关键词：多传感信息融合;;DS证据理论;;特征重构;;卷积神经网络;;自适应网络
摘 要：伴随着传感器技术与数据采集系统在智能生产车间的广泛部署应用,基于数据驱动的智能机械健康状态监测与故障诊断已进入“工业大数据”时代。旋转机械在机械工程领域被广泛使用并在工程应用领域扮演着重要的角色。随着科学技术的进步,旋转机械的结构组成与运行状态日益复杂导致其在恶劣的生产条件下故障出现的潜在可能性与故障诊断难度越来越大。多传感设备在数据采集过程中存在着大量影响故障诊断模型综合性能的冲突数据以及噪声数据。在智能制造+大数据的工业背景下,如何充分利用多传感器数据对旋转机械设备健康状态进行实时监测并进行有效的综合故障诊断研究是本文的工作重点。主要研究工作描述如下:首先提出了一种IDS(Improved Dempster-Shafer Evidence Theory)信息融合算法用以处理多传感信息融合过程中可能存在的冲突问题。IDS算法通过将证据体距离矩阵代入到改进Gini系数函数之中,通过规范化确定了不同证据体的置信度因子,以加权融合的方式有效地对一致证据与冲突证据进行了融合。并基于优胜劣汰机制,提高了合成证据的置信度。随后提出了一种基于频谱切片特征重构的方法对设备状态信息进行有效提取。该方法通过将时域信号转换到频域信号,再由切片堆叠重构保留频谱能量信息的方式,能有效地对原始信号进行特征提取。该特征提取方法有助于降低对专家经验的依赖程度、减少模型参数、降低样本需求量、加快模型收敛速度并提高模型诊断精度。接着针对单源传感非集成模型的局限性,提出了一种集成IDS算法与卷积神经网络的旋转机械故障诊断模型IDSCNN(Improved Dempster-Shafer Evidence Theory with Convolutional Nerural Network),并将该模型应用到凯斯西储大学轴承故障数据集上进行实验分析。通过与单源非集成模型以及与当前主流机器学习与深度学习模型在多种工况条件下分析比较,IDSCNN模型均表现出了更好的故障诊断性能。为旋转机械故障诊断提供了一种新的研究路线。最后针对复杂多变的实际生产环境下可能存在的大量噪声数据问题,提出了一种多传感噪声自适应模型MACNN(Multi-sensors Adaptive Convolutional Neural Network),该模型在IDSCNN的基础上通过增加批量规范化层与噪声标签自适应网络的方式提高了对噪声数据以及噪声标签的鲁棒性。通过在不同信噪比以及不同噪声标签级别下进行对比实验,该模型均可获得相对较高的故障诊断准确度。
内 容：原文可通过湖北省科技信息共享服务平台（http://www.hbstl.org.cn)获取