基于混合智能新模型的故障诊断

雷亚国^1,2  何正嘉^1,2  訾艳阳^1,2

(1．西安交通大学机械工程学院 西安 710049；
2．西安交通大学机械制造系统工程国家重点实验室 西安 710049)

摘要：为了解决机械设备中早期故障和复合故障识别的难题，提高故障诊断的准确率，利用经验模式分解(Empirical mode decomposition，EMD)、改进的距离评估技术、自适应神经模糊推理系统(Adaptive neuro-fuzzy inference system, ANFIS)和遗传算法(Genetic algorithm, GA)等技术，提出一种综合运用多征兆域特征集和多个分类器的混合智能诊断模型。该模型在特征提取之前，利用滤波、EMD、解调等预处理技术挖掘潜藏在动态信号中的故障信息；从原始振动信号和预处理信号中，分别提取从不同侧面表征设备运行状态的时域和频域统计特征，得到6个特征集。采用提出的一种改进的距离评估技术选择特征，从6个原始特征集中相应地筛选出6个敏感特征集。将6个敏感特征集输入到基于GA组合的多个ANFIS分类器以得到最终的诊断结果。该模型在电力机车轮对轴承的故障诊断中实现了轴承不同故障类型、不同故障程度，以及复合故障的可靠识别，获得了满意的诊断结果。应用结果也验证了基于改进的距离评估技术的特征选择方法的有效性。

关键词：改进的距离评估技术  特征选择  混合智能模型  故障诊断

中图分类号：TH17 TP18

国家自然科学基金重点(50335030)、国家高技术研究发展计划(863计划，2006AA04Z430)和国家重点基础研究发展计划(973计划，2005CB724100)资助项目。20070703收到初稿，20080317收到修改稿

作者简介：雷亚国，男，1979年出生，博士研究生。主要研究方向为机械信号处理、机械故障混合智能诊断。
E-mail：leiyaguo@163.com

参 考 文 献

[1] 屈梁生，张海军. 机械诊断中的几个基本问题[J]. 中国机械工程，2000，11(1-2)：211-216.
QU Liangsheng, ZHANG Haijun. Some basic problems in machinery diagnostics [J]. China Mechanical Engineering, 2000, 11(1-2)：211-216.
[2] HUANG N E, SHEN Z, LONG S R, et al. The Empirical mode decomposition and the Hilbert spectrum for nonlinear and non-stationary time series analysis [J]. Proceedings of the Royal Society of London, 1998, 454(1)：903-995.
[3] YANG B S, HAN T, AN J L. ART–KOHONEN neural network for fault diagnosis of rotating machinery [J]. Mechanical Systems and Signal Processing, 2004, 18：645-657.
[4] YANG B S, KIM K J. Application of Dempster–Shafer theory in fault diagnosis of induction motors using vibration and current signals [J]. Mechanical Systems and Signal Processing, 2006, 20：403-420.
[5] 雷亚国，何正嘉，訾艳阳，等. 基于特征评估和神经网络的机械故障诊断模型[J]. 西安交通大学学报，2006，
40(5)：558-562．
LEI Yaguo, HE Zhengjia, ZI Yanyang, et al. Mechanical fault diagnosis model based on feature evaluation and neural networks [J]. Journal of Xi'an Jiaotong University, 2006, 40(5)：558-562．
[6] 胡桥，何正嘉，张周锁，等．基于提升小波包变换和集成支持矢量机的早期故障智能诊断[J]. 机械工程学报，2006，42(8)：16-22．
HU Qiao, HE Zhengjia, ZHANG Zhousuo, et al. Intelligent diagnosis for incipient fault based on lifting wavelet package transform and support vector machines ensemble [J]. Chinese Journal of Mechanical Engineering, 2006, 42(8)：16-22.
[7] KITTLER J, HATEF M, DUIN R P W, et al. On combining classifiers [J]. IEEE Transactions on Pattern Analysis and Machine Intelligence, 1998, 20(3)：226-239.
[8] FRED A L N, JAIN A K. Combining multiple clusterings using evidence accumulation [J]. IEEE Transactions on Pattern Analysis and Machine Intelligence, 2005, 27(6)：835-850.
[9] NANNI L. Comparison among feature extraction methods for HIV-1 protease cleavage site prediction [J]. Pattern Recognition, 2006, 39：711-713.
[10] TOYGAR Ö, ACAN A. Multiple classifier implementa- tion of a divide-and-conquer approach using appearance- based statistical methods for face recognition [J]. Pattern Recognition Letters, 2004, 25：1 421-1 430.
[11] MASHAO D J, SKOSAN M. Combining classifier decisions for robust speaker identification [J]. Pattern Recognition, 2006, 39：147-155.
[12] FUMERA G, ROLI F. A theoretical and experimental analysis of linear combiners for multiple classifier systems [J]. IEEE Transactions on Pattern Analysis and Machine Intelligence, 2005, 27(6)：942-956.
[13] LIU C L. Classifier combination based on confidence transformation [J]. Pattern Recognition, 2005, 38：11-28.
[14] JANG J R. ANFIS：adaptive-network-based fuzzy inference system [J]. IEEE Transactions on Systems, Man., and Cybernetics, 1993, 23(3)：665-685.
[15] HOLLAND J H. Adaptation in natural and artificial systems [M]. 1992 edition.Massachusetts：MIT Press, 1992.