基于证据理论和支持向量机的多传感器融合在风机齿轮故障诊断中的应用

肖立健 谢源 王杰 金鹏飞

摘 要：针对单一传感器只能采集风电机组齿轮箱的部分振动信息，故障诊断结果具有片面性，提出一种基于证据理论和支持向量机的多传感器融合在风机齿轮故障诊断方法。首先运用单个传感器采集齿轮箱各种状态下的振动信息，用小波分析提取齿轮箱状态特征；然后采用支持向量机对故障诊断特征进行训练，构建各类故障诊断子分类器；最后采用融合技术故障诊断子分类器的输出结果进行融合，将所融合结果作为最终故障诊断结果。采用仿真实验进行验证。结果显示，本文所提供的方法可以在很短时间内得到较高的风力机齿轮箱故障诊断正确率，提高故障诊断精度和效率。

关键词：故障诊断；小波分析；D-S证据理论；支持向量机

随着社会的发展，风能的利用逐渐受到重视，齿轮箱作为风电机组中重要部分组成部分，对其故障诊断的研究也尤为重要[ 1 ]。风电机组机齿轮箱故障诊断方法目前主要采用单一信息进行工作状态推断，诊断结果具有一定单一性，因为风力机齿轮箱故障类型繁多，仅靠单一信息难免会出现误判现象[ 2 ]。针对风电机组机齿轮箱单一故障信息量不足，利用信息融合技术[ 3 ]，本文提出一种多传感器融合的风电机组齿轮箱故障诊断方法。对于单台风电机组齿轮箱，采用单个传感器采集状态信息，并采用小波特征分析提取特征，然后用向量机对故障诊断特征进行训练得到单一传感器的训练结果，最后将单一传感器的训练结果作为一个证据，采用DS证据理论对它们进行融合，得到采用风力机齿轮箱故障诊断的最终结果。

1 相关理论

1.1 小波特征提取[ 4 ]

（1）对采集所得信号进行 N 层小波正交分解并进行单支重构，得到从第1层到第N层的共N个高频小波重构序列{d1，d2，…，dN}和第 N 层低频小波重构序列。

（2）求出高频层小波重构序列和第 N 层低频小波重构序列的能量。

（3）构造特征向量。将各层小波能量构成向量如下：

得到可以用于风电机组齿轮箱故障诊断的特征向量。

1.2 DS证据理论

由于不同的证据信息来源，于是一个复杂问题会产生多个基本概率分配函数。设是H上的两个mass函数，则 DS的合成规则为：

为利用冲突信息，根据可信度把证据冲突概率按各命题的加权进行分配，因此风力发电机组故障融合诊断模型为：

2 基于DS-SVM的多传感器融合的风电机组齿轮箱故障诊断

基于DS-SVM的多传感器风电机组齿轮箱故障诊断具体步骤如下：

（1）首先采用单个传感器采集齿轮箱工作时的振动信号。

（2）其次采用小波分析对振动信号进行分解，提取期能量特征并进行归一化处理，得到齿轮箱故障诊断的特征向量值。

（3）然后采用各种核函数支持向量机对故障诊断特征值进行相应的训练，构建风电机组齿轮箱故障诊断子分类器，得到每一个传感器的齿轮箱故障诊断结果。

（4）最后采用DS证据理论对故障诊断子分类器的输出结果进行融合，将融合输出作为风电机组齿轮箱最终故障结果。

基于DS-SVM的多传感器风电机组齿轮箱故障诊断模型结构如图1所示。

3 仿真实验

3.1 样本数据

为了验证 DS-SVM 的多传感器风电机组齿轮箱故障诊断性能，将齿轮箱故障类型分为： 齿轮点蚀、齿轮断裂、轴承裂纹、正常工作状态，采用 5个传感器进行信息融合。将其与小波+支持向量机（WA-SVM）进行比较，WA-SVM采用单一传感器收集信息，齿轮箱故障诊断性能采用故障诊断率、诊断时间进行评价，齿轮箱每一类状态的样本为：训练样本90、測试样本10。

3.2 分析结果

采用 WA-SVM、DS-SVM 方法对齿轮箱测试样本进行故障诊断，得到的诊断率见表1。将各子分类器归一化后的齿轮箱故障诊断结果作为证据，采用DS对风电机组齿轮箱故障融合诊断，结果如图2所示。

3.3 结论

从表1可看出，采用DS-SVM的多传感器齿轮箱故障诊断率显著提高，而且诊断速度没有相差太大，这主要是由于采用多个传感器对齿轮箱振动信号进行采集，从不同角度对风电机组齿轮箱工作状态进行诊断，全面、准确、高效反映了故障变化特点。

图2表明，采用DS-SVM方法对齿轮箱进行故障诊断相比其它方法精度更高、结果更准确。DS-SVM诊断方法通过证据理论加强了对原来故障高的类型的支持，有效降低了对原来低故障类型的支持，诊断结果与期望值相近，且诊断精度比其他故障诊断方法较高。

综上可述：本文提出的基于证据理论和支持向量机的多传感器融合在风力机齿轮箱故障诊断的方法，在很短时间内得到较高的通风机故障诊断正确率，提高风机故障诊断精度和效率。通过证据理论和支持向量机的多传感器故障诊断方法加强了对高故障类型的支持，有效降低了对原来低故障类型的支持，诊断结果与期望值基本吻合，且诊断精度比明显提高。

参考文献：

[1] 王志远.风力发电机组中齿轮箱的故障诊断分析.通讯世界，2016-03-25.

[2] 李林琛，蒋小平.多传感器融合在通风机故障诊断中的应用.激光杂志，2016-04-25.

[3] 李家伟.基于证据理论和支持向量机的风机故障智能诊断.吉林大学学报（理学版）， 2016-05-26.

[4] 胡汉辉，杨洪，谭青，易念恩.基于小波分析的风机故障诊断.中南大学学报（自然科学版），2007-12-26.