CN104571079A - 一种基于多传感器信息融合的无线远程故障诊断系统 - Google Patents

Abstract

本发明涉及一种基于多传感器信息融合的无线远程故障诊断系统，包括工控机、无线传输单元和控制单元，所述无线传输单元用于连接工控机和控制单元；所述控制单元包括监控服务器、模数转换器、有源低通滤波器和多个数据传感器；所述多个数据传感器分别通过各自的有源低通滤波器和模数转换器与监控服务器相连；所述监控服务器一方面用于接收所述模数转换器的数据，另一方面基于BP神经网络算法的多传感器信息融合技术对采集的信息进行分析处理，根据融合数据库和专家知识库对采集信息进行判断处理，其中，所述融合数据库中存放着之前所记录的传感器采集数据组，专家知识库中存放着已知电机故障种类对应的各传感器的参数记录。本发明可提高故障诊断的可行性和精确度。

Description

一种基于多传感器信息融合的无线远程故障诊断系统

技术领域

本发明涉及自动控制技术领域，特别是涉及一种基于多传感器信息融合的无线远程故障诊断系统。

背景技术

近年来，随着现代工业的发展，电机已被广泛应用于工业系统的各个领域。其故障和突然停止运行，不仅会损坏电机本身，还会影响整个系统的正常工作，甚至危及生产人员的人身安全，造成巨大经济损失。因此对电机进行故障诊断具有现实意义和经济意义。目前，集群现场电机故障诊断系统基本上是借助于有线传感器网络实施的功能。有线传感器网络方式受布线、供电电源、安装场所、运行和维修环境等条件的限制，不可能保证数据的实时性、可靠性和完整性，也将限制对设备运行状态的评估。采用近年来快速发展的无线通信技术来构建电机故障诊断系统，由传感器完成节点的实时数据信息采集，初步处理后通过无线传输模块，将采集到的数据传输到监控终端进行故障诊断。随着无线通信技术的发展，无线网络的稳定性和实时性都有了很大的改善，足以保证故障诊断系统安全稳定的运行。

随着理论研究和开发技术的发展，系统监测和工业生产中各种类型的传感器大量涌现，性能也不断提高，可供智能系统选择的传感器越来越多，在同一系统中，如何有效地综合处理、利用各种传感器提供的信息显得越来越重要。在多传感器系统中，各传感器所提供信息的空间、时间、表达方式不同，可信度、不确定程度不同，侧重点和用途也不同，这对信息的处理和管理提出了新的要求。在传统方式中，各传感器采集的信息单独、孤立地进行加工处理，不仅会导致处理工作量增加，而且阻碍了各传感器间信息的联系，丢失了信息的有机组合蕴涵的信息特征，造成信息资源的浪费。

发明内容

本发明所要解决的技术问题是提供一种基于多传感器信息融合的无线远程故障诊断系统，可提高故障诊断的可行性和精确度。

本发明解决其技术问题所采用的技术方案是：提供一种基于多传感器信息融合的无线远程故障诊断系统，包括工控机、无线传输单元和控制单元，所述无线传输单元用于连接工控机和控制单元；所述控制单元包括监控服务器、模数转换器、有源低通滤波器和多个数据传感器；所述多个数据传感器分别通过各自的有源低通滤波器和模数转换器与监控服务器相连；所述监控服务器一方面用于接收所述模数转换器的数据，另一方面基于BP神经网络算法的多传感器信息融合技术对采集的信息进行分析处理，根据融合数据库和专家知识库对采集信息进行判断处理，其中，所述融合数据库中存放着之前所记录的传感器采集数据组，专家知识库中存放着已知电机故障种类对应的各传感器的参数记录。

所述无线传输单元包括管理站点、接收节点、控制站点、中继接收节点和中继站点；每个控制单元连接一个控制站点，所述中继接收节点和中继站点共同组成一组用于延长网络传输距离的中继器，所有控制站点与中继器之间建立无线通信，中继站点与管理站点之间通过接收节点实现无线通信，所述管理站点与工控机相连。

所述数据传感器包括电机电压传感器、电机温度传感器、定子电流传感器、轴承震动频率传感器、转矩传感器和基座震动频率传感器。

所述监控服务器用于对采集到的信息进行特征提取，并对特征信息进行归一化处理为BP神经网络的输入提供标准形式，将归一化后的数据和对象已知信息作为训练样本，对网络进行训练，直到满足要求为止。

如果BP神经网络的传递函数为线性传递函数时，不对特征信息进行归一化处理，直接将采集到的信息和对象已知信息作为训练样本，对网络进行训练。

所述对网络进行训练具体包括：设置所有的加权系数和阈值；分别计算样本集中所有样本的隐含层和输出层各节点的输出值；分别计算在样本作用下的各层误差；调整各层的加权系数及阈值，得到输出层的加权系数修正公式；计算输出误差，当误差达不到目标值时，继续对网络进行训练，直到满足要求为止。

有益效果

由于采用了上述的技术方案，本发明与现有技术相比，具有以下的优点和积极效果：

本发明采用Wi-Fi网络作为传输介质，布点简单，布网工期短，网络被破坏后易恢复。

本发明采用多层分布式网络，可以灵活地扩大或缩小监控范围，方便增减需要诊断的被控对象的数量，同时提高了监控效率。

本发明采用的软件滤波，将限幅滤波与递推平均滤波相结合的复合数字滤波算法有效地对被采集信号中的的随机噪声和周期噪声进行滤除。

本发明采用基于BP神经网络的多传感器信息融合对采集信息进行处理。电机故障种类主要分为转子故障、定子故障、轴承故障和气隙偏心故障。电机出现故障时，进行诊断要对多个特征量进行测量，多传感器信息融合技术能有效地利用大批量采集数据，将不同的信息源转换成统一的表示形式，有效地实现各信息源之间的比较和通信，便于信息的融合。采用合适的融合算法对多传感器信息进行各种分析和处理，并进行推理，精确给出被诊断电机的故障类型。

附图说明

图1是监控系统结构示意图；

图2是信息融合控制原理图；

图3是BP神经网络拓扑结构图；

图4是基于BP神经网络的多传感器信息融合控制器结构图；

图5是诊断系统均方误差特性图。

具体实施方式

下面结合具体实施例，进一步阐述本发明。应理解，这些实施例仅用于说明本发明而不用于限制本发明的范围。此外应理解，在阅读了本发明讲授的内容之后，本领域技术人员可以对本发明作各种改动或修改，这些等价形式同样落于本申请所附权利要求书所限定的范围。

本发明的实施方式涉及一种基于多传感器信息融合的无线Wi-Fi远程故障诊断系统的结构如图1所示，包括工控机、无线传输单元及控制单元；无线传输单元包括管理站点MST、接收节点AP、控制站点CST、中继接收节点RAP及中继站点RST；每个控制单元连接一个控制站点CST，中继接收节点RAP及中继站点RST共同组成一组用于延长网络传输距离的中继器，所有控制站点CST与中继器之间建立无线通信，中继站点RST与管理站点MST之间通过接收节点AP实现无线通信，管理站点MST与工控机相连。

工控机为性能稳定，处理速度快的工业级PC。其与所述的MST的连接方式为有线连接。所述的工控机访问所述的MMF的方式为通过网页输入相应的IP地址访问。无线传输单元中的所有MST、AP、CST、RAP、RST之间的信息传输方式为无线传输。控制单元中的ADI和MMF集成在一个装置内，并与LPF直接通过有线方式连接。

每个控制单元包括监控服务器MMF、模数转换器ADI、有源低通滤波器LPF、电机电压传感器、电机温度传感器、定子电流传感器、轴承震动频率传感器、转矩传感器、基座震动频率传感器。监控服务器一方面用于接收模数转换器的数据，另一方面依据基于BP神经网络算法的多传感器信息融合技术对采集的信息进行分析、处理，信息融合控制原理如图2所示，根据融合数据库和专家知识库对采集信息进行判断处理，融合数据库中存放着之前所记录的传感器采集数据组，专家知识库中存放着已知电机故障类型对应的各传感器的参数记录。模数转换器则通过有源低通滤波器连接电机各特征量传感装置。

监控服务器根据多传感器信息融合技术的神经网络算法进行电机故障类别的分类、匹配，快速、实时地在监控服务器上判断电机故障类型，监控服务器还与控制站点相连。

多传感器信息融合过程如下：

(1)检测电机各特征量的传感器输出。

(2)采集传感信息并进行信息预处理。

(3)对经过预处理的传感器信号进行特征提取。

(4)对特征信息进行归一化处理，为BP神经网络的输入提供标准形式。如果神经网络的传递函数选择线性传递函数时，可以不对特征信息进行归一化处理。

(5)将归一化后的数据和对象已知信息作为训练样本，对网络进行训练，直到满足要求为止。该训练好的网络作为已知网络，只要将归一化的传感器特征信息输入网络，就可以得到输出融合结果，判断得到故障电机的故障类型。

BP神经网络是一种含有隐含层的多层前馈网络,其拓扑结构如图3所示。其中，x₁,x₂,…,x_m为输入节点，y₁,y₂,…,y_n为输出节点,网络具有q个隐含节点。由于BP神经网络可以逼近任意的非线性映射关系,因此,其在信息融合中也比较适用。

BP神经网络的训练过程如下：

(1)设置所有的加权系数和阈值。

(2)分别计算样本集中所有样本的隐含层和输出层各节点的输出值,即隐含层第i个神经元的输出为:

$\begin{array}{cc}{o}_i^p=g(\underset{j=1}{\overset{m}{\mathrm{\Σ}}}{w}_{\mathrm{ij}}\·u_j^p+b_j)& (j=\mathrm{1,2}\·\·\·,m;i=\mathrm{1,2}\·\·\·,n;=\mathrm{1,2}\·\·\·,N)\end{array}$

输出层神经元的输出为:

$\begin{array}{cc}{y}^p=g(\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{w}_i\·o_i^p+b)& (i=\mathrm{1,2}\·\·\·,n;p=\mathrm{1,2}\·\·\·,N)\end{array}$

其中,为隐含层第i个神经元在样本p的作用下的输出，m为网络输入节点数，n为隐含层节点数，N为训练样本数，w_ij为第j输入对隐含层第i个神经元的加权系数,_wi为第i隐含层神经元对输出的加权系数,b_i为隐含层第i个神经元的阀值,为输入样本,g(·)为传输函数,y^p为在样本p作用下的输出，b为输出层神经元的阀值。

(3)分别计算在样本作用下的各层误差，即输出层的误差为：

δ^p＝y^p(1-y^p)(t^p-y^p)      (p＝1,2…,N)

式中,t^p为根据融合数据库和专家知识库在电机故障类型已知情况下各特征量传感器参数，融合数据库中存放着之前所记录的传感器采集数据组，专家知识库中存放着已知电机故障类型对应的各传感器的参数记录。

隐含层第i个神经元的误差为:

$\begin{array}{cc}{\mathrm{\δ}}_i^p={\mathrm{\δ}}^p\·w_i\·o_i^p(1-o_i^p)& (i=\mathrm{1,2}\·\·\·,n;p=\mathrm{1,2}\·\·\·,N)\end{array}$

(4)调整各层的加权系数及阈值，输出层的加权系数修正公式为：

$\begin{array}{cc}{w}_i(k+1)=w_i\left(k\right)+\mathrm{\η}\underset{p=1}{\overset{N}{\mathrm{\Σ}}}{\mathrm{\δ}}_i^p{o}^p& (j=\mathrm{1,2}\·\·\·,m;i=\mathrm{1,2}\·\·\·,N)\end{array}$

输出层的阀值修正公式为：

$\begin{array}{cc}b(k+1)=b\left(k\right)+\mathrm{\η}\underset{p=1}{\overset{N}{\mathrm{\Σ}}}{\mathrm{\δ}}^p& (p=\mathrm{1,2}\·\·\·,N)\end{array}$

隐含层第i个神经元的加权系数修正公式为：

$\begin{array}{cc}{w}_{\mathrm{ij}}(k+1)=w_{\mathrm{ij}}\left(k\right)+\mathrm{\η}\underset{p=1}{\overset{N}{\mathrm{\Σ}}}{\mathrm{\δ}}_i^p{o}_i^p& (j=\mathrm{1,2}\·\·\·,m;i=\mathrm{1,2}\·\·\·,N)\end{array}$

隐含层第i个神经元的阀值修正公式为：

$\begin{array}{cc}{b}_i(k+1)=b_i\left(k\right)+\mathrm{\η}\underset{p=1}{\overset{N}{\mathrm{\Σ}}}{\mathrm{\δ}}_i^p& (i=\mathrm{1,2}\·\·\·,n;p=\mathrm{1,2}\·\·\·,N)\end{array}$

式中，η为学习效率，o^p为隐含层在样本p的作用下的输出，k为当前时刻，k+1为下一时刻。

(5)计算输出误差，即输出误差：

$\begin{array}{cc}J=\frac{1}{2}\underset{p=1}{\overset{N}{\mathrm{\Σ}}}{(t^p-o^p)}^2& (p=\mathrm{1,2}\·\·\·,N)\end{array}$

当误差达不到目标值时,返回步骤(2)继续对网络进行训练,直到满足要求为止。

基于BP神经网络的多传感器信息融合控制器结构如图4所示。为了验证系统对电机故障类型的诊断效果，在已知电机故障类型情况下各传感器检测的10组数据进行归一化处理后输入诊断系统作为网络训练数组，再将待诊断电机各传感器的数据输入系统，进行融合处理，得到了如图5所示的诊断系统均方误差特性图，显示在辨识结束时均方误差到10^-3以下，体现了故障诊断系统精确的诊断性能。

Claims (6)

1.一种基于多传感器信息融合的无线远程故障诊断系统，包括工控机、无线传输单元和控制单元，其特征在于，所述无线传输单元用于连接工控机和控制单元；所述控制单元包括监控服务器、模数转换器、有源低通滤波器和多个数据传感器；所述多个数据传感器分别通过各自的有源低通滤波器和模数转换器与监控服务器相连；所述监控服务器一方面用于接收所述模数转换器的数据，另一方面基于BP神经网络算法的多传感器信息融合技术对采集的信息进行分析处理，根据融合数据库和专家知识库对采集信息进行判断处理，其中，所述融合数据库中存放着之前所记录的传感器采集数据组，专家知识库中存放着已知电机故障种类对应的各传感器的参数记录。

2.根据权利要求1所述的基于多传感器信息融合的无线远程故障诊断系统，其特征在于，所述无线传输单元包括管理站点、接收节点、控制站点、中继接收节点和中继站点；每个控制单元连接一个控制站点，所述中继接收节点和中继站点共同组成一组用于延长网络传输距离的中继器，所有控制站点与中继器之间建立无线通信，中继站点与管理站点之间通过接收节点实现无线通信，所述管理站点与工控机相连。

3.根据权利要求1所述的基于多传感器信息融合的无线远程故障诊断系统，其特征在于，所述数据传感器包括电机电压传感器、电机温度传感器、定子电流传感器、轴承震动频率传感器、转矩传感器和基座震动频率传感器。

4.根据权利要求1所述的基于多传感器信息融合的无线远程故障诊断系统，其特征在于，所述监控服务器用于对采集到的信息进行特征提取，并对特征信息进行归一化处理为BP神经网络的输入提供标准形式，将归一化后的数据和对象已知信息作为训练样本，对网络进行训练，直到满足要求为止。

5.根据权利要求4所述的基于多传感器信息融合的无线远程故障诊断系统，其特征在于，如果BP神经网络的传递函数为线性传递函数时，不对特征信息进行归一化处理，直接将采集到的信息和对象已知信息作为训练样本，对网络进行训练。

6.根据权利要求4或5所述的基于多传感器信息融合的无线远程故障诊断系统，其特征在于，所述对网络进行训练具体包括：设置所有的加权系数和阈值；分别计算样本集中所有样本的隐含层和输出层各节点的输出值；分别计算在样本作用下的各层误差；调整各层的加权系数及阈值，得到输出层的加权系数修正公式；计算输出误差，当误差达不到目标值时，继续对网络进行训练，直到满足要求为止。