軌道電路是鐵路通信中重要的模擬電子系統。由于其自身結構的復雜性和工作原理的特殊性，加之在長期露天工作中受溫度、濕度、雷電等環境及人為因素干擾，使得其故障模式多樣，并發故障時有發生，故障狀態隨時間動態變化，并且從監測數據中獲取的故障特征常呈現不確定性。而目前采用的多數智能靜態融合診斷方法由于其理論模型的局限性以及在不確定性信息處理中的不完善性等因素，使得它們在軌道電路故障診斷中常顯得適應性差且效果不佳。因此，本項目以證據理論、模糊集理論與隨機集理論為基礎，開展典型軌道電路單發和并發故障動態診斷的信息融合方法研究，這是對已有“基于證據理論的單故障靜態融合診斷方法”功能的全面提升與擴展。本項目的特色與創新之處在于: (1) 針對復雜模擬電子設備故障診斷中的實際需求，提出同時適用于單、并發故障診斷的故障辨識框架，在此框架中能夠處理更為復雜的故障建模問題。(2) 在對不確定性故障特征信息進行分析與處理的基礎上，將動態融合的思想引入故障診斷當中。所提出的信息融合診斷方法，不僅在“靜態融合”中考慮了單、并發故障模式之間存在的演變與聯系，而且在“動態更新”當中考慮了前后時刻間故障狀態變化的趨勢。(3) 通過對全局融合結果的分析，不僅可以在設備失效之前預測故障，而且可以在設備失效之后及時地定位故障。在實驗驗證當中，采取理論研究、計算機仿真、實驗驗證相結合，機理分析與實際測試相結合的研究方法，對所提診斷方法進行綜合性測試與評估。依托所搭建的“ZPW-2000A無絕緣軌道電路計算機仿真模型與實物仿真模型”對軌道電路進行故障模擬，故障癥候信號的采集、預處理，故障建模與分類，結合專家的建議，建立各故障模式與其特征之間的對應關系；并將仿真實驗和現場實驗數據相結合，對融合診斷系統進行測試與分析，對診斷算法的穩健性、實時性、實用性和精確性進行全面評估。

軌道電路是鐵路通信中重要的模擬電子系統。由于其自身結構的復雜性和工作原理的特殊性，加之在長期露天工作中受溫度、濕度、雷電等環境及人為因素干擾，使得其故障模式多樣，并發故障時有發生，故障狀態隨時間動態變化，并且從監測數據中獲取的故障特征常呈現不確定性。而目前采用的多數智能靜態融合診斷方法由于其理論模型的局限性以及在不確定性信息處理中的不完善性等因素，使得它們在軌道電路故障診斷中常顯得適應性差且效果不佳。因此，本項目擬以隨機集理論與證據理論為基礎，開展典型軌道電路單發和并發故障動態診斷的信息融合方法研究：1) 構造同時適用于單發和并發故障診斷的故障辨識框架，在此框架中可以處理更為復雜的故障建模問題；2) 將隨機集理論與模糊推理等方法結合，研究從不確定性故障特征中獲取單并發故障診斷證據的方法；3)利用隨機集理論擴展原有的靜態融合方法，給出同時適用于單并發故障診斷證據動態融合的遞歸型故障決策方法。

《排煙風機信息融合故障診斷方法與系統研究》可供從事排煙風機或大型旋轉機械狀態監測、故障診斷等方面理論研究或系統開發的學者與相關工程技術人員參考。

綜述了模擬電路故障診斷技術的發展，詳細介紹了特征提取方法、神經網絡方法與信息融合技術。針對傳統信息融合系統的不足，將多種特征提取方法、神經網絡與信息融合中D－S證據理論相結合，構建了基于三級信息融合技術的系統模型。

信息電路信息融合技術概述

信息融合技術即多傳感器信息融合，其基于多傳感器采集的多源信息，將時間或空間上具有相互補償或冗繁多余的信息根據一定的組合優化規則進行融合，進而得到更加有效地信息，以所得信息共同聯合操作的優勢從而提髙整個系統的診斷性能。

以信息處理的單元作為分類原則，信息融合技術模型可由以下五個層次組成；數據輸入/數據輸出層次、數據輸入/特征輸出層次、特征輸入/特征輸出層次、特征輸入/決策輸出層次、決策輸入/決策輸出層次。其中，每個層次結構上對數據信息的分析和處理方式都不同，從而構成了傳統的信息融合系統。

信息融合診斷系統中，DA表示數據(Data)；I/O表示輸入/輸出IN/Out)；FE表示為特征(Feature)；DE表示為決策(Decision)。信息融合診斷系統展現的是傳統信息融合的故障診斷系統的整體結構，在實際的故障診斷中，可能選擇部分或者全部結構來完成，并且信息源有可能是多個。

信息融合是一種數據分析與處理的技術，在系統五個層次的結構中，每個層次所處理的單元有一定的差異性，并且，每個處理單元的分析過程及融合決策算法也有很大的不同，所以基于信息融合技術的故障診斷實現需要采用融合中的多種方法。

信息電路系統故障特征的選擇及提取模塊

在模擬電路狀態監測與故障診斷中，特征參數是對電路運行狀態進行定量描述的因素，因此，特征參數的合理選擇是故障診斷的關鍵性內容。

模擬電路中故障特征的選擇主要包括以下四個步驟：

(1)故障元件的選擇。故障元件的選擇影響了模擬電路的運行狀態的各種模式的包括與區分。每一個電路元件均有自己的容差范圍，容差越大的元件其值變動的范圍就大。電路的故障類型一般分為硬故障和軟故障，硬故障指電路元件的短路或開路情況，易于辨識，軟故障則是當電路元件值發生變化時，其本身功能并未喪失，系統的性能變差的情形。主要研究的是模擬電路發生軟故障的內容。由于元件值變化范圍的增大，對系統輸出響應的影響程度則取決于元器件的靈敏度，從而靈敏度較大的元器件在其值發生微小的變化時，電路的響應可能會很大，從而便于分析模巧電路的軟故障。因此，綜合考慮選定靈敏度較大的元器件作為研究的故障元件。

(2)試對象的確定。由于在模擬電路中，電壓、溫度、電流、電量、阻抗等各種電量與非電量信號的存在，使得電路系統中對故障特征可以有多種選擇的方案。在實際應用中，綜合考慮被診斷的模擬電路原理，信號測試的難易度以及系統的成本等因素，選擇合適的故障特征信號，來為后續數據信息的提取奠定良好的基礎。

(3)測試節點的確定。在故障診斷領域中，測試節點的選擇、測試路徑的選擇、測試方法的選擇一直是學者研究的H大熱點。其中，測試節點的選擇更是方案確定的前提。在實際的模擬電路中，不是所有的電路節點都是可測的節點，故對于故障診斷提取特征的節點來說，只能在可測節點之間選擇。同時，在可測節點中，可能有兩個或是多個節點所表達的信息相一致，為降低成本，減小計算量與數據處理的工作量，盡量選取最恰當數目與位置的節點。因此，測試節點的選擇，應在滿足故障診斷測試需求的前提下，盡量選取合適數目與位置的測試節點，以得到最佳的系統診斷方案。

模擬電路故障診斷的實質在于識別不同故障狀態對應的模式，針對各個模式對應的故障狀態進行特征提取是識別的重要環節，并且樣本集也基于此構造而成。在實際的故障診斷中，樣本的數據量極大地影響著故障信息的完備程度，每個模式對應的樣本愈多，則故障信息愈加完豁然而，過多地特征信息會導致冗長的訓練時間和較低的學習速率，從而影響診斷的準確度及效率。因此，從原始數據中提取最能表征故障狀態的信息是故障診斷的關鍵性內容，也即以貢獻最大的信息用來構造樣本集，這被稱作特征提取。

信息電路系統樣本集的構造模塊

模擬電路故障診斷的樣本集主要分為兩組：訓練樣本集及測試樣本集。將改進后的信息融合系統應用于故障診斷中，在處理過程中分為兩個階段：訓綜樣本的自學習及測試樣本的診斷決策。首先，以訓練樣本集按照一定的函數規則構建期望的基本神經網絡結構，從而為后續診斷做準備；接著，在構建好的網絡中，輸入測試樣本信息，完成故障的診斷過程。因此，如何合理并科學得構造樣本集對系統網絡結構的構建起到了關鍵性的作用。

樣本集中包括輸入矩陣信息與輸出矩陣信息。在模擬電路故障診斷系統中，采集的故障特征向量構成輸入信息，故障類型與屬性構成神經網絡子系統的輸出信息。電路的輸入信息一般由靈敏度離的故障元件的輸出響應的波形曲線而來，改變元件的參數值，使得輸出響應隨著變化，并且相關性小，根據運些輸出響應曲線，在區間內選擇有效點采樣，以此來采集輸入信息。電路的輸出信息可為期望的輸出及實際的輸出兩種信息，期望的輸出信息可以預先判定，用于訓練學習，實際的輸出即為實時輸出信息，這兩種信息均為故障模式類型。輸出向量一般由以下三種方法構成："n中取1"法、"n-1"法以及二進制編碼方法。"n中取1"法：采用n個二進制數表示電路的n中狀態，包括電路正常狀態和所有的故障狀態，每種狀態對應一個n位二進制數，其中只有一位取1，其余位取0；"n-1"法和上一種法類似，只是將電路的正常狀態對應于全0的二進制數；二進制編碼方法就是對電路正常狀態和所有的故障狀態統一的n種電路狀態的二進制數大小的表示。在實際的故障診斷應用中，當故障數較少時，"n－1"法和"n中取1"法應用最為廣泛。其中，在研究中采用的就是n中取1"法。

模擬電路經過故障特征參數選擇、故障特征提取及其故障模式的劃分等構造的樣本集可以直接作為神經網絡決策模塊的輸入。

1緒論

1.1機械故障診斷的發展與現狀

1.1.1國內外研究現狀

1.1.2故障診斷技術的發展趨勢

1.2故障診斷方法與技術概述

1.2.1信息融合故障診斷

1.2.2信號預處理技術

1.2.3神經網絡故障診斷

1.2.4盲源分離故障診斷

1.2.5故障診斷專家系統

1.3本書的研究意義與應用前景

1.4本書的主要內容與結構安排

2自適應提升小波信號處理方法研究

2.1排煙風機信號預處理問題的提出

2.2小波去噪閾值函數設計

2.2.1現有閾值函數分析

2.2.2本書設計的改進閾值函數

2.2.3閾值函數去噪性能比較

2.3提升小波自適應去噪算法研究

2.3.1信號局部特征的時域估計方法設計

2.3.2基于信號局部特征的小波函數選擇

2.3.3信號突變點的平滑遞變階次提升小波函數設計

2.3.4基于信號局部特征的自適應小波閾值選擇

2.3.5仿真與實驗

2.4信號頻域特征的小波消混校正方法設計

2.4.1小波分析的頻域特征提取

2.4.2小波分解中頻率混淆的校正方法設計

2.4.3消除小波分析頻率混淆算法設計

2.4.4小波混頻改進算法應用

2.5本章小結

3動態故障源數估計的自適應盲源分離方法研究

3.1數據層融合診斷問題的提出

3.2動態故障源的源數估計算法研究

3.2.1現有信號源數估計方法

3.2.2基于拓展四階累積量矩陣與奇異值分解的

源數估計算法研究

3.2.3拓展四階累積量矩陣源數估計實驗

3.3基于動態故障源數估計的自適應盲源分離算法研究

3.3.1基于主元分析的超定盲源分離算法

3.3.2基于稀疏元分析的欠定盲源分離算法

3.3.3自適應盲源分離算法

3.4盲源分離實驗分析

3.5本章小結

4綜合BP與ART2網絡的改進型神經網絡故障診斷方法研究

4.1神經網絡故障診斷的不足

4.2改進型BP—ART2神經網絡設計

4.2.1引入非線性映射的BP—ART2神經網絡結構設計

4.2.2ART2神經網絡自適應警戒參數與聚類設計

4.3改進型BP—ART2神經網絡故障診斷系統的計算方法

4.3.1參數及權值初始化

4.3.2訓練過程的計算步驟

4.3.3診斷過程計算步驟

4.4實驗分析

4.5本章小結

5黑板型多專家機電融合故障診斷方法研究

5.1多專家診斷問題的提出

5.2排煙風機故障診斷的黑板型多專家融合系統結構設計

5.3黑板型多專家機電融合診斷方法研究

5.3.1排煙風機機電融合診斷方法研究

5.3.2多專家機電信息融合診斷算法

5.4實驗與診斷

5.5本章小結

6多傳感器與多診斷方法的決策融合診斷

6.1排煙風機全局決策融合診斷結構設計

6.2多傳感器加權激勵融合診斷方法研究

6.2.1多傳感器之間的相關加權系數設計

6.2.2不同位置傳感器在融合診斷中的權重設計

6.2.3多傳感器加權系數的激勵

6.2.4多傳感器兩兩加權激勵的綜合融合

6.2.5多傳感器加權激勵融合診斷步驟

6.3多診斷方法局部診斷結果的決策融合設計

6.3.1決策融合規則

6.3.2排煙風機故障診斷決策融合算法設計

6.4決策融合實驗與診斷

6.4.1對兩兩傳感器加權激勵融合

6.4.2多局部診斷方法的決策融合

6.5本章小結

7排煙風機狀態監測與故障診斷系統設計

7.1排煙風機監測點與傳感器設置

7.2微機集中監測式與DSP分布式監測系統硬件設計

7.2.1微機集中監測與故障診斷系統

7.2.2DSP分布式實時監測與故障診斷系統

7.3排煙風機監測與故障診斷系統軟件設計

7.3.1微機集中監測系統數據采集軟件設計

7.3.2DSP分布式監測系統軟件設計

7.3.3上位機監測與管理軟件設計

7.4系統調試與現場應用實例

7.4.1系統分析、設計與調試

7.4.2現場應用實例

7.5本章小結

參考文獻2100433B