机械设备智能诊断中视听信息融合方法研究

摘要

在现有的信息融合故障诊断方法中，对多源信息的利用往往局限于振动、压力、温度、加速度等机械设备内部状态信息，而忽略了外部状态信息中视觉与听觉信息的利用。相比于内部状态信息，视听信息能够对机械设备运行状态产生更为直观的描述，更具有普适性，基于视听传感搭建的故障诊断系统通常具有更简单、快捷的信息流通网络机制和硬件拓扑结构，具有更好的实时性与可移植性。本论文正是基于此考虑，将表征设备外部状态的视听信息引入到机械设备的故障诊断中，并研究视听信息融合的模型与方法，以突破仅靠内部传感信息作为故障诊断媒介的诸多局限，为机械设备故障诊断中复杂问题的解决提供新的思路。 本论文从神经生理学的角度出发，描述了在环境认知中人脑对多感知信息进行融合处理的普遍性与有效性，并以此为借鉴，进一步根据机械设备故障诊断中信息传导与流通的机制，论证了视听信息融合在机械设备故障诊断中的可行性，提出了故障诊断中视听信息融合的一般框架。在此基础上，对视听信息融合的关键问题进行了系统性的研究，主要内容有： （1）针对听觉信息受工业噪声干扰较严重、信噪比低的问题，研究了听觉信息故障特征提取方法。结合经验模态分解（Empirical Mode Decomposition,EMD）对混合信号的自适应分解能力和独立分量分析（Independent Component Analysis,ICA）对盲源信号的分离能力，提出了EMD-ICA联合信号处理框架，有效避免了EMD分解中的模态混叠现象，同时也解决了ICA处理过程中信号源数目的受限问题。 （2）为了降低信息故障特征中不敏感成分对分类器识别准确性的影响，提出了一种改进的基于距离的特征敏感性评估与选择方法。该方法通过引入特征差异性因子，能够对不同特征类内聚集程度与类间距离的差异加以区分，从而使不同特征的聚类结果更加合理，以此作为特征选择的依据，能够降低输入特征向量的维数，减少分类计算的时间，提高状态分类的准确性。构建了一种基于EMD-ICA联合信号处理技术、改进的基于距离评估的特征选择方法以及BP神经网络的智能诊断模型，并通过某分拣机械手抓料过程故障诊断实验验证了该模型的有效性。 （3）围绕故障诊断中视听信息的不确定性问题，深入研究了基于模糊神经网络的信息融合诊断方法。详细剖析了自适应模糊推理系统（Adaptive Networkbased Fuzzy Inference System,ANFIS）的网络结构、工作原理和学习算法。针对ANFIS算法中误差反向传播（Back Propagation,BP）学习部分迭代过程较长、容易陷入局部最小值等缺陷，分别用Fletcher-Reeves Update共轭梯度法、比例共轭梯度（Scale Conjugate Gradient,SCG）法和Levenberg-Marquardt（LM）法对算法进行了改进，并基于改进的ANFIS进行了分类诊断实验。某分拣机械手抓料过程故障诊断实验结果表明，在基于视听信息的融合诊断中，通过LM法改进的ANFIS具有更加迅速的收敛过程和更高的分类准确率。同时经过与利用单独视觉或听觉信息的诊断结果对比，验证了视听信息融合对于机械设备故障诊断的有效性。对LM算法的原理进行了深入分析，并通过引入步长调整因子对其做了进一步改进，降低了网络收敛过程对某些迭代控制参数的依赖程度，提高了收敛速度，最后通过实验验证了改进效果。 （4）针对不同通道中视听信息特征可能存在的映射结果冲突问题，深入研究了D-S证据理论中证据组合与推理的原理，针对D-S证据理论在对低置信度高冲突证据进行组合时的“证据悖论”现象，提出了一种基于权重再分配的改进的证据推理算法，该算法通过引入冲突因子表示其中一个证据与其它所有证据之间的冲突程度，并以此来进行融合权限的二次分配以提高证据推理的合理性。 （5）提出了一种智能分层诊断模型。在该模型中，首先利用文中提出的特征提取与选择方法对输入特征向量进行筛选，再根据不同的数据类型对应多个ANFIS进行初步识别诊断，并将初步诊断的结果作为不同的证据体，由改进D-S证据组合推理方法给出最终的诊断决策。该智能分层诊断模型有效降低了故障诊断空间的维数，简化了网络结构，面向不同的诊断问题，具有较好的鲁棒性和灵活性，能够较好地处理机械设备故障诊断中多源信息的不确定性和多特征映射的矛盾性问题。最终在“手机屏幕AOI自动检测系统”中对该模型的诊断效果进行了验证。实验结果表明，利用提出的智能分层诊断模型对设备运行中的视听信息进行融合处理，能够有效识别用内部状态信息难以表征的机械设备故障状态，同时具有良好的实时性。

目录

声明

第一章 绪论

1.1 课题的研究背景与意义

1.2 基于信息融合的故障诊断方法

1.3 故障诊断中信息融合方法的国内外研究现状

1.4 视听信息融合的国内外研究现状

1.5 本论文的主要研究内容及结构安排

第二章 视听信息融合的生理学启示及理论基础

2.1 引言

2.2 视听信息融合的生理学研究启示

2.3 信息融合的理论基础

2.3.1 信息融合的功能模型

2.3.2 信息融合的层次化描述与和故障诊断中的一般框架

2.3.3 信息融合的主要技术和方法

2.4 视听信息融合的特殊性

2.5 本章小结

第三章 视听信息故障特征描述与提取与选择

3.1 引言

3.2 视觉信息特征参数的定义与描述

3.2.1 颜色特征

3.2.2 纹理特征

3.2.3 形状特征

3.2.4 运动特征

3.3 听觉信息特征参数的定义与描述

3.3.1 时域特征参数的定义

3.3.2 频域特征参数的定义

3.3.3 能量特征参数的定义

3.4 基于EMD-ICA联合降噪的听觉信息故障特征提取

3.4.1 ICA方法分析

3.4.2 EMD方法分析

3.4.3 EMD-ICA联合信号处理技术

3.5 基于距离评估的特征选择技术

3.5.1 特征选择技术概述

3.5.2 改进的基于类内、类间距离的特征评估技术

3.6 BP神经网络分类器的构建

3.6.1人工神经元模型描述

3.6.2 BP神经网络分类器

3.6.3 基于特征评估及BP神经网络的故障诊断模型

3.7 基于改进的特征选择方法故障诊断实验及分析

3.8 本章小结

第四章 基于自适应模糊神经推理系统的分类器构建

4.1 引言

4.2 自适应模糊神经推理系统

4.3 ANFIS算法分析

4.4 ANFIS算法的改进研究

4.4.1基于Fletcher-Reeves Update共轭梯度法的ANFIS改进

4.4.2 基于SCG法的ANFIS改进

4.4.3 基于LM算法的ANFIS改进

4.5 改进算法的对比试验

4.6 LM-ANFIS算法的优化

4.7 本章小结

第五章 基于ANFIS和D-S证据理论的分层诊断模型

5.1 引言

5.2 证据组合方法分析

5.3 D-S证据理论

5.3.1 基本概念

5.3.2 D-S合成规则

5.4 D-S证据理论的改进

5.5 基于ANFIS和D-S证据理论的分层信息融合模型

5.5.1 基于ANFIS的初步诊断

5.5.2 基于D-S证据理论的融合决策诊断

5.6 手机屏幕AOI自动检测系统中诊断实例分析

5.6.1 实验设备与环境介绍

5.6.2 实验硬件系统组成

5.6.3 实验步骤

5.6.4 实验结果分析

5.7 本章小结

第六章 总结与展望

6.1 研究工作总结

6.2 研究方向展望

参考文献

攻读学位期间所取得的相关成果

致谢