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
m2，为：
式中：K反映了证据间冲突的程度。K≠1 , m(C)有一个确定的概率赋值;K=1，表明ml和m2完全矛盾，不能对它们进行组合。对于多证据组合，需要逐个进行组合，组合时满足交换律和结合律，与组合位置和次序无关。
二、BP神经网络的结构设计
汽轮机的机械振动特性分析是进行振动监测和故障诊断的前提，是提取故障特征的关键。文献[9]给出了汽轮机常见的10种故障与其特征之间的关系，故障特征是振动信号频谱中的9个频段上不同频率谱的谱峰能量值，如表1所示。
用于汽轮机局部故障诊断的BP神经网络采用3层结构，如图1所示。将振动传感器采集到的振动加速度信号，经小波变换预处理并归一化后，得到9种故障频域特征，作为BP神经网络的输入，因此输入层节点数为9;传感器对10种故障类型的基本可信任分配函数作为输出层的输出，因此输出层节点数为10;隐含层节点的确定对于网络的精确性非常重要，选择不当会出现欠吻合或过吻合现象。目前，尚无固定的公式用于计算隐含层节点数，一般用同一样本反复训缪网络，不断改变隐含层节点数直到网络权值不再发生变化为止，根据最小测试误差原则选择节点数[10]，本实例中隐含层节点数选择为13。
三、汽轮机故障诊断实例与分析
本实例采用3个振动传感器进行信息融合，来判定汽轮机的故障类别。首先，将各个传感器检测到的振动信号进行特征提取，提取方法采用文献[11]的基于能量分布的小波包特征提取，并进行归一化处理后再经过BP神经网络进行局部诊断，得到各传感器对故障类型的基本可信任分配函数值，最后利用D-s证据理论决策判定故障类别。在故障特征进入网络诊断之前，需对网络进行训练，训练样本采用表1中的数据，表2为网络训练样本的目标输出，其输出值的范围为[0,1]，其值越大表示发生该类故障的概率越高。
网络训练完成后，就可以根据输入的故障特征数据进行诊断。下面以汽轮机不平衡故障为例对该故障诊断系统的有效性进行说明。由3 个振动传感器检测到的振动信号经上述特征提取后，分别作为BP神经网络的输入，如表3所示。经网络诊断并进行归一化处理后的结果见表4。由表4可见，由传感器1~3获得的证据体对故障01(不平衡)的基本可信任分配函数值分别为0.89、0.85和0.90。
根据D-S证据理论，将传感器1和传感器2进行信息融合，K=0.2383 ，然后根据式(3)得融合结果见表5。由表5可见，传感器1与传感器2获得的故障特征经 BP 神经网络诊断后，获得的两种证据体对于故障Ol(不平衡)的基本可信任分配函数值分别为0.89和0.85。两传感器融合后，对故障0，的信任度增加为住9932，基本信任分配函数值明显增大。将传感器1、2融合结果再和传感器3进行融合，K=0.1057，然后根据式(3)得到融合结果见表6。3个传感器融合后，对故障Ol(不平衡)的基本可信任分配函数值增加到0.9995，由此可判定发生了故障Ol(不平衡)，与实际发生的故障相符。假设3个传感器中有1个出现了故障，比如是传感器3，这时从传感器3提取的故障特征对故障Ol(不平衡)来说可能不是很明显或者说是对发生故障Ol(不平衡)的概率很低，即基本可信任分配函数值很低。假设传感器3的诊断结果为表7中的数据，其他2个传感器的诊断结果保持不变，对这3个传感器进行信息融合，融合结果见表7。可以看出，当3个传感器中有1个出现故障时，诊断结果仍然保持很高的准确性。
四、结语
采用基于D-S证据理论的多传感器信息融合与BP神经网络相结合的故障诊断方法，通过简化网络结构可以提高局部诊断网络的诊断能力，也使证据理论的基本可信任分配函数值不再完全依靠专家进行的主观化赋值，实现了赋值的客观化。实验结果表明，将该方法克服了单一传感器的局限性和不确定性，将其用于汽轮机的故障诊断，可以大大提高诊断结果的可靠性和准确性。
