基于模煳测量和模煳积分融合技术的机械故障诊断[外文翻译].doc

本科学生毕业设计（论文）附件 附件C：译文指导教师评定成绩(五级制)：指导教师签字：附件C：译文基于模糊测量和模糊积分融合技术的机械故障诊断Xiao feng Liu, Lin Ma, Joseph MathewCRC for Integrated Engineering Asset Management, School of Engineering Systems, Queensland University of Technology,GPOBox2434, Brisbane QLD 4001, Australia摘要：模糊测量和模糊积分理论是有传统的测量理论派生出来的一个新理论，它把标准和它们之间的相互作用考虑了进来，而且在分类等应用上有很好的潜力。本文介绍了一种新颖的用模糊测量和模糊积分对机械故障诊断的数据融合方法它包括特征层数据融合模型和决策层数据融合模型，模糊c方法分析思想也被用来识别特征组和故障原型之间的关系来建立特征和给定故障之间的标识。我们使用了滚动轴承和电马达来是模型生效，记录的信号和之后的特征和使用模糊测量和模糊积分数据融合技术的决策层结合体包含了不同的特征来得到诊断结果。最终结果表明计划的方法在轴承和马达故障诊断中表现优异。关键词：模糊测量，模糊积分，模糊c方法，数据融合，故障诊断1介绍现代机械复杂性的快速有快速增加的态势，而由此带来的对可靠性，实用性安全性和经济性的要求也与日俱增，因此基于状态的维修（CBM）逐步成为机械维修策略的主流。有效的CBM只能在适当精确的诊断预测中才能实现，而且故障诊断和预测对基于外出站信号处理算法的多参数数据解释有很强的依赖性。统计学方法、聚类分析、神经网络、基于模型思想、遗传算法、混合系统等在机械环境监测和故障诊断中不同的方法相继被采用1-6。其中聚类分析是一种可以得到最佳诊断结果的迭代划分方法，而在不同的故障模式之间通常没有可标记精确边界的分类中模糊聚类分析表现得比传统聚类方法更为实用模糊方法可以对与处理模糊信息类似的非二叉树的故障图进行分类7。模糊聚类分析方法是把故障类型当成模糊的组来考虑，每个那个故障的类型赋值为0或者1被分配给所有成员以达到描述属于那个类的是哪种程度的故障。在对结果的C划分中，模糊C方法（FCM）是最理想的模糊聚类方法，FCM是一种通过使误差归纳函数最小化来对聚类中心进行迭代计算的算法，它在被选中的区域找到了应用。如果再联系神经网络，FCM可以被用来把分割色彩图片变为纯色区域的地方做自动确认8，还能在对多时间综合孔雷达图片和干涉测量的综合孔雷达图的分类中被采用9。传统组理论和可能性理论已经广泛采用与不确定问题中，但是模糊组理论和模糊测量理论更为全面，它可以再机械环境监控和故障诊断中被应用，作为传统测量理论的派生物，模糊测量和模糊积分融合技术已经在图案识别10-12、图片编程13-16、和信息融合17中被采用，机械故障诊断领域在寻求一种可以从根本上解决潜在的机械故障的决定性的方法。根据信息融合理论，采用多源信息18-20可以降低信息的不确定性，基于模糊测量和模糊积分融合技术的对多重特点或者分类器的综合分析有望能提高机械故障诊断的精确度，因为模糊测量和模糊积分不仅可以表现出不同标准的重要性也可以反应不同标准之间的相互作用。假设那种机械故障诊断在图案识别是有效的，那么观察不同标准之间的相互作用是至关重要的。一般情况下在两个标准之间有三种作用：协同的、互斥的、独立的，传统理论只能在第三种情况即两种标准之间没有联系时起作用，但是模糊测量理论可以描述所有情况21。本文详细的描述了一种在机械故障诊断中行之有效的模糊测量和模糊积分融合方法，特征层和决策层的数据融合模型被发展为适合机械故障诊断。在特征层中，FCM分析理论对由特征组和故障原型关系来建立特征之间的关系和特定的故障的识别中被采用，Choquet模糊积分理论通过在融合特征的映射输出量来得到诊断。在决策层的融合阶段，FCM分析理论还应用于由对算法的分类来产生最初的诊断结果。Sugeno模糊积分理论和Choquet模糊积分理论都在决策层中用来融合不同的FCM分类器的初始输出，以取得最终的诊断结果。计划的途径可以提高诊断的方法，因为模糊测量可以反映特征或分类器的重要性，考虑它们的对某一故障的分类的贡献度，多重分类器不仅构成决策层模型还对提高诊断精度有显著作用12。本文剩下的部分有以下几个组成部分:在第二部分简要的介绍一下FCM分析算法和模糊积分理论；第三部分会提及机械故障诊断方面的特征层和决策层的模糊积分数据融合模型；第四部分会给出实验结果和讨论；最后第五部分是对全文的一个总结。2特征层和决策层模糊积分故障诊断模型信号层、特征层、决策层，数据融合可以在不同的层上采用，这部分给出了两个在机械故障诊断中模糊积分数据融合模型：基于FCM聚类算法和模糊测量模糊积分数据融合理论的特征层模糊积分融合模型和决策层模糊积分融合模型，本文的这两个模糊积分采用的是Sugeno积分和Choquest积分。2.1FCM和模糊积分FCM是一种最理想的模糊聚类理论，这种不被监督的算法是用来把数据组划分得很少而且可表示，它是通过最小化以下的误差归纳公式来计算聚类的中心的：C表示聚类数，m表示成员的指数，N是数据点，dij是数据点j和聚类中心i之间的距离，在一般情况下dij指欧几里得几何上的距离，U=uij是数据点j和聚类i的模糊成员矩阵，V表示的是聚类中心矢量。函数f的Sugeno积分：X0,1关于Sugeno模糊测量g用以下公式定义：i表示指数已经被排列，所以和 表示最大化，而表示最小化22。函数f的Choquet积分11：X0,1关于模糊测量以下公式定义：这里的f(xi)可以作为把可靠度的源数据xi变为一个很特殊的单位，模糊测量的g或可以从及其重要的源信息xi被看做最终赋值或者决策决定。这个研究要使用成员的平均值或FCM分析的故障识别率来作为不同故障用途行列数据使模糊密度变为结构体g模糊测量，而识别率是由识别的特定故障与识别故障的总数的比率来确定的。R表示识别率，nr表示正确识别的故障数，n表示错误总数，不管识别率或成员平均值反映了特征组或者识别器对于一个故障的重要性。2.2特征层模糊积分诊断模型从图1中我们可以看到机械故障诊断特征层积分融合模型的结构，这种模型包含三个主要组件：局部拼接组件、相互作用和重要推断组件和全局拼接组件。对诊断的特征层模糊积分融合的第一步是需要利用模糊积分（例如f函数）得到局部拼接的程度，关于特征的局部拼接是特征值和故障原型之间的拼接度是建立特征值和给定的故障关系的决定性因素。不同的方法都可以用来建立这些局部连接关系，比如概率密度函数理论。本文使用了FCM分析理论来定义局部连接关系，连接度是通过模糊命名空间度数来体现出来的，f函数表示的是故障原型属于某个的单个的源信息的种类23。实现这个模型的第二步是对模糊测量的定义，它采用了g模糊测量。为了得到这些g模糊测量，对不同原型的不同特征平均成员的度数被用做模糊密度，这种模糊密度反映了对给出的错误原型的识别率的特征的总体可靠度。当FCM隶属度引出了模糊密度，那么可以通过以下公式得到g：gi表示模糊密度，可以通过以下公式得到：一旦得到局部拼接度和模糊测量，它们就会和模糊测量被引入全局拼接模块。接着Choquet模糊积分考虑每个特征的正确可靠率和整体可靠率在给出的故障原型中来得到一个诊断结果的整体评估，当每个特征的重要性和不同特征相互作用都在拼接过程中被考虑之后，目标模型就能产生比其他单独的特征能给出的更准确的诊断结果。2.3决策层模糊积分诊断模型在图2中，机械故障诊断决策层模糊积分融合模型的结构，其中，环境监控数据得到不同的特征，然后这些特征被分成不同的组来提供不同的故障分类器，每个分类器可以根据每个目标得到一个原始诊断，所有的分类器像神经网络、模糊分类器等都可以给使用。为了达到模糊积分模型的输入要求，每个分类器从给出的目标得到单独的诊断结果需要转换成模糊解释，模糊解释反映了每个分类器对每个给出目标的可靠度，类似于f函数在计划的特征层模糊积分诊断模型中所扮演的角色。分类器对一连串数据组的识别率反映了不同分类器在识别故障方面的全面性能。对一个给定的故障而言，不同分类器的识别率也许是不一样的，某个分类器对不同的给定故障可能也有不同的识别能力，这些源于模糊密度组的识别率是反复无常的，它所有的特点表现了不同模糊密度受分类器在识别机械故障模式中的重要性影响的组合，模糊密度被用来计算不同分类器对不同故障分类器模糊测量。因为不同的分类器对不同的故障可以有不同的识别率，所以每个识别器得到的单独的诊断结果在某种程度上可能彼此不相符，然后模糊积分模块被用于得到最终的决策。这个模块就像使用输入产生一致的解释一样使用的分类器输出，这些输出组成了在模糊解释的识别率和最初的诊断结果。识别率经常被基于历史数据的统计学理论得到，因此要合并历史信息。单独的模糊诊断结果是一个正确条件监控数据的映射，所以它反映了正确的机械系统状态信息，最后的模糊积分诊断结果是一个从历史和正确的机械系统故障信息得到的模糊结论。3设备安装在SpectraQuest（译者注：公司名）的机械故障模拟程序上做滚动元件轴承和电马达的测试，图3显示了实验数据获得系统的装配，它在轴承实验中包括带BNC2120接头的NI（译者注：美国国家仪器有限公司）模数转换卡Daq6062E，IMI传感器公司的608A11加速度传感器，482A20 PCB信号调节器，KROHN-HITE（译者注：仪表生产公司）3202防失真滤波器，东芝笔记本计算机。在电马达测试中，为了测试电流信号在系统中加入了一个Fluke1200 交流电流钳表，LABVIEW（译者注：由美国国家仪器（NI）公司研制开发的一种图形化程序开发环境）被用来记录振动的加速度和电流信号，轴承测试的截止频率为5kHz，采样比率为20kHz，实验中的三个轴承分别存在内圈故障（IR）、外圈故障（OR）和滚动体故障（B），马达测试的截止频率为1kHz，采样比率为4kHz，实验中使用的马达分别有转子断条（BRB），轴承故障（FB），和正常马达（HM）。4结果及其分析4.1特征层模糊积分诊断模型在滚动体滚动轴承实验数据起用后，模型就开始生效，这时在振动信号只能得到时域特征，对于测试特征层模糊积分融合模型，涉及三个特征：峰度、峰值、均方根（RMS），表1和表2表示了识别率和隶属度和它们之间的关系。在机械环境中，RMS是很敏感的，对三种轴承故障的识别率已经达到100%，当单独使用RMS时也会出现相同情况，由此我们可以说在这个过程中RMS有举足轻重的作用，然而平均模糊积分要高于平均隶属度在单独特征中，它表示了模糊积分数据融合已经对错误诊断有了改进。为了是计划的模糊积分模型更加有效，于是我们引用了一个没有RMS那么敏感的特征来取代它振幅因数，我们可以使用不同的方法来建立局部拼接关系，比如概率密度函数方法，我们是使用的FCM分析理论来识别关系，此时模糊隶属度反映了拼接度。在表4里我们可以看到峰值的隶属度分布和轴承内圈故障、外圈故障和滚动体故障有关，其他特征的隶属度分布也可以通过同样的方法来得到。表1 对轴承故障的特征层模型的识别率的比较故障类型识别率峰度（%）峰值（%）均方根RMS（%）模糊积分（%）内圈故障83.0592.80100100外圈故障10097.88100100滚动体故障97.0398.73100100表2 对轴承故障的特征层诊断的平均成员值故障原型平均隶属度平均模糊积分（%）峰度峰值均方根RMS内圈故障0.76580.84120.96940.9878外圈故障0.95860.91760.98620.9883滚动体故障0.92620.95330.98790.9952表3 使用特征的马达故障诊断峰值（A）特征段（A）特征段（g）峰度电流电流，30-50Hz振动，30-200Hz振动表4 对不同马达情况的平均隶属度马达情况平均隶属度平均模糊积分（%）峰值（电流）波段（电流）波段（振动）峰度（振动）带转子断条0.66690.51420.63940.64820.8572带故障轴承0.93750.95840.72420.57950.9795正常马达0.84460.67370.49220.65460.9035图5表现了对滚动轴承内圈故障的特征层模糊积分诊断结果，表格的在第一列的数字反映了给定的轴承外圈故障。在图5中，我们用确定的部分拼接度和模糊测量来计算模糊积分，一个隶属度或者模糊积分要比一个“0.5”更能说明当前轴承故障原型被模糊分析理论或者模糊积分技术正确识别，特征层模型在识别滚动轴承故障中表现优异。此时，我们使用了FCM聚类分析已经包含了局部拼接度，局部拼接被认为是最初的诊断，而全局拼接被认为是最终的诊断。结果表明，模糊积分数据融合较大地改善了故障诊断，因为特征及其特征之间的相互作用的重要性在关于识别的模糊测量的诊断推论过程中被考虑，模糊积分数据融合过程改正了局部拼接过程中犯下的错误。用在马达故障诊断中的特征包含了时间和频率特征（见表3），它们是从振动和电流信号中提取出来的。这里的频率特征是功率带，功率带系统计算包括通过所有峰值的每个带的能量和功率。用在马达故障诊断中的特征包含了时间和频率特征（见表3），它们是从振动和电流信号中提取出来的。这里的频率特征是功率带，功率带系统计算包括通过所有峰值的每个带的能量和功率。决策层模型在识别电马达故障中也表现良好，电马达故障诊断同时采用了机械信号和电信号，因为在机械参数和电气参数之间存在相互作用，机械信号有助于识别电气故障，而电信号也可以改善机械故障的识别，图6就显示了对存在转子断条的马达的特征层模糊积分诊断，我们可以在25中找到更多的细节。平均模糊积分值要大大地高于给定特征的平均隶属度（见表4），这些输出证明包括模糊积分数据融合技术的结果要比单独只用特征的模糊分析思想要健康得多。4.2决策层模糊积分诊断模型用于决策层故障诊断融合模型中的特征和在特征层融合模型中的是相同的，我们使用模糊分类器的主要好处是它可以产生识别率和f函数值，因此我们要像简化模糊函数步骤一样地简化故障诊断程序。模糊分类器可以准确地产生模糊诊断结果，实验结果表明决策层多参数模糊积分诊断模型在识别滚动轴承和电马达故障中有杰出的表现。在表5中我们可以看到不同的FCM分类器的特征组分配，为了测试目标模型，三个特征组做了防止一个分类器可能盖过其他分类器特别设计。表5 用作不同分类器的轴承特征组分类器FCM1FCM2FCM3特征组斜率，峰值RMS，峰度峰值，振动表6 基于决策层模糊积分模型的轴承故障诊断故障FCM分类器分类器输出最初诊断模糊积分融合结果滚动体故障（B）10.9885B0.9873（B）20.6732IR30.9998B滚动体故障（B）10.6790IR0.9661（B）20.9716B30.6949IR内圈故障（IR）10.7422IR0.7635（IR）20.7300B30.7635IR内圈故障（IR）10.6556B0.8347（IR）20.9593IR30.6134B外圈故障（OR）10.4588IR0.8232（OR）20.8232OR30.4351IR外圈故障（OR）10.5393IR0.9687（OR）20.9687OR30.5118IR表7 用于不同分类器的马达特征组分类器分类器1分类器2分类器3特征组峰值（振动），RMS（电流）波段（电流），峰值（电流）RMS（振动），峰度（电流）表6中轴承故障诊断结果使用了Sugeno模糊积分，尽管三个故障分类器可能积分诊断结果会有所不同，模糊积分模型在大多数情况下可以提供正确的最终结果。比如说，在第一个滚动体故障中，分类器1和3把故障看做有高概率的滚动体故障，然而分类器2却认为它是内圈故障，模糊积分模型判断它是滚动体故障，根据简单的选择融合技术我们就可以知道这个结果明显是合理的。事实上，这个道理是很深奥的，模糊积分模型不只是把选择数考虑在内，而且还引进了所有分类器和它们的识别率的正确判断，例如第二个滚动体故障在FCM1和FCM3上对滚动体故障体现出了很高的识别率，但是它们的判断都是错误的，在另一方面，尽管FCM2对滚动体故障的识别率并没有另外两个识别器这么高，但是他对滚动体故障的判断值“0.9716”非常正确。故此在这种情况下FCM2分配了更多的负载，最终由模糊积分模型做出的判断表示它是滚动体故障。表7展示了特征组的关于不同FCM分类器对电马达的错误诊断的分布。在图7中我们可以看到，决策层模型对带有故障轴承的马达的诊断结果，此时FCM分类器的识别率被用于模糊密度来计算模糊测量，然而输出的隶属度却用于电流故障度。表8是识别率结果的比较，决策层模糊积分数据融合模型的识别率百分之百地正确识别了马达状况，和特征层融合模型相同，决策层模糊积分数据融合技术提高了故障诊断的可靠度，平均模糊积分也要远高于每个单独分类器的平均隶属度（见表9）。 表8 FCM分类器和模糊积分的识别率马达情况识别器1（%）识别器2（%）识别器3（%）模糊积分（%）带转子断条（BRB）95.7272.89100100带故障轴承（FB）94.8774.8599.15100正常马达（HM）90.5910097.43100表9 平均隶属度和哦拼接模糊积分马达情况平均隶属度平均模糊积分识别器1识别器2识别器3带转子断条（BRB）0.82900.71290.95280.9540带故障轴承（FB）0.85930.77400.98260.9855正常马达（HM）0.83830.95830.89510.9782结果表明，决策层多参数模糊积分诊断模型在识别电马达故障和轴承故障诊断的研究中有优异的性能。目标方法显著地提高了故障诊断，因为不管每个分类器的重要性还是分类器之间的相互作用在诊断推论过程中被充分考虑到了。图8描述了基于模糊积分的最终决策制定，为了得到最终决策的模糊积分成员值和模糊测量合并在了一起。在推理过程中目标积分融合模型为了得到像历史故障信息和当前故障信息更准确的结果合并和优化了积分FCM诊断此时，对机械故障诊断的特征层和决策层模糊积分数据融合模型被研究，结果显示，两种模型都得到了优异的诊断结果。目标特征层理论显著地改善了故障诊断，因为它们都充分地考虑了特征的重要性及其相互作用。模糊积分融合模型包括了在局部拼接过程中大多数的限制，决策层理论也同样表现优异，因为分类器及其之间的相互作用也被它充分的考虑在内。机械信号和点信号都对电马达故障的识别做出了贡献，因为机械参数和电参数之间有相互联系，多参数技术也提高了机械故障诊断的可靠性。最终结果同样表明决策层模型在一般情况下也要比特征层模型表现好，因为它可以处理更多的特征，由决策模型提供的诊断结果也要稳定些。5摘要和总结本文已经展示了模糊测量和模糊积分数据融合应用在旋转的机械故障诊断中的应用，它在特征层和决策层都有效，作为研究目标的特征层模糊积分融合理论包括了三个主要模型：部分拼接模型、相互作用和重要性推断模型、全局拼接模型。部分凭借模型是被用来在特征值和故障原型之间得到部分诊断结果的，而相互作用和重要性推断模型则是用来决定特征及其之间的相互作用在模糊测量方面的重要性，全局拼接则是用来产生诊断结果的。特征层模糊积分数据融合模型要经过两个步骤才能生效：1.复合的分类器通过考虑不同的特征组来产生一个初始的诊断结果；2.模糊测量和积分理论被用来融合积分的诊断结果以产生一个一致的最终决策。滚动轴承实验和电马达的实验数据都用来激活这个模型，不同的特征从记录的信号中被提取出来然后编成组，再用来评价这个理论。使用了滚动轴承和电马达的实验结果表明特征层和决策层多参数模糊积分诊断模型在识别机械故障方面都表现优异，目标特征层理论显著地提高了故障诊断，因为不管特征的重要性还是它们之间的相互作用都被考虑在内了。模糊积分融合弥补了大多数在局部拼接过程中的限制。决策层理论也同样表现优异，因为分类器的重要性和分类器之间的相互作用都在推断过程中得到体现。参考书目1 R. Javadpour, G.M. Knapp, A fuzzy neural network approach to machine condition monitoring, Computers & Industrial Engineering 45 (2003)323330.2 T. Kobayashi, D.L. Simon, A hybrid neural network-genetic algorithm technique for aircraft engine performance diagnostics, AIAA-2001-3763, 2001.3 Y. He, D. Guo, F. Chu, Using genetic algorithms and nite element methods to detect shaft crack for rotor-bearing system, Mathematics and Computers in Simulation 57 (2001) 95108.4 R. Milne, C. Nicol, L. Trave-Massuyes, TIGER with model based diagnosis: initial deployment, Knowledge-Based System 14 (2001) 213222.5 H.G. Park, H. Cannon, A. Bajwa, R. Mackey, M. James, W. Maul, Hybrid diagnostic system: beacon-based exception analysis for multimission-livingstone integration, in: Proceedings of the Society for Machinery Failure Prevention Technology, Virginia Beach, VA, USA, 2004.6 H. Yu, C. Chen, S. Zhang, J. Zhou, Neural Network Based Intelligent Diagnosis, Metallurgy Industry Press, Beijing, 2000.7 L. Mikenina, H.-J. Zimmermann, Improved feature selection and classication by the 2-additive fuzzy measure, Fuzzy Sets and Systems 107 (1999) 197218.8 A. Osareh, M. Mirmehdi, B. Thomas, R. Markham, Automatic recognition of exudative maculopathy using fuzzy c-means clustering and neural networks, Medical Image Understanding and Analysis (2001) 4952.9 M. Bao, Classication of multi-temporal SAR images and INSAR coherence images using adaptive neighborhood model and simulated annealing approach, in: Proceedings of the 20th Asia Conference on Remote Sensing, Hongkong, PR China, 1999.10 P.D. Gader, M.A. Mohamed, J.M. Keller, Fusion of handwritten word classiers, Pattern Recognition Letters 17 (1996) 577584.11 M. Grabisch, The representation of importance and interaction of features by fuzzy measures, Pattern Recognition Letters 17 (1996) 567575.12 L.I. Kuncheva, J.C. Bezdek, R.P.W. Duin, Decision templates for multiple classier fusion: an experimental comparison, Pattern Recognition 34 (2001) 299314.13 A.R. Mirhosseini, H. Yan, Human face image recognition: an evidence aggregation approach, Computer Vision and Image Understanding 71 (1998) 213230.14 T.D. Pham, H. Yan, Color image segmentation using fuzzy integral and mountain clustering, Fuzzy Sets and Systems 107 (1999) 121130.15 K.-C. Kwak, W. Pedrycz, Face recognition using fuzzy integral and wavelet decomposition method, IEEE Transactions on Systems, Man, and CyberneticsPart B: Cybernetics 34 (2004) 16661675.16 J. Li, G. Chen, Z. Chi, C. Lu, Image coding quality assessment using fuzzy integral with a three-component image model, IEEE Transaction on Fuzzy Systems 12 (1) (2004) 99106.17 S. Auephanwiriyakul, J.M. Keller, P.D. Gader, Generalized Choquet fuzzy integral fusion, Information Fusion 3 (2002) 6985.