基于多传感器信号分析的故障诊断方法

摘要

本发明公开了一种基于多传感器信号分析的故障诊断方法，利用多种传感器采集热泵机组在运行过程的压力、温度、流量等参数，并利用振动传感器采集机组的振动信号，以此来全面掌握空气源热泵机组的设备状态。在此基础上，联合多种智能技术方法，综合运用智能技术各自的优点，扬长避短，对空气源热泵机组进行状态监测、故障诊断与智能预示，能够有效地提高监测诊断系统的敏感性和精确性，降低误诊率和漏诊率。同时，基于MATLAB语言，采用GUI设计方法，设计出了方便使用的信号处理平台。在不用理解系统机理和分析数据的情况下，为一般的操作人员提供准确的诊断决策。

主权项

一种基于多传感器信号分析的故障诊断方法，其特征是：包括下列步骤：（1）利用单片机驱动多个传感器收集机组数据，机组运行参数包括供水温度、回水温度、水箱水温以及水箱水位，并与PC机进行串口通讯，将所采集的数据发送到PC机；（2）机组振动信号的采集，采用无线传感器，通过无线模块将振动数据传到电脑上；（3）获取各个传感器测量的热泵机组在运行过程中不同转态下的压力、温度、流量参数，并进行融合操作，构成不同状态下的特征向量；（4）将获取的多个时刻或是多个运行状态的传感器数据构成的特征向量与状态进行模式映射，得出故障与征兆之间的关系，以此设计和训练神经网络来进行故障分类，以便系统进行故障诊断时，可以根据不同的故障征兆来完成模式映射过程；（5）根据数据融合的特征向量维数，确定遗传算法优化的BP神经网络的结构，完成神经网络的训练过程，根据神经网络的训练结果，进行相关的优化；（6）采用遗传算法对BP神经网络的初始权值和阈值分布进行优化，通过选择、交叉和变异操作找到BP神经网络的最优权值和阈值；在此利用测试数据对优化后的BP神经网络进行训练，获得最终优化好的BP神经网络故障分类器；（7）对于相应机械状态下获得的振动信号，进行去噪相关操作后，采用小波包分析方法对振动波形进行小波分解，获取三层小波分解后各个节点的重构小波系数与重构小波能量谱；（8）从获取的重构小波系数与重构小波能量谱中提取各个节点的能量、方差以及小波系数数据，同样地将这些数据融合后，作为该振动信号的特征向量；（9）使用粗糙集理论对振动信号的特征向量进行特征约简，通过对决策表进行条件属性约简、决策规则约简，获取最小决策规则，作为最终分类规则；（10）根据粗糙集约简后的规则，设计和训练对向传播神经网络，训练成功后，获取振动信号的故障模式分类器；（11）进入故障决策融合阶段，按S3获取的信号的特征向量作为输入，利用步骤（6）训练好的神经网络故障分类器获取故障结果，同时按步骤（8）获取的振动信号的特征向量利用步骤（10）获得的振动信号的故障模式分类器进行诊断，获取诊断结果；最后，将这两种不同信号的诊断结果进行D‑S决策融合，最终融合结果即为诊断结果；（12）最后，基于MATLAB 语言，采用GUI 设计方法，设计故障诊断信号处理平台；技术人员可通过简单操作，获取当前机组运行参数，及时做出故障判断，并且可以保存当前数据，查看历史数据。