基于主成分分析的多源特征融合故障诊断方法

《基于主成分分析的多源特征融合故障诊断方法》由会员上传分享，免费在线阅读，更多相关内容在工程资料-天天文库。

1、第38卷第1期2011年1月就算机科学ComputerScience基于主成分分析的多源特征融合故障诊断方法巫茜I蔡海尼2黄丽丰I(重庆理工大学计算机科学与工程学院重庆400050)1(重庆大学软件学院重庆400044)2摘要目前故障诊斯的实际应用中•因噪声的干扰，屋于单传感器的故障诊斯稳定性较農•很难达到满意的诊断精确度。提出了一种多传感器多特征数据勒合的故障诊斷方法。该方法利用多传感器从不同部位荻取同一部件的运行状况，并通过构建多源特征融合樓型，提高特征信息的抗干扰性•最后通过融合特征信息来完成部件的故障诊斷。在将新方法应用于滾动轴承故障诊断的试验中，可以看到新方法能够获得校好的性能，比

2、基于单传感器故障诊斯的精M度更高。关键词多源信息融合•故障诊断，主成分分析，特征级•分类中图法分类号TH212.TH213.3文献标识码AFeature-levelFusionFaultDiagnosisBasedonPCAWUQian1CAIHai-ni2HUANGLi-feng'(CollegeofComputerScience&Engineering•ChongqingUniversityofTechnology•Chongqing400050•China)1(CollegeofSoftwareEngineering•ChongqingUniversity•Chongqing40004

3、4,China)2AbstractInmostofcurrentapplication>faultdiagnosisbasedonsinglesensorshowbadperformanceandisdifficulttoachievesatisfactoryaccuracyowningtonoises.Inthispaper>amulti-sensormulti-featurefusionfaultdiagnosismethodwasproposedThemethodfirstlycollectspartoperatingconditionsusingmultiplesensorsinst

4、alledonitThenafusionmodelbasedonprincipalcomponentanalysiswasconstructedtofuseallextractedfeaturesfromthedifferentsensors.Finally*faultdiagnosiswascarriedoutaccordingtothefusedresults.Experimentsandresultsshowthatnewmethodcanachieveperfectperformancewhichisalsobetterthanthatachievedbysingle-sensor.

5、KeywordsFeaturefusion^Faultdiagnosis•PCA•CharacterleveLClassifier到稱H期：201(H)2-01返修H期：20104)5£9本文受敢庆口然科学基金项目(2008BB2065)讚庆理T大学骨年墓金项目(2O1OZQ21)资助.巫＞(1980-).女•硕七•讲师.主要研究方向为倍克分析、企业信息化,E-mail：wuqian80@163.8m；葉海尼(】972—)•女，博土生•副教授•主要研究方向为软件丁程和软件架构.・268•1引言机械系统故障诊断是保证生产安全的审要手段之一,一直吸引着相关领域研究者的关注。滚动轴承在机械系统中的

6、使用十分普遍•而且较容易发生故障。这些故障不仅会降低机械系统的运行性能•而且会诱发停机事故。在旋转机械系统运行中•振动是必然产生的现象，掘动信号包含了丰富的信息，能够直接反映系统不同的运行性能。因此•振动分析是当前状态监测和故障诊断最为广泛且最为有效的方法之一⑴".驗着计算机及传感器等相关技术的发展•实时获取并分析相对丰富的运行状态信息已经成为可能。传统故障诊斷研究主要针对来自单个传感器侑息源的信号进行分析处理.这些单个传感器可以同时采集多个系统部件的运行状态信息•但也因为多部件运行状态信号的叠加•影响了故障诊斷的精确性.为了提高故障诊断的精确度•本文将基于多传感器多源振动信号信息对特征羅合

7、故障诊断进行研究。目前•数据融合方法越来越受到各个领域&家的关注•并成功应用在了目标跟踪、模式识别和图像处理等领域工.数据融合一般包括像素级融合、待征级融合和决策级融合.在近年的研究报告中，决策级融合的应用研究较为常见，特征级融合的应用则很少受到研究者的关注.而待征分析是状态监测和故障诊断的关键步骤•基于特征的融合能够在消除冗余信息的同时•保留大世不相关的融合信息•这些融合待征综合了不同数据源信息•信息损失董