基于多传感器信息融合和神经网络的汽轮机故障诊断研究

　　O 引 言

　　汽轮机故障具有相似性，故障与征兆的关系不明确，具有较强的模糊性，故障特征相互交织，所以汽轮机故障诊断是一个复杂的问题。传统的故障诊断一般都以传感器检测技术为基础，进行数据采集，然后数据处理、提取特征参数、参照某种规范再判定系统是否出现故障及故障类型。因此，要求传感器系统反应快速而准确，具有一定的信息处理能力、抗干扰能力和容错性[1-2]。随着计算机技术与人工智能的飞速发展，人工神经网络技术和小波变换已被广泛应用于汽轮机故障诊断中[3-5]，在单一传感器工作可靠的情况下，这些诊断方法都是行之有效的。然而，由于传感器的可靠性和运行环境的不稳定性，单个传感器获得信息具有局部性和不确定性，容易造成故障的误判。

　　多传感器信息融合是近几年发展起来的一门新科学技术[6]，它充分利用多个传感器资源，通过各种传感器及其观测信息的合理支配与使用，以各种传感器在空间和时间上的互补与冗余信息为故障的检测与分离提供诊断依据，采用某种优化准则，产生反映环境信息特征的一致性解释和描述。本文采用基于D一S证据理论[7-8]的多传感器信息融合技术对汽轮机机械故障进行诊断，将证据理论和BP神经网络相结合，通过BP神经网络进行局部诊断，计算各证据体的基本可信任分配函数，由证据理论完成决策融合.最终判定故障及故障类型。

　　一、D-S证据理论

　　1.1 基本概念

　　D-S证据理论是建立在1个非空集合Θ上的理论，Θ称为识别框架，Θ由一系列互斥且穷举的基本命题组成。对于问题域中的任意命题 A，都应属于幂集2Θ。在2Θ上，如果有：

　　式中：m(A)∈[O,1]，A

Θ，则称m为基本可信任分配函数，m(A)为A的概率赋值，它表示证据支持命题A发生的程度。如果A为Θ的子集，且 m(A)>0, 则称A为证据的焦元，所有焦元的集合称为核。证据是由证据体(m,m(A))组成的，利用证据体定义2Θ上的信任函数Bel:2Θ→[0,1]和似真度函数Pl:2Θ→[O,l]：

　　信任函数Bd(A)表示全部给予命题A的支持程度，似真度函数Pl(A)表示不否定命题A的程度。

　　1.2 组合规则设

　　Bel和Bel2是同一识别框架Θ上的信任函数;ml和m2分别对应的是基本可信任分配函数;焦元分别是Al，…，Ak和Bl，…，Br，且有

　　则组合后新的基本可信任分配函数m=ml