[发明专利]一种基于多参量信息融合的装备关键承力结构件故障诊断方法

说明书

本发明公开一种基于多参量信息融合的装备关键承力结构件故障诊断方法，包括：首先采集关键承力结构件的温度信号、振动信号和声发射信号；基于扩展卡尔曼滤波器对振动信号的微弱故障特征进行增强；对温度信号和声发射信号，以及增强后的振动信号基于改进的深度置信神经网络进行特征提取和故障诊断；最后经过故障诊断后的数据进行融合，获得最终的诊断结果。本方案结合微弱故障信号的特征进行扩展卡尔曼滤波的增强设计，并提出改进的深度置信神经网络进行特征提取和故障诊断，结合D‑S证据理论和神经网络的诊断结果在决策层进行信息融合，提高故障诊断的准确率，并能够对故障的类型进行定性识别，为装备关键承力结构件的视情维修方案提供更精确的指导。

技术领域

本发明涉及装备关键承力结构件的故障诊断领域，具体涉及一种基于多参量信息融合的装备关键承力结构件故障诊断方法。

背景技术

长期以来，在极端环境下服役的装备关键承力结构件经常疲劳失效，面临寿命短、可靠性差和结构重三大问题。关键承力结构件的失效将导致灾难性的后果，因而对故障诊断的实时性和精度提出了更高的要求。

目前装备关键承力结构件的故障诊断技术主要基于对单一类型传感器的检测信息，例如基于加速度传感器检测的振动信号信息进行故障诊断，由于故障特征与故障形式的非线性关系，这种基于单一类型的物理量进行诊断的技术存在诊断故障类型有限、故障诊断率低等缺点。此外，由于装备关键承力结构件长时间运行在交变载荷、高温高压、变速等极端服役条件下，多个振动激励源相互作用，从振动激励源到结构特性经过不同传递途径的衰减和混合作用，使得所监测振动信号具有明显的时变性、非平稳性和非线性等特点，振动信号中所包含微弱故障特征信息很容易被掩盖或产生畸变。

为了更好的检测振动信号，提高故障诊断的精度，目前已经提出了很多强噪声下振动信号增强的方法，例如，高频共振解调技术、希尔伯特黄变换方法、循环平稳解调分析方法、最小熵解卷积方法、小波分析方法等，然而关键承力结构件的故障信号是周期性冲击信号，而上述的信号预处理方法在信噪比相对较低的情况下均不能有效识别故障信号特征，难以准确进行早期故障诊断。

另外，在进行故障诊断时，神经网络方法相对于传统的故障树的方法、专家系统的方法和模糊理论的方法等，对非线性映射有着十分优良的拟合能力以及强大的独自组织和独自学习的能力，因此神经网络方法已经成为列车运行控制系统等故障诊断的一种十分有效的手段。然而，传统的关键承力结构故障诊断采用的神经网络随着隐藏层数的增加，采用随机梯度下降进行训练方式容易陷入局部最优解，因而限制了故障诊断精度；同时神经网络层数的增加导致模型的训练时间迅速增长，不能满足实时性的要求，进而也会对关键承力结构件的故障诊断精度和实时性造成影响。

发明内容

本发明针对现有技术中采用单一类型传感器进行故障检测与诊断、振动信号中所包含故障特征信息很容易被掩盖或产生畸变，导致故障诊断和预警准确率低等缺陷，提出一种基于多参量信息融合的装备关键承力结构件故障诊断方法。

本发明是采用以下的技术方案实现的：一种基于多参量信息融合的装备关键承力结构件故障诊断方法，包括以下步骤：

步骤A、基于温度传感器、加速度传感器和声发射传感器分别采集关键承力结构件的温度信号、振动信号和声发射信号；

步骤B、基于扩展卡尔曼滤波器对采集对振动信号进行增强；

步骤B1、基于过零检测将原始振动信号进行截断，保留至少3个检测周期；

步骤B2、采用扩展卡尔曼滤波框架对经过截断处理的振动信号进行滤波；

步骤B3、在滤波趋于稳态后，根据观测预测误差的大小为预测值进行修正，进而得到增强后的振动信号；

步骤C、对温度信号和声发射信号，以及经过步骤B增强后的振动信号分别进行特征提取和故障诊断；

步骤D、将步骤C中经过故障诊断后的数据进行融合，获得最终的诊断结果。