CN105372087A - 基于多传感器信号分析的故障诊断方法 - Google Patents

Abstract

本发明公开了一种基于多传感器信号分析的故障诊断方法，利用多种传感器采集热泵机组在运行过程的压力、温度、流量等参数，并利用振动传感器采集机组的振动信号，以此来全面掌握空气源热泵机组的设备状态。在此基础上，联合多种智能技术方法，综合运用智能技术各自的优点，扬长避短，对空气源热泵机组进行状态监测、故障诊断与智能预示，能够有效地提高监测诊断系统的敏感性和精确性，降低误诊率和漏诊率。同时，基于MATLAB语言，采用GUI设计方法，设计出了方便使用的信号处理平台。在不用理解系统机理和分析数据的情况下，为一般的操作人员提供准确的诊断决策。

Description

基于多传感器信号分析的故障诊断方法

技术领域

本发明涉及一种利用多传感器获取机械设备信息，采用多混合算法分析的诊断方法，并以此构成一种高精确性、低误诊率的故障诊断方法。

背景技术

热泵技术于1854年提出之后，经历了曲折的发展过程，目前已进入了全面高速发展阶段，尤其在能源危机和全球变暖的环境压力下，热泵技术成为了各国关注的焦点，对各类热泵技术的研究、应用及推广也上升到了一个持续关注的高度。作为节能减排的技术，热泵技术前景广阔，会有越来越多的国家及政府、企业意识到热泵可以带来的节能及环保效益，市场数据也表明未来发展趋势良好。研究热泵技术在实际工程中的应用，使热泵的节能环保作用在实际中得以更好地发挥，是推广热泵技术的重要基础，因此实际工程应用及优化研究工作十分重要。

近年来，为了满足用户生活热水需要，热泵热水系统在国内运用越来越广泛，但是随着时间推移，热泵热水系统中设备的老化或者其它原因，导致系统运行不可避免的会出现各种敌障。目前，系统故障排除及设备维修主要依靠现场人员的经验以及相关仪器完成故障的诊断，故障能否及时排除受到现场人员水平和经验的约束。并且只限于故障部分的局部诊断，欠缺系统性的诊断维护及故障预测方法，故障原因搜索和排查依据经验占总消除故障时间的50％以上。因此，建立一个完善的故障诊断系统对地源热泵热水系统进行快速有效的智能诊断具有重要意义。

故障诊断本质上是一个模式识别问题，它包括信号采集、特征提取和选择和状态识别三个环节，其中信号采集是故障诊断的前提，特征提取和选择是故障诊断的关键，而状态识别则是诊断的核心。只有保证了采集信号的正确性，提取和选择特征的敏感性，以及状态识别方法的有效性，才能提高故障诊断的精度。

机械设备的一些参数会反映出机械可能存在的故障，如温度、压力、流量等参数，这些参数可以使用传感器的测量获得。机械设备在运行过程中产生的振动和噪音及其特征信息是反映机械设备及其运行状态变化的主要信号。可以通过使用传感器获得一种或多种信号，用来掌握机器运行的状态。获得多种传感器信号可以有助于全方面掌握机械运行状态，以此来全面掌握空气源热泵机组的设备状态。

目前，针对热泵机组的故障诊断方法较少，或是仅采取单一的故障诊断方法，根据某些单一的传感器获取的数据进行系统故障判别，其结果不仅缺乏精确度，而且存在着误诊断。因此，获取同一系统某一时刻的多种传感器信号，利用多种智能诊断技术，取长补短，可以有效地解决单一的智能诊断技术存在的问题，提高诊断监测系统的精确性、敏感性，降低误诊率。

基于单一智能分类器的状态识别方法，难以精确地诊断复杂机械设备的早期故障和复合故障。为了克服单一智能分类器的不足，提高复杂设备故障诊断的确诊率，须要采用多个智能分类器相结合的混合智能诊断方法。多分类器组合诊断是实现混合智能诊断的模式之一。通过使用不同的预处理技术或特征提取方法可以获得不同的输入特征集，而输入不同特征集的几个分类器之间通常表现出互补的分类特性。因此，如果将不同输入特征集的几个分类器输出结果利用集成技术合成，其最终的结果可以优于最好的单一分类器。

将热泵热水领域专家的知识软件化，采用人工智能算法对故障进行识别，可以更好地保证控制系统的正常运行。在人工智能诊断技术中基于知识的故障诊断法由于具备智能性及不依赖于数学模型的特点得到了广泛的应用。

哈尔滨工业大学的姜益强等人对基于神经网络的空气源热泵机组的故障诊断进行了研究，应用BP神经网络模型对热泵机组的性能进行模拟，并用来自模拟实验的征兆实例和专家领域内的知识对神经网络进行了训练。

西安建筑科技大学的张中鹤、王康等人应用人工神经网络方法对地下水源热泵系统的故障进行了诊断。与之前的研究相比，不同之处在于他们将研究重心放在了对能效有影响且不易察觉的“软故障”上。对地下水源热泵系统的运行维护有着积极的意义。

总结国内外研究成果可以看到，我国故障诊断技术在热泵机组领域的应用已有了一定的发展及应用，但仍存在以下问题：

现有混合智能诊断研究大多仍使用温度、压力等离散的物理信号构成诊断信息，鲜少使用振动信息或者、声音信息等连续信号，造成诊断信息的不完备。机械系统故障常常表现在动力学、声学、摩擦学、热力学等多物理场，因此仅仅利用某一物理场造成诊断信息的不完备，难免引起故障的漏检和误判，尤其对十早期、微弱和复合故障，其故障特征往往在任何一个物理场都不明显，只有综合利用多物理场信息才有望提高故障诊断和预示的精度。

从诊断的方法来看，随着研究和应用的深入，单一故障诊断方法具有不可避免的缺陷。面临的诸如诊断信息不完整、模糊隶属度函数的人为确定、专家系统的知识获取困难、神经网络缺乏故障样本训练等问题，限制了这些单一智能技术的应用。因此，多种诊断方法加以组合能使诊断系统中知识表达更加完善和清晰，不拘泥于某一种特定的诊断方法，则可以大大提高诊断的准确性及可现行。

发明内容

本发明的目的在于提供一种能够有效地诊断和预示复杂机械的故障模式的基于多传感器信号分析的故障诊断方法。

本发明的技术解决方案是：

一种基于多传感器信号分析的故障诊断方法，其特征是：包括下列步骤：

(1)利用单片机驱动多个传感器收集机组数据，机组运行参数包括供水温度、回水温度、水箱水温以及水箱水位，并与PC机进行串口通讯，将所采集的数据发送到PC机；

(2)机组振动信号的采集，采用无线传感器，通过无线模块将振动数据传到电脑上；

(3)获取各个传感器测量的热泵机组在运行过程中不同转态下的压力、温度、流量参数，并进行融合操作，构成不同状态下的特征向量；

(4)将获取的多个时刻或是多个运行状态的传感器数据构成的特征向量与状态进行模式映射，得出故障与征兆之间的关系，以此设计和训练神经网络来进行故障分类，以便系统进行故障诊断时，可以根据不同的故障征兆来完成模式映射过程；

(5)根据数据融合的特征向量维数，确定遗传算法优化的BP神经网络的结构，完成神经网络的训练过程，根据神经网络的训练结果，进行相关的优化；

(6)采用遗传算法对BP神经网络的初始权值和阈值分布进行优化，通过选择、交叉和变异操作找到BP神经网络的最优权值和阈值；在此利用测试数据对优化后的BP神经网络进行训练，获得最终优化好的BP神经网络故障分类器；

(7)对于相应机械状态下获得的振动信号，进行去噪相关操作后，采用小波包分析方法对振动波形进行小波分解，获取三层小波分解后各个节点的重构小波系数与重构小波能量谱；

(8)从获取的重构小波系数与重构小波能量谱中提取各个节点的能量、方差以及小波系数数据，同样地将这些数据融合后，作为该振动信号的特征向量；

(9)使用粗糙集理论对振动信号的特征向量进行特征约简，通过对决策表进行条件属性约简、决策规则约简，获取最小决策规则，作为最终分类规则；

(10)根据粗糙集约简后的规则，设计和训练对向传播神经网络，训练成功后，获取振动信号的故障模式分类器；

(11)进入故障决策融合阶段，按S3获取的信号的特征向量作为输入，利用步骤(6)训练好的神经网络故障分类器获取故障结果，同时按步骤(8)获取的振动信号的特征向量利用步骤(10)获得的振动信号的故障模式分类器进行诊断，获取诊断结果；最后，将这两种不同信号的诊断结果进行D-S决策融合，最终融合结果即为诊断结果；

(12)最后，基于MATLAB语言，采用GUI设计方法，设计故障诊断信号处理平台；技术人员可通过简单操作，获取当前机组运行参数，及时做出故障判断，并且可以保存当前数据，查看历史数据。

本发明的有益效果是：

1、利用多种传感器采集热泵机组在运行过程的压力、温度、流量等参数，并利用振动传感器采集机组的振动信号，以此来全面掌握空气源热泵机组的设备状态。

2、联合多种智能技术方法，综合运用智能技术各自的优点，扬长避短，对空气源热泵机组进行状态监测、故障诊断与智能预示，能够有效地提高监测诊断系统的敏感性和精确性，降低误诊率和漏诊率。

3、基于MATLAB语言,采用GUI设计方法,设计出了方便使用的信号处理平台。在不用理解系统机理和分析数据的情况下，为一般的操作人员提供准确的诊断决策。

附图说明

下面结合附图和实施例对本发明作进一步说明。

图1是本发明基于热泵机组的多传感器信号分析的故障诊断系统的示意图。

图2是多传感器故障诊断模型。

图3是本发明中设计的BP神经网络结构图。

图4是粗糙集属性约简算法流程框图。

图5是热泵机组故障诊断系统的主界面。

以上图中各个标号：P1-高压，P2-低压，P3-冷凝温度，P4-蒸发温度，P5-吸气过热温度，P6-液体过冷温度，P7-排气温度和P8-通过冷凝器的水流温差。T1-无故障，T2-制冷剂泄露，T3-压缩机排气阀泄露，T4-液体管路受阻，T5-冷凝器结垢，T6-蒸发器结垢。

具体实施方式

首先将机组某一时刻运行的参数包括温度、压力等数据融合成这一时刻的特征向量，获取多个时刻或是多个机械状态的多个传感器数据，得出故障与征兆之间的关系，根据不同的故障征兆来完成模式映射过程。以此作为BP神经网络的训练集，确定BP神经网络的输入层节点数、输出层节点数，并根据经验公式确定隐含层节点数。空气源热泵机组的常见软故障有：制冷剂泄露、压缩机排气阀泄露、液体管路受阻、冷凝器结垢和蒸发器结垢。首先确定网络的输入样本数据和目标输出。对于热泵机组来说有8个特征量：高压P1，低压P2，冷凝温度P3，蒸发温度P4，吸气过热温度P5，液体过冷温度P6，排气温度P7和通过冷凝器的水流温差P8。通过仿真试验获得的数据作为输入，输出为无故障T1，制冷剂泄露T2，压缩机排气阀泄露T3，液体管路受阻T4，冷凝器结垢T5和蒸发器结垢T6。然后确定网络结构。采用BP神经网络进行故障诊断。设计BP网络的输入层节点数为8，输出层节点数为6，确定隐含层节点数为13。确定BP神经网络的结构为8-13-6。其结构图如图3。

但因为BP网络容易陷入局部极小，从而在训练过程中达不到想要的训练结果。神经网络自身存在一些缺陷和不足，需要对其进行优化。由于遗传算法具有全局搜索能力和较强的鲁棒性，可以加强网络训练和提高网络性能，更容易找到全局最优解。因此，利用遗传算法来优化BP神经网络的初始值和阈值。BP神经网络训练前各层的初始连接权值及阈值为[0,1]之间的随机值，这种未优化的随机值会使BP神经网络的收敛速度变慢，且容易使最终结果为非最优解。遗传算法优化BP神经网络的基本思想为：采用遗传算法对BP神经网络的初始权值和阈值分布进行优化，通过选择、交叉和变异操作找到BP神经网络的最优权值和阈值。利用新的权值和阈值进行训练BP神经网络，可得到较好的训练结果。

同时，将上述多个机械状态下的振动信号进行处理。在热泵机组无故障T1、故障T2～T6模式下利用振动传感器进行振动信号的采集，采用小波包分析算法对振动信号进行分解，提取各个波形的特征向量。小波包分解遵循能量守恒定理，每个频带的信号就代表了原始信号在该频率段内的信息。小波包有较高的分辨率，对信号实现深层分解后，求取特定频带的能量值，利用求得的特征值构成诊断特征向量。信号的小波包分解可以用多种小波包基实现，可以通过花费代价函数求取一个最佳小波包基。信号的特征可以用小波包系数体现，系数的大小可以表征该小波包基内的信息对信号的贡献大小。这里采用Shannon嫡标准作为花费代价函数求取最佳小波包基。

小波包分解提取的原始特征中可能存在一部分的冗余特征，而冗余特征会使得后期故障分类更为复杂，对分类精度也存在影响。因此，有必要对提取的特征进行约简和选择，在不丢失故障信息的情况下，选取敏感特征作为分类器的输入。约简是利用粗糙集理论，通过对决策表进行条件属性约简、决策规则约简，获取最小决策规则，作为最终分类规则。粗糙集属性约简算法流程框图如图4。将这些约简后的特征向量与相应的故障模式作为分类器的训练集，确定分类器结构。

进入故障决策融合阶段，使用Dempster-Shafer(简称D-S)证据理论融合算法进行融合。决策级融合的核心思想是,各传感器根据各自的观测结果做出局部判决,然后将判决结果经由通信信道传送到融合中心,再由融合中心对各局部判决进行综合处理,做出最终判决。假设辨识框架Ω下两组证据E₁和E₂，对应的基本信任分配函数分别为m₁和m₂，焦元分别为A_i和B_j，D-S合成规则为：

利用D-S合成规则可以结合若干条独立的证据。与单一集合独立处理相比，信息融合可以提高决策结果的可信度，同时降低推理模糊程度，提高探测精度，提高空间分辨率，并且能够增强系统的容错能力和自适应性，从而提高全系统性能。最终融合结果即为诊断结果。

最后，基于MATLAB语言,采用GUI设计方法,设计故障诊断信号处理平台。技术人员可通过简单操作，获取当前机组运行参数，及时做出故障判断，并且可以保存当前数据，查看历史数据。其主界面如图5。

本发明以某空气源热泵机组为研究对象，利用多种传感器采集热泵机组在运行过程的压力、温度、流量等参数，并利用振动传感器采集机组的振动信号，以此来全面掌握空气源热泵机组的设备状态。在此基础上，联合多种智能技术方法，对空气源热泵机组进行状态监测、故障诊断与智能预示。同时，基于MATLAB语言,采用GUI设计方法,设计出了方便使用的信号处理平台。

基于多传感器信号分析的故障诊断方法，包括下列步骤：

(1)利用单片机驱动多个传感器收集机组数据，机组运行参数包括供水温度、回水温度、水箱水温以及水箱水位等，并与PC机进行串口通讯，将所采集的数据发送到PC机。

(2)机组振动信号的采集，可以采用无线传感器，耗电小。通过无线模块将振动数据传到电脑上。

(S)：获取各个传感器测量的热泵机组在运行过程中不同转态下的压力、温度、流量等参数，并进行融合操作，构成不同状态下的特征向量。

(4)将获取的多个时刻或是多个运行状态的传感器数据构成的特征向量与状态进行模式映射，得出故障与征兆之间的关系，以此设计和训练神经网络来进行故障分类，以便系统进行故障诊断时，可以根据不同的故障征兆来完成模式映射过程。

(5)根据数据融合的特征向量维数，确定遗传算法优化的BP神经网络的结构，完成神经网络的训练过程。但因为BP网络容易陷入局部极小，从而在训练过程中达不到想要的训练结果。因此，根据神经网络的训练结果，进行相关的优化。

(6)采用遗传算法对BP神经网络的初始权值和阈值分布进行优化，通过选择、交叉和变异操作找到BP神经网络的最优权值和阈值。在此利用测试数据对优化后的BP神经网络进行训练。获得最终优化好的BP神经网络故障分类器。

(7)对于相应机械状态下获得的振动信号，进行去噪等相关操作后，采用小波包分析方法对振动波形进行小波分解，获取三层小波分解后各个节点的重构小波系数与重构小波能量谱。

(8)从获取的重构小波系数与重构小波能量谱中提取各个节点的能量、方差以及小波系数等数据，同样地将这些数据融合后，作为该振动信号的特征向量。

(9)小波包分解提取的原始特征中可能存在一部分的冗余特征，而冗余特征会使得后期故障分类更为复杂，因此，有必要对提取的特征进行约简和选择。可以使用粗糙集理论对振动信号的特征向量进行特征约简，通过对决策表进行条件属性约简、决策规则约简，获取最小决策规则，作为最终分类规则。

(10)根据粗糙集约简后的规则，设计和训练对向传播神经网络，训练成功后。获取振动信号的故障模式分类器。

(11)进入故障决策融合阶段，按S3获取的信号的特征向量作为输入，利用S6训练好的神经网络故障分类器获取故障结果，同时按S8获取的振动信号的特征向量利用步骤(10)获得的振动信号的故障模式分类器进行诊断，获取诊断结果。最后，将这两种不同信号的诊断结果进行D-S决策融合，最终融合结果即为诊断结果。

(12)最后，基于MATLAB语言，采用GUI设计方法，设计故障诊断信号处理平台。技术人员可通过简单操作，获取当前机组运行参数，及时做出故障判断，并且可以保存当前数据，查看历史数据，为之后的故障诊断提供更可靠的故障征兆信息，可以更为快速、精确的预判机组的机械状态。

本技术领域中的普通技术人员应当认识到，以上的实施例仅是用来说明本发明的技术方案，而并非用作为对本发明的限定，任何基于本发明的实质精神对以上所述实施例所作的变化、变型，都将落在本发明的权利要求的保护范围内。

Claims (1)

1.一种基于多传感器信号分析的故障诊断方法，其特征是：包括下列步骤：

（1）利用单片机驱动多个传感器收集机组数据，机组运行参数包括供水温度、回水温度、水箱水温以及水箱水位，并与PC机进行串口通讯，将所采集的数据发送到PC机；

（2）机组振动信号的采集，采用无线传感器，通过无线模块将振动数据传到电脑上；

（3）获取各个传感器测量的热泵机组在运行过程中不同转态下的压力、温度、流量参数，并进行融合操作，构成不同状态下的特征向量；

（4）将获取的多个时刻或是多个运行状态的传感器数据构成的特征向量与状态进行模式映射，得出故障与征兆之间的关系，以此设计和训练神经网络来进行故障分类，以便系统进行故障诊断时，可以根据不同的故障征兆来完成模式映射过程；

（5）根据数据融合的特征向量维数，确定遗传算法优化的BP神经网络的结构，完成神经网络的训练过程，根据神经网络的训练结果，进行相关的优化；

（6）采用遗传算法对BP神经网络的初始权值和阈值分布进行优化，通过选择、交叉和变异操作找到BP神经网络的最优权值和阈值；在此利用测试数据对优化后的BP神经网络进行训练，获得最终优化好的BP神经网络故障分类器；

（7）对于相应机械状态下获得的振动信号，进行去噪相关操作后，采用小波包分析方法对振动波形进行小波分解，获取三层小波分解后各个节点的重构小波系数与重构小波能量谱；

（8）从获取的重构小波系数与重构小波能量谱中提取各个节点的能量、方差以及小波系数数据，同样地将这些数据融合后，作为该振动信号的特征向量；

（9）使用粗糙集理论对振动信号的特征向量进行特征约简，通过对决策表进行条件属性约简、决策规则约简，获取最小决策规则，作为最终分类规则；

（10）根据粗糙集约简后的规则，设计和训练对向传播神经网络，训练成功后，获取振动信号的故障模式分类器；

（11）进入故障决策融合阶段，按S3获取的信号的特征向量作为输入，利用步骤（6）训练好的神经网络故障分类器获取故障结果，同时按步骤（8）获取的振动信号的特征向量利用步骤（10）获得的振动信号的故障模式分类器进行诊断，获取诊断结果；最后，将这两种不同信号的诊断结果进行D-S决策融合，最终融合结果即为诊断结果；

（12）最后，基于MATLAB语言，采用GUI设计方法，设计故障诊断信号处理平台；技术人员可通过简单操作，获取当前机组运行参数，及时做出故障判断，并且可以保存当前数据，查看历史数据。