多传感器系统(6)，(7)在假设1，2下，第i个子系统有最优Kalman滤波器

(11)

(12)

(13)

(14)

(15)

(16)

其中：

为第i个子系统的滤波估计，

为滤波增益，

为滤波误差方差阵。

定理1 多模型多传感器系统（6），（7）在假设1，2下，第i个与第j个子系统之间有如下递推的Kalman滤波误差互协方差阵

(17)

其中：

为第i个与第j个子系统之间的滤波误差互协方差阵，初值为

Figure 2014100595727100002DEST_PATH_IMAGE057

。

证：由Kalman滤波器

有第i个子系统滤波误差为

(18)

其中：

为新息，

代入上得

(19)

又因为

(20)

将（19）式代入(20)式.因为

所以

Figure 2014100595727100002DEST_PATH_IMAGE065

记号

表示正交，则可引出(17)式成立。证毕。

定理2 多模型多传感器系统（6）~（8）在假设1，2下，有最优标量加权信息融合Kalman滤波器

Figure 2014100595727100002DEST_PATH_IMAGE067

(21)

其中：标量加权系数

由引理1中的(2)式求，且最小融合方差由（3）式计算，基于第i个子系统的局部滤波器

Figure 2014100595727100002DEST_PATH_IMAGE069

和局部滤波误差互协方差阵

由下式计算：

Figure 2014100595727100002DEST_PATH_IMAGE071

(22)

(23)

其中i=j时，即为滤波误差方差阵

Figure 2014100595727100002DEST_PATH_IMAGE073

。第i个子系统的滤波器

，局部滤波误差方差阵

Figure 2014100595727100002DEST_PATH_IMAGE075

和互协方差阵

，

Figure 2014100595727100002DEST_PATH_IMAGE077

，分别由（11），(16)，(17)式计算。

证：对（8）式两边同时取在线性流形(

上的射影运算引出式（22）。再由（8）和（22）引出（23）成立。证毕。

基于多传感器信息融合的故障诊断如下：

在传统的状态空间模型中加入故障干扰

Figure 2014100595727100002DEST_PATH_IMAGE079

，得到如下(25)和(26)式含有扰动和故障的多传感器系统：

(25)

Figure 2014100595727100002DEST_PATH_IMAGE081

(26)

其中： 是状态向量，

Figure 2014100595727100002DEST_PATH_IMAGE083

是观测向量，

分别为系统的系统噪声和第i个传感器的观测噪声，且

Figure 2014100595727100002DEST_PATH_IMAGE085

是适当维数的矩阵。下标i表示第i个传感器，L表示传感器个数。

采用增广的方法得到新系统方程

(27)

(28)

其中：

，

Figure 2014100595727100002DEST_PATH_IMAGE089

然后对新的系统方程进行Kalman滤波器的设计，得到相应的滤波器和滤波误差，并进行标量加权融合，最后进行残差 检验。

残差公式表示如下：

(29)

结果分析：在不存在故障时，系统应满足状态方程式，即 为

的无偏估计，所以残差

是零均值高斯白噪声向量；当传感器发生故障，那么系统就不再满足状态方程式，因此残差均值不再为零。故对系统测量信号的均值作假设检验，即可判决传感器是否有故障。

仿真研究如下：

考虑3模型3传感器跟踪系统

其中：T为采样周期，状态

和 分别为目标在时刻tT的位置、速度和加速度。假设

和

Figure 2014100595727100002DEST_PATH_IMAGE099

是相关高斯白噪声，且满足如下关系

已知

Figure 2014100595727100002DEST_PATH_IMAGE101

是带零均值、方差为

的高斯白噪声。

Figure 2014100595727100002DEST_PATH_IMAGE103

是带零均值、方差各为

的独立的高斯白噪声，且独立于

。在仿真中取采样周期T=0.1，

Figure 2014100595727100002DEST_PATH_IMAGE105

，取200个采样数据。

仿真结果如图6-9所示。

在图6和图7中的实线代滤波融合误差曲线，其它三条虚线分别代表各子系统滤波误差曲线。由图可看出融合误差明显小于单个估计误差。图8和图9中实线亦代表滤波融合估计曲线，虚线代表子系统滤波估计曲线。

附图说明：

附图1是本发明的原理图。通过传感器的信息采集、计算机融合处理及人机操作界面多媒体显示三部分的结合，进行故障评估计算，从而对设备故障检测处理。

在计算机融合处理中心，首先对单个传感器进行信息处理，采用Kalman滤波方法对局部状态进行估计，然后对估计的状态采用标量加权算法进行信息融合，提高传感器的精度，增加有效信息的数量，并通过仿真验证了算法的有效性，得到融合后的估计信息精度高于单个传感器的估计精度。在此基础上，通过状态的真实值与估计值之差计算得到残差，通过残差检测实现故障检测。

在多媒体显示部分，通过融合处理中心信息融合后的估计状态和实际状态可以由人机界面查看，以便于实时观察及历史数据的查询，通过仿真计算得到的残差数值显示到多媒体界面，并在出现异常时停机并报警。通过信息融合从而实现精度更高的故障检测。

附图2是本发明的标量加权信息融合故障诊断方法的原理图。通过（不同种类的或者相同的多个）传感器对被测对象进行信息采集，通过N个传感器进行信息处理，通过Kalman滤波方法滤除噪声干扰并对信号进行有效的状态估计，对得到的N个传感器估计信号，再通过标量加权算法进行信息融合，综合各个传感器信息，从而得到信息更全面的传感器状态信号，最后通过状态估计与实际信号之差得到残差从而进行故障诊断，进而做出进一步的故障处理。

附图3是本发明的信息融合原理图。通过多个传感器进行多个数据源的信号采集，通过Kalman滤波方法分别对每个传感器采集来的信号进行局部状态估计，最后通过标量加权算法得到单独传感器的加权权重，并利用这个权重对N个传感器进行信息融合，赋予不同传感器不同的影响因子，从而更全面的利用状态信号。

附图4是本发明的标量加权信息融合故障诊断系统设计框图。通过传感器对设备的状态进行检测，这里的传感器可以是相同的也可以是不同的。可以是相同的传感器对同一信号进行采集，这是因为不同的传感器精度不同，综合多个传感器信息可以提高采集的精度，这适用于一些精度要求高的系统。也可以采用不同的传感器对不同的信号进行采集，当然，这些信号都是可能同时引起故障的原因，例如，轴承松动、不对中、不平衡等等都会引起旋转机械转子的异常震动，因此只有综合利用这些特征信息才有可能诊断出转子的故障。

通过计算机对采集来的信号进行Kalman滤波处理，分别对每个传感器的状态进行估计。通过标量加权算法的计算，得到不同传感器的标量加权权重，权重可以更加精确的表示不同传感器的影响程度。在计算机的融合中心进行信息的融合，将不同传感器的信息综合利用，得到融合后的状态。将估计状态与实际状态进行比较，得到残差，从而通过计算机仿真，得到故障检测，通过结果推理对检测到的故障做进一步的诊断处理。

在正常状态下，检测的残差是近似为零的，说明设备处于正常的工作状态；当检测到有残差，也就是真实值同估计值存在偏差，就说明故障存在，设备出现了异常。在传统的采集检测信号中加入多传感器信息融合，提高了信号采集精度，更加快速实时的进行故障检测。

附图5是本发明的多传感器信息融合故障诊断方法流程图。

附图6是标量加权融合滤波器与各子系统滤波器位置

Figure 2014100595727100002DEST_PATH_IMAGE107

的滤波误差方差比较图。

附图7是标量加权融合滤波器与各子系统滤波器速度

的滤波误差方差比较图。

附图8是标量加权融合滤波器与各子系统滤波器位置

的滤波器比较图。

附图9是标量加权融合滤波器与各子系统滤波器速度

的滤波器比较图。

具体实施方式：

实施例1：

实施例2：

根据实施例1所述的多传感器信息融合的故障诊断方法，通过一组传感器对被测对象进行信息采集，然后进行信息处理，通过Kalman滤波方法滤除噪声干扰，并对信号进行状态估计，对得到的一组传感器估计信号，再通过标量加权算法进行信息融合，综合各个传感器信息，从而得到信息更全面的传感器状态信号，最后通过状态估计与实际信号之差得到残差从而进行故障诊断，进而做出进一步的故障处理;

实施例3：

根据实施例1或2所述的多传感器信息融合的故障诊断方法，通过计算机对采集来的信号进行Kalman滤波处理，分别对每个传感器的状态进行估计。通过标量加权算法的计算，得到不同传感器的标量加权权重，在计算机的融合中心进行信息的融合，将不同传感器的信息综合利用，得到融合后的状态；将估计状态与实际状态进行比较，得到残差，从而通过计算机仿真，得到故障检测，通过结果推理对检测到的故障做进一步的诊断处理；

实施例4：

根据实施例1或2或3所述的多传感器信息融合的故障诊断方法，通过传感器的信息采集、计算机融合处理及人机操作界面多媒体显示三部分的结合，进行故障评估计算，从而对设备故障检测处理；

Claims

1.一种多传感器信息融合的故障诊断方法，其特征是: 该方法包括如下步骤：采用Kalman滤波方法进行单传感器的局部状态估计，然后进行多传感器的标量加权算法信息融合;首先，对于带一组传感器的离散随机系统，分别对单个传感器应用Kalman滤波方法，得到相应的滤波器、误差方差，计算最优标量权重，得到最小方差意义下的最优标量加权系数，再将每单个传感器采用标量加权信息融合，得到融合后的滤波器、融合误差方差；

2.根据权利要求1 所述的多传感器信息融合的故障诊断方法，其特征是：通过一组传感器对被测对象进行信息采集，然后进行信息处理，通过Kalman滤波方法滤除噪声干扰，并对信号进行状态估计，对得到的一组传感器估计信号，再通过标量加权算法进行信息融合，综合各个传感器信息，从而得到信息更全面的传感器状态信号，最后通过状态估计与实际信号之差得到残差从而进行故障诊断，进而做出进一步的故障处理;

通过一组传感器进行多个数据源的信号采集，采用Kalman滤波方法分别对每个传感器采集来的信号进行局部状态估计，最后通过标量加权算法得到单独传感器的加权权重，并利用这个权重对N个传感器进行信息融合，赋予不同传感器不同的影响因子，从而更全面的分析利用状态信号。

3.根据权利要求2所述的多传感器信息融合的故障诊断方法，其特征是：通过计算机对采集来的信号进行Kalman滤波处理，分别对每个传感器的状态进行估计，通过标量加权算法的计算，得到不同传感器的标量加权权重，在计算机的融合中心进行信息的融合，将不同传感器的信息综合利用，得到融合后的状态；将估计状态与实际状态进行比较，得到残差，从而通过计算机仿真，得到故障检测，通过结果推理对检测到的故障做进一步的诊断处理；

4.根据权利要求2或3所述的多传感器信息融合的故障诊断方法，其特征是：通过传感器的信息采集、计算机融合处理及人机操作界面多媒体显示三部分的结合，进行故障评估计算，从而对设备故障检测处理；

在计算机融合处理中心，首先对单个传感器进行信息处理，采用Kalman滤波方法对局部状态进行估计，然后对估计的状态采用标量加权算法进行信息融合，提高传感器的精度，增加有效信息的数量，并通过仿真验证算法的有效性，得到融合后的估计信息精度高于单个传感器的估计精度;在此基础上，通过状态的真实值与估计值之差计算得到残差，通过残差检测实现故障检测；