一种新的多维传感器智能融合方法在船舶主机摩擦学系统故障诊断方面的应用外文翻译资料

英语原文共 15 页，剩余内容已隐藏，支付完成后下载完整资料

一种新的多维传感器智能融合方法在船舶主机摩擦学系统故障诊断方面的应用

------李志雄，严新平，郭志伟，刘鹏，袁成清，彭忠晓

收到：2011年12月28日 /接受：2012年3月13日/在线出版：2012年5月6日

施普林格科学 商业媒体，LLC 2012

摘要

船用柴油机作为为整个船舶提供动力的关键组成部分，为了确保船舶动力系统的安全运行，其已经并且需要得到相关人员的更深层次的关注。目前，振动分析和磨损碎片分析是柴油机状态监测与故障诊断的最常用技术。然而，在实践中这两种技术通常被独立地使用，并且用这些技术去解决数据的收集和整理的工作做的也十分有限。为了加强早期故障监测机制，本文提出了一种全新的船舶柴油机故障监测与诊断技术，即利用振动分析法和磨粒分析法对多元信息进行融合及综合性诊断。一种使用基于参考提取方案的经验模式分解得到的新型独立成分分析与参考算法（ICA-R），通常被用于识别多通道传感器采集的发动机振动信号的特征源信号。该方法在数据融合水平上的优势体现在，通过与先验知识进行结合，ICA-R可以仅提取在一个分离周期内关于发动机故障的直接信息源。然后被恢复源信号的统计值就可以得到计算。上述的震动特性，包括磨粒特性，都被用作发动机故障检测的特征向量。最后，改进简化模糊ARTMAP（SFAM）应用到整合提取这两种技术,并在决策层中检测监督学习故障的特点。 特别是免疫粒子群优化算法可以通过调整SFAM警戒参数进而提高识别性。通过对柴油发电机进行测试可以评估已提出的诊断方法的有效性。实施的柴油发动机的实验测试，以评估所提出的诊断方法的有效性。诊断结果表明，可提取识别的故障特征和故障识别准确率是令人满意的。此外，该集成方法的故障检测率已提高了16%或更好的使用时，单独使用的技术。

关键词 船舶柴油机；故障诊断摩擦学；系统的振动分析；磨屑分析

1引言

众所周知，柴油机是船舶动力系统中最重要的设备之一。其安全可靠的运行对于船舶机械设备正常有效的运转是至关重要的。然而，由于恶劣的工作环境，船舶柴油机容易损坏。由机械故障造成的船舶事故中柴油机故障占41.6%。因此，当务之急是监测船用柴油机的早期故障，以防止威胁到船舶。目前已经提出了许多方法来检测船舶柴油机故障[2]，包括石油分析[3]，热力学参数法[4]，活力分析[5，6]等。在机械维修和故障诊断的状态监测中[7 - 9]，振动分析和油/磨屑分析是最有前途的技术。然而这些技术通常用于工程实践中，并且由于机械的复杂性，在单独使用这些技术时只能诊断大约30%至40%的故障[7，8]。新的证据表明，通过融合这两种技术可以实现具有较全面的高精度故障检测[10,12]。Akagaki等人[13]使用磨屑分析和振动分析的方法监测滚动轴承的油污染，Maru等人[14]采用振动和磨损分析检测球轴承的固体污染。他们在工作中已经研究了这两种技术诊断结果的关联性。然而，他们主要关注这两种技术的检测结果。一个健全的包括数据，功能和决策水平的三个不同层次的信息融合方法也一直没有被提出。利用新开发的信号处理技术和人工智能方面的突破，就可能开发出新一代的整合方案，该方案主要通过整合振动和油/磨屑来分析船用柴油机的状态监测[8]。

为了开发一种有效的故障诊断程序，多维传感器的初步融合测量，特别对于振动信号来说这是十分重要的一步。这是因为振动信号的质量可能会受到故障的位置和结构路径的严重影响，基于故障信息可能分布在空间中的不同方位并具有较强的背景噪声这一事实。因此，使用一组加速度计多方位测量故障信息对于可靠和准确的故障诊断来说是十分必要的。然而确定多通道传感器收集相关信息的最佳方位是十分困难的，尤其是对于的复杂机器。然而，最先进的信号处理技术，如小波变换[15]和希尔伯特黄[16]等，只能处理单方向上的测量，也即振动信号只能来自一个传感器。因此，要获得高质量的振动信号，它需要充分利用位于不同方位上的多个传感器的测量。为了解决这个问题，独立成分分析（ICA）被引入多路传感器的数据融合系统[17,18]。ICA有能力找到合适的表达去恢复或估计从多通道信号传感器测量出的发动机故障振动的相关源信号。通过ICA的融合处理，无用的数据就可以被删除。鉴于这一优势，李等[19]用ICA识别引擎声源。在他们的研究中，连续小波变换（CWT）被用于研究在时间–频率域（ICS）中的独立组件。实验结果表明，ICA在发动机噪声源如燃烧和阀门操作的检索功能十分强大。葛和刘[20]采用顺序ICA把柴油发动机信号分成解多个IC，并且可以利用小波变换得到关于发动机噪声–频率的可靠信息。类似的声学信号的研究也有报道在[21,22]，在发动机振动方面做的工作也非常有限。高等人[23]用基于ICA算法的奇异值分解分离柴油发动机气缸盖的振动信号。然而，他们只专注于基于ICA奇异值分解的振动信号的预处理，并没有讨论故障诊断。此外，在他们的工作中分离的芯片是多个独立和并行的来源。因此，他们需要进一步鉴定和确定每一个与故障相关的经验知识。这个缺点可以限制其在故障诊断中的应用，由于ICA故障诊断的自动系统总是需要从ICA分离输出中直接读取所需的故障源。为了解决这个问题卢和拉贾帕克萨[24]提出了参考信号的独立分量分析（ICA-R）算法,也即从多通道传感器满足约束条件的先验知识中提取相关信号源。于等[25]采用ICA-R分开旋转机械的故障特征，李等人[26]结合ICA-R和径向基函数（RBF）去诊断旋转系统。一组所需的资源已被ICA-R提取。因此为了避免多个IC的检查，只回收与柴油机故障特征有关的信息源是十分可取的。这样做ICA的处理效率就会大大提高。

为了开发一个可靠，有效和高效的船用柴油机故障诊断系统，本文提出了一种新的振动磨损碎片的信息融合方法。这种新的方法基于ICA-R和改进简化模糊ARTMAP（SFAM），并具有三级结构。这里ICA-R的发动机振动信号在数据层面的传感器融合技术，当均方根（RMS）的特征级的同时，平均频率（MF），偏度和峰度，回收的振动信号，被视为故障特征向量。改进的SFAM被用作故障检测决策水平的智能模式分类器。

与故障诊断方法相比，使用集成的方法报道在[7]，基于诊断方法的ICA被用在[25，26]，所提出的这种工作方式采用了先进的信息融合技术，因此能够形成高效的船用柴油故障检测系统。所以，它比现有的方法拥有更强大的故障诊断能力。

为了评估所提出方法的性能，在柴油机试验台上进行了一系列的实验。通过分析结果证明了所提出方法的有效性。

2算法的描述

所提出的诊断系统的框架包含三个层次的融合结构，如图1所示。参考理论和改进SFAM简述如下。

图1：船舶柴油机故障诊断三级信息融合系统的研究

2.1 ICA参考

传统的ICA原理如图2所示[ 18，27 ]。假设多通道传感器测量,未知的ICS可以表示为。两者之间之间的关系可以表示为：

(1)

A是混合矩阵,n为传感器,M是集成电路的数量。ICA的目标是找出逆矩阵W矩阵，使得未知的ICS可以回收被[27]：

因为A是未知的，所以混合矩阵W不能直接计算。目标函数被用来估算W，最有效的一个负熵是[28]。负熵的定义是[27，28]

， (2)

图2：传统的独立分量分析的基本原理

其中t是一个以零为均值的高斯变量，E是一个数学期望，G是一个非二次函数。G的流行选择表示如下：

, ， (3)

通过最大化关于W的THORN;Jeth;，就可以得到ICs的估计值。定点FastICA算法[28]采用牛顿迭代去更新W，并且已被证明能够非常有效地找到ICS。迭代表示为：

。 (4)

一般来说，FastICA估计大部分的ICs。工程师需要确定所需的集成电路,由此带来的不便，可能降低在ICA在工业应用中的可行性。因此，所谓的ICA-R [24]已被用来分离所需的IC，但放弃无用的引擎故障检测。

ICA-R采用现有参考公式（2）作为一个约束项，用来指导FastICA提取相应的集成电路。约束优化问题在ICA-R可以表示为：

，， (5)

其中W是估计的电路和参考值R之间的相关性度量，估计输出值Si和参考值r的接近度由d(Si,r)表示。WJ或W*是W中与IC相关的混合矢量，其中D（SJ，R）有其他不需要的集成电路的最小值。当且仅当 W=W*[29]时，l（w）满足如下的不等关系:

，。 (6)

通过使用拉格朗日乘子法来解决方程不等式约束(5)，有用的集成电路可以很容易地从多渠道的混合物中分离。船舶柴油机故障诊断的工作流程图如下：

图3：参考流程

2.2改进的简化模糊ARTMAP

格罗斯伯格提出的自适应共振理论（ART）神经网络模型[30]提出了一种人类认知信息加工理论。基于ART，引入了一个新的被称为ARTMAP的架构。为了响应任意模拟序列或二进制输入向量[31]，引入增加监督学习的识别分类和多维地图。在ART模型中ARTMAP是最为著名的一种模型[32]。模糊ARTMAP通过测量模糊集，ART的种类选择，共鸣和学习间的相似性[31]，来把模糊逻辑变为ART。

此外，匹配跟踪过程已被采用，通过尽量减少识别类别的数量来满足精度标准。这些运算往往是先于模糊ARTMAP来训练神经网络。这些操作包括补充编码，匹配跟踪，共振和学习。然而原始的模糊ARTMAP [31]采用了一种以两个ART为基础的结构，即ARTa和ARTb用来实现模式识别。这种架构增加了计算的复杂度，并已被证明是多余的[32，33]。一个典型的SFAM架构如图4所示[35，36]，它已放弃了ARTb，但能执行地更快并和原始的模糊ARTMAP一样具有较好的执行能力 [32，33]。下面简要描述了其算法。

(1)计算输入向量的补码

，是输入特征向量。

(2)计算输出节点并用用YJ表示第j个输出节点

图4：典型的简化模糊ARTMAP架构[35，36]

， (8)

Wj是相应的权重，模糊算子a=0.000001,获胜的输出节点被定义为:

, (9)

当前的输入模式被分类为与冠军[ 34 ]相关联的类别。

1. 检查比赛情况

, (10)

其中m是输入补码L1的范数，是警惕的因素，如果匹配条件满足发生共振。共振装置的输入模式是类似于获奖者的原型[32，34]。然后学习发生在下面的更新方程，使输入模式更接近原型模式[32]：

， (11)

1. 如果匹配跟踪失败，即“错误匹配”发生。这就意味着当前输入模式不符合SFAM输出的原型模式。因此，创建一个新的子类。
2. 到该步骤（1），并重复该算法的所有输入。

只有当输入无噪声时该识别输入模式的效率就会很高[ 34，37 ]，此外，该性能也依赖于一个精心选择的警戒系数q [ 36 ]。由于SFAM的输入模式已预先经过数据级融合、特征级融合的处理，所以噪声的影响可以降低到很低的程度。因此，剩下的任务就是要找到一个合适的基于强大优化能力的优化粒子群（PSO）[38]，它已被用来搜索一个适当的q提高本文SFAM。为了避免粒子群优化过程中过早地收敛和达到更好的全局解，可以将免疫信息处理机制与粒子群算法结合，就可以提高传统粒子群优化算法的搜索能力。免疫粒子群算法的细节可以在[38]中找到。SFAM免疫粒子群的优化算法可以简述如下：

（1）初始化警戒因子的粒子群

（2）计算所有粒子

， (12)

在该项目的“命中”表示通过训练第K个SFAM粒子得到的测试样本的正确分类数。

（3）产生下一代粒子群

粒子根据它们的当前位置和目标之间的距离调整飞行速度，新一代粒子群可以衍生出新的位置。飞行速度和位置的更新方程被定义为[38]。

， (13)

， (14)

vk和xk表示飞行速度和粒子，p位置表示粒子Xk的最佳坐标，gbest表示整个粒子群的全局最优坐标。X是惯性权重，R1和R2被均匀地分布在随机区间（0,1）上，C1和C2是学习因子。

（4）粒子群的多样性，并利用免疫记忆进行自我调整。

（5）实施免疫接种，并检查演变过程的终点。如果终端项是满意的，该程序将停止，否则，它返回到步骤（2），并继续搜索。

3实验和结果

模拟故障的实验已经在一个专门设计的四冲程单缸内燃机试验台上进行（见图5）[ 39 ]。图5是测试装置的示意图。试验台主要由三部分组成，包括主轴和活塞环、主轴滑动轴承和信号处理系统。样品采集包括安装加速度计以获取振动数据和直接传输路径和位置为塑料吸管采集油样。测试仪已在[39]中得到验证，测试装备也已被证明是可行的，并且对内燃机主要拓片的模拟是十分有效的。

图5：结

剩余内容已隐藏，支付完成后下载完整资料

资料编号：[151490]，资料为PDF文档或Word文档，PDF文档可免费转换为Word