李潤豪

北京科技大學 北京 100083

引言

制造業(yè)是國民經(jīng)濟的支柱，各種機械設備是制造業(yè)快速發(fā)展的核心。近年來隨著以信息技術為基礎的互聯(lián)網(wǎng)技術、人工智能技術和云計算技術的發(fā)展，機械設備也越來越復雜，這就意味著一旦機械設備發(fā)生故障，輕則停產(chǎn)，重則造成人身和財產(chǎn)的損失，這就對機械設備故障診斷技術提出了新的要求。所以，機械設備從設計階段，就要考慮對機械設備運行狀態(tài)的監(jiān)測和診斷，實時監(jiān)控設備的運行狀態(tài)，提前預知可能發(fā)生的故障并反饋處理。很多的實踐也證明，以設備的監(jiān)測和故障診斷技術為基礎的設備預知維修能節(jié)省大量的維修費用，保障設備的正常運行，消除隱患，減少惡性事故發(fā)生。在這種情況下，信息融合技術應運而生，它是利用信息技術將來自機械設備上的多個傳感器或者多個來源的信息根據(jù)一定的準則進行組合，分析，處理，以提高機械設備故障診斷結果的可信度。

1 機械設備故障診斷技術的發(fā)展

傳統(tǒng)的機械故障診斷技術，往往只是觀察和分析一種或者是有限的幾種機械信息，然后根據(jù)這些有限的信息對機械設備的故障進行診斷，缺少對機械設備故障信息的全面觀察，判斷故障的依據(jù)比較少，導致無法得出準確的評價，判斷結果不夠準確也不可靠，診斷結果具有一定的局限性。比如，對機械設備中軸承狀態(tài)的診斷，往往是通過振動加速度的信號進行診斷，但僅僅依靠振動加速度一個信號類型，能夠獲得的軸承真實信息太少，從而無法對軸承的狀態(tài)特征進行準確的評價。如果能夠多層次多角度獲得軸承潤滑油的溫度信息，油樣信息等，并進行相關的觀察分析，才有可能得出對軸承狀態(tài)更為準確的評價和分析。例如，機械設備的齒輪出現(xiàn)裂紋時，如果是依靠箱體振動加速度的信號來分析原因和得出結論，結果往往是不可靠的。

在實際的生產(chǎn)制造過中，造成機械設備故障的因素很多，而且各因素之間二回相互作用，如果只是依靠單一的信號來進行故障的診斷，得到的往往是片面的，不準確的。如果依靠不準確的診斷結果去對機械設備進行維修，就會造成疏忽，可能會引發(fā)更嚴重的問題[1]。

隨著機械設備故障診斷技術的發(fā)展，故障診斷技術到了今天已經(jīng)成為一個獨立的跨學科的綜合信息處理技術。所謂的機械故障診斷，簡單地說，就是通過提前設計布置在機械設備上的多種傳感器，監(jiān)測和觀察機械設備運行中的各項數(shù)據(jù)，識別其是否在設定的正常狀態(tài)。如果監(jiān)測到的信息出現(xiàn)異常，通過信息融合相關的算法，確定故障發(fā)證的部位和性質，尋找故障出現(xiàn)的原因，預測故障后續(xù)發(fā)展的趨勢，并給出相應的應對策略。現(xiàn)有的機械設備故障診斷技術是以故障機理和現(xiàn)代檢測技術為基礎，以信號處理和模式識別為基本的理論和方法，其目的是為了實時動態(tài)的檢測機械設備的運行情況，盡力避免故障的發(fā)生，最大限度地提高機械設備的使用效率，使用壽命和使用安全。

2 機械故障診斷引進信息融合技術的必然性

隨著信息技術的飛速發(fā)展，信息融合技術已經(jīng)廣泛使用在人工智能、目標識別、醫(yī)學診斷等領域，并已取得不錯的效果。同樣在機械故障診斷領域，多傳感器的信息融合技術，可以對設備的各個工作參數(shù)進行合理的融合，有效地獲得設備運行的狀態(tài)特征，從而對故障進行正確的判斷，這會是未來機械故障診斷技術的發(fā)展趨勢。

2.1 多傳感器的應用提供了不同通道的信息

傳統(tǒng)的機械故障診斷技術，往往只能依靠少量的信息來判斷設備的狀態(tài)特征。隨著機械設備系統(tǒng)變得越來越復雜，越來越多的傳感器被用來探測和感受各種各樣類型的機械設備運行情況，而且不同類型的大量傳感器所能夠探測和感受的信息類型和部位也不相同，這些不同來源不同通道獲得的設備運行信息就給故障診斷提供了非常多的決策依據(jù)。

2.2 信息融合提高了診斷的準確性

由于機械設備變得越來越智能，系統(tǒng)變得越來越龐大，引起機械設備故障的原因也越來越復雜。反映在故障的特征上，就是同一特征的故障表現(xiàn)，可能是因為不同的故障原因造成的，這就對機械故障診斷技術和決策提出了更高的要求。例如，旋轉機的轉子出現(xiàn)了異常振動的故障，原因可能是機械軸承松動，也可能是旋轉機的轉子互相碰撞引起的，甚至可能是因為看上去不想干的原因。所以，盡管表現(xiàn)出來的故障是相同的，但造成故障的原因可能是不同的。在這種情況下，僅僅依靠對某一個信號的觀察來分析故障原因，就顯得有些片面了。

而信息融合則可以把來自不同傳感器不同通道的信息，依據(jù)一定的準則進行組合，以獲得被監(jiān)測機械設備對象的一致性解釋和描述，其目的是通過各種數(shù)據(jù)的組合推算出更多的信息，最大程度的了解被檢測目標的相關信息環(huán)境信息，為診斷和決策提供更多的參考。

就現(xiàn)階段的機械設備故障診斷技術來看，信息融合技術通常應用在以下幾個方面[2]。

第一是信號處理：包括視頻相關技術，頻譜分析，視頻分析等，這些信號處理技術可以對傳感器收集到的各類信號進行變換和重構，獲得信號中包含的特征數(shù)據(jù)。

第二個是參數(shù)優(yōu)化：將不同機械設備的參數(shù)和信號指標進行重組和優(yōu)化，產(chǎn)生更好的反應被檢測目標設備對象的各類參數(shù)。

第三個是模式識別：針對傳感器獲取的各類特征參數(shù)，運用各種識別方法，如人工神經(jīng)網(wǎng)絡，貝葉斯理論聚合方法等。對機械設備的運行狀態(tài)進行識別。

第四個是智能診斷：對機械設備的運行狀態(tài)與故障類型作出判斷，并給出適當?shù)木S護與維修方案，以便快速地對故障進行維修。

3 機械故障診斷過程中的信息融合技術

信息融合技術在機械設備中的應用，按融合算法的不同，主要可以分為以下幾種：以神經(jīng)網(wǎng)絡為基礎的信息融合方法，以貝葉斯理論為基礎的信息融合方法，以D-S理論為基礎的信息融合方法，模糊信息融合故障診斷方法，集成信息融合故障診斷方法等等。在實際操作中，可以根據(jù)實際情況選擇一種或多種信息融合算法。

3.1 以神經(jīng)網(wǎng)絡為基礎的信息融合方法

神經(jīng)網(wǎng)絡，簡單地說，它是一種以人腦神經(jīng)系統(tǒng)為基礎，由大量處理單元即神經(jīng)元組成的非線性大規(guī)模自適應動力系統(tǒng)，能夠模擬人類的大腦處理各種復雜的非線性的映射。它不但模仿人腦的神經(jīng)系統(tǒng)，還具有學習、記憶、計算等能力，具有了智能信息處理、檢索等功能，能夠從各種類型的多個傳感器探測到的信息中，提取出機械設備的各種狀態(tài)特征，準確地找出機械故障的原因。神經(jīng)網(wǎng)絡融合方法最獨特的優(yōu)點是可以運用大規(guī)模并行處理網(wǎng)絡技術，對于突發(fā)的故障或意想不到的異常，可以像人腦一樣運用聯(lián)想記憶來進行診斷。

3.2 以貝葉斯理論為基礎的信息融合方法

在機械設備故障診斷中，面對同樣的故障特征，診斷對象可能是不確定的，或者因為機械設備運行的聲音太過嘈雜，或者是傳感器監(jiān)測到的信息不全面或不準確的，這樣就很難從中提取出機械設備準確的狀態(tài)特征，對于機械設備故障的診斷往往很難做到準確。在這種情況下，科學家們提出了貝葉斯理論。

貝葉斯理論，是在概率密度函數(shù)基礎上發(fā)展和建立起來的推理方法。在機械設備的運行中，隨時可能會出現(xiàn)各種問題，出現(xiàn)的時機和特征看似隨意，其實是有一定的規(guī)律的，對這種規(guī)律計算的最嚴密的算法就是概率密度函數(shù)。貝葉斯理論以此為基礎，可以對傳感器監(jiān)測到的不同類型，不同部分的信息進行綜合觀察和分析，從而得出機械設備的準確狀態(tài)特征，并對故障進行分類。

3.3 以D-S理論為基礎的信息融合方法

與傳統(tǒng)的機械設備故障診斷方法相比，貝葉斯理論的使用確實取得了重大突破，也很有成效。但貝葉斯理論的缺陷是，不能在所有傳感器抽象級上給出精確的可信度?；谶@一點，D-S理論就產(chǎn)生了，該理論將每一種可能產(chǎn)生的故障稱為假設，把所有可能故障的組合稱為識別框，不是可能故障的其他特征稱為證據(jù)[3]。

在故障診斷中，D-S理論先計算證據(jù)的基本概率分配函數(shù)、信任函數(shù)以及似然函數(shù)，接著計算所有可能的證據(jù)聯(lián)合作用下的上述三個函數(shù)的數(shù)值，最后選擇支持率最大的假設，根據(jù)該假設去找機械設備的故障。D-S理論，作為貝葉斯理論的推理理論，在實際的使用中，更多的是把兩種方法結合起來，尋求最佳的診斷方案。

4 信息融合技術在機械設備故障診斷中的應用

在機械設備故障診斷中，多傳感器信息融合技術構建了三個融合模塊，分別是數(shù)據(jù)級融合模塊，特征級融合模塊，以及決策級融合診斷模塊。

數(shù)據(jù)級融合是在信息的最底層完成的，主要目的是進行數(shù)據(jù)采集和特征提取。首先將全部傳感器觀測到的數(shù)據(jù)進行融合，接著從融合的數(shù)據(jù)中提取特征向量，診斷出故障發(fā)生的正確原因。數(shù)據(jù)級融合的優(yōu)點是，保持盡可能多的現(xiàn)場數(shù)據(jù)，特別是一些細微的信息。這也意味著數(shù)據(jù)級融合需要處理的信息量非常大，數(shù)據(jù)處理的代價高，時效性比較差。

特征級融合是中間層次的融合，先提取傳感器的原始信息，接著綜合分析和處理提取到的多種特征信息。特征級融合的優(yōu)點是對大量信息進行了壓縮，有利于對數(shù)據(jù)實時處理，并且提取的特征更加的精準，能夠最大限度地為決策分析提供支持。

決策級融合則是三級融合中最終的結果，是一種高層次的融合，是直接面對決策目標的。決策級融合是依據(jù)一定的準則和之前所有決策的可信度做出的最優(yōu)決策[4]。決策級融合的過程，從具體的決策需求出發(fā)，利用特征級融合提取的機械設備測量對象的各類特征，再使用適當?shù)娜诤霞夹g來實現(xiàn)更精準的決策。它的優(yōu)點是通信量少，對傳輸帶寬的要求低，抗干擾能力強，處理所需要的代價低，對傳感器的兼容性比較好，同質或異質的傳感器都可以，甚至在少量傳感器出錯不能工作時，也能通過融合方法獲得相對準確的結果，具有較高的容錯性和魯棒性。

5 結束語

信息融合的過程是一個實時的，連續(xù)的過程，三級融合也是在不間斷的額發(fā)展，在融合的過程中，系統(tǒng)運用相關的推理規(guī)則，多層次，多方面的對傳感器返回的多元信息進行探測、聯(lián)想、估計以及組合處理，獲得精確的被測目標狀態(tài)，從系統(tǒng)角度對機械設備運行情況和設備本身的狀態(tài)進行全面準確的評估，也提高了機械故障診斷結果的可信度，使用價值非常高。

隨著人工智能，5G網(wǎng)絡和云計算大量的投入使用，機械設備故障診斷技術也得到了長足的發(fā)展，其中人工智能算法、高速數(shù)據(jù)采集技術、先進傳感器技術等設計開發(fā)的信息融合技術和系統(tǒng)將是未來故障診斷系統(tǒng)的發(fā)展方向。