第11章多传感器信息融合技术Word下载.docx
《第11章多传感器信息融合技术Word下载.docx》由会员分享,可在线阅读,更多相关《第11章多传感器信息融合技术Word下载.docx(26页珍藏版)》请在冰豆网上搜索。
能保持尽可能多的现场数据,提供其它融合层次所不能提供的细微信息。
其局限性是:
所要处理的传感器数据量太大,故处理代价高,时间长,实时性差;
这种融合是在信息的最低层进行的,传感器原始信息的不确定性﹑不安全性和不稳定性要求在融合时有较高的纠错能力;
由于是原始数据直接关联,故要求各传感器的信息要来自同类型或相同量级的。
其融合过程如图11-1所示。
数据级信息融合主要用于多源图像复合﹑图像分析及同类雷达波形的直接合成等。
图11-1数据级融合
②特征级融合
特征级融合属于中间层次,它先对来自多传感器的原始信息进行特征提取,然后对特征信息进行综合分析和处理。
以便作出正确的决策。
其融合过程如图11-2所示。
图11-2特征级融合
特征级融合的优点是:
实现了可观的信息压缩,有利于实时处理,并且由于所提取的特征直接与决策分析有关,因而融合结果能最大限度地给出决策分析所需要的特征信息。
③决策级融合
决策级融合是一种高层次融合,它必须从具体决策问题的需求出发,充分利用特征级融合所提取的测试对象的各种特征信息,采用适当的融合技术来实现。
决策级融合是三级融合的最终结果,是直接针对具体决策目标的,融合结果直接影响决策水平。
其融合过程如图11-3所示。
图11-3决策级融合
其主要优点是:
灵活性高;
能有效反映环境或目标各个侧面的不同类型信息;
对传感器的依赖性小,传感器可以是同质的,也可以是异质的;
当一个或几个传感器出现错误时,通过适当的融合,系统还能获得正确的结果,所以有容错性。
但是,决策级融合首先要对原传感器信息进行预处理以获得各自的判定结果,所以预处理代价高。
三.信息融合与故障诊断
信息融合技术自80年代一诞生,就引起了各国国防部门的高度重视,并将其列为军事高技术研究和发展领域中的一个重要专题,1984年美国国防部就成立了信息融合专家组(DFS,DataFusionSubpanel)指导﹑组织并协调有关这一国防关键技术的系统研究,1991年将它列为90年代重点研究开发的二十项关键技术之一,并制定了信息融合1995年,2000年,2005年发展目标及预算。
美国国防部长领导下的C3I(Command,Control,CommunicationandIntelligenceSystem)系统专家组专门成立了一个信息融合小组,并组织了多项专题计划研究数据融合技术。
因此,早期信息融合技术的应用主要是反应在军事上。
随着技术本身的发展,现在信息融合技术已在工业和民用上得到应用,如工业过程监视,工业机器人,空中交通管制,金融系统,气象预报等。
1.信息融合的分类
军用信息融合与民用信息融合之间通常存在着明显的差别,这种差别的出现是由于大部分民用系统在“人为设计的世界”或温和的现实世界中运行,而大部分军事系统则必须在敌对的现实世界中运行。
为了说明这种差别,根据问题的性质,可以将信息融合问题分为三类:
设计世界﹑温和的现实世界和敌对世界。
①设计世界
如工业过程监视与故障诊断,工业机器人,空中交通管制等。
其特点是:
已知正常状态;
可靠精确的信息源;
固定的数据库;
互相协作的系统要素。
②温和的现实世界
如气象预报,金融系统和病人监护等。
部分已知状态;
可靠的信息源但覆盖范围差;
部分可变的数据库;
系统不受感觉影响。
③敌对世界
如各种军用C3I,陆海空警戒,目标指示,目标跟踪和导航系统。
不易确定正常状态;
信息源可能不精确﹑不完整﹑不可靠,易受干扰;
高可变的数据率;
主观感觉可有效地影响系统;
不相互协作的系统要素。
2.信息融合与故障诊断
信息融合技术应用到故障诊断领域还是近些年的事。
在设备故障诊断领域,由于设备本身的复杂性和运行环境的不稳定性,单传感器反应的设备信息具有不确定性,具体地讲,诊断问题的不确定性的来源有:
事实中的不确定性;
准则中条件的不确定性;
准则本身有效性的不确定性;
推理时的不确定性以及不完全的知识和片面的数据导致的不确定性。
由此可以归纳为三种:
随机性或可能性﹑模糊性﹑不完全性或称不知性。
这种不确定性的存在,必然导致故障诊断准确率的降低,甚至出现漏检和误诊断现象。
多传感器信息融合技术的发展,为解决复杂系统故障诊断的不确定性问题提供了一条新的途径。
这是由信息融合独特的多维信息处理方式决定的。
单维的信息含量显然有其局限性,根据信息论的原理,由单维信息融合起来的多维信息,其信息含量比任何一个单维信息量都要大。
多传感器信息融合在解决目标识别﹑故障搜寻等问题上,存在着许多优越性:
①扩展了空间覆盖范围
通过多个交叠覆盖的传感器作用区域,扩展了空间覆盖范围,一些传感器可以探测其它传感器无法探测的地方,进而增加了系统的监视能力和检测概率。
②扩展了时间覆盖范围
当某些传感器不能探测时,另一些传感器可以测试目标模式。
即多个传感器的协同作用可以提高系统的时间监视范围或检测概率。
③增加了可信度,减少了信息的模糊性
一个或多个传感器能确认同一目标或事件。
多传感器联合信息降低了目标或事件的不确定性。
④改善了识别性能:
对目标的多种测量的有效融合,提高了探测的有效性。
⑤改善了系统的可靠性:
多传感器相互配合使用具有内在的冗余度。
信息融合应用于故障诊断的起因有三个方面:
一是多传感器形成了不同通道的信号;
二是同一信号形成了不同的特征信息;
三是不同诊断途径得出了有偏差的诊断结论。
融合诊断的最终目标是综合利用各种信息提高诊断准确率。
由此可见,利用多传感器信息融合技术来提高故障诊断的准确率,是有非常实际的意义的。
11.2故障诊断的信息融合方法
一.贝叶斯信息融合方法
贝叶斯法(Bayes)是基于概率统计的推理方法。
它以概率密度函数为基础,综合设备的各种信息,来描述设备的运行状态,进行故障分类。
具体步骤可以归纳如下:
1.先验概率假设
设备运行过程是一个随机过程,各类故障出现的概率一般是可以估计的。
这种根据经验知识对故障所做出的概率估计称为先验概率。
记为P(wi),i=1,2….,n,P(w0)表示正常工作的概率。
对一故障样本X(由多传感器对被诊断对象测试而得),P(X/wi),表示输入模式为i类故障wi的条件概率密度函数,其中i=1,2….n,。
2.后验概率计算
根据贝叶斯公式有:
=
(11-1)
式中X=[x1,x2,….xn]为输入模式样本;
P(wi/X)称为已知样本条件下wi(某故障模式)出现的概率。
称为后验概率。
3.故障判定
根据极大后验概率判定逻辑,当
时,X属于故障模式wi。
Bayes推理主要不足是:
①先验概率定义困难;
②需要对应的且互不相容的假设;
③缺少分配总的不确定性的能力。
二.模糊信息融合方法
1.模糊变换
模糊集的基本思想是把普通集合中的绝对隶属关系灵活化,使元素对集合的隶属度从原来只能取0,1值扩充到取[0,1]区间中的任一数值,因此很适合于用来对传感器信息的不确定性进行描述和处理。
在应用多传感器信息进行融合时,模糊集理论用隶属函数表示各传感器信息的不确定性,再利用模糊变换进行数据处理。
设A为故障诊断系统可能决策的集合,如被诊断的设备(电子电路板)故障元件集合;
B为传感器的集合(如电路元件的电压和温度等参数)。
A和B的关系矩阵RA*B中的元素μji表示由传感器j推断决策为i的可能性,X表示各传感器判断的可信度,经过模糊变换得到的Y是融合后各决策的可能性。
具体来说,假设有m个传感器对被诊断系统进行测试,而系统可能决策有n个,那么
A={y1/决策1,y2/决策2,…,yn/决策n}(11-2)
B={x1/传感器1,x2/传感器2,…,xm/传感器m}(11-3)
传感器对各可能决策的判断用定义在A上的隶属度函数表示,设传感器j对待诊断系统的判断结果为:
[μj1/决策1,μj2/决策2,…,μjn/决策n]其中0≤μji≤1(11-4)
即认为结果为决策i的可能性为μji,记为向量(μj1,μj2,…,μjn),m个传感器构成A×
B的关系矩阵
(11-5)
将各传感器判断的可信度用B上的隶属度X={x1/传感器1,x2/传感器2,…,
xm/传感器m}表示,那么由Y=X
RA×
B进行模糊变换,就可得到融合后的诊断结果
Y=(y1,y2,…,yn),也即融合后的各故障决策的可能性集合。
采用模糊集理论
的融合过程如图11-4所示。
图11-4模糊信息融合的一般方法
2.故障模式判定规则
对故障元件决策时,采用基于规则的方法,其基本原则有:
①判定的故障元件应具有最大的隶属度值。
②判定的故障元件的隶属度值要大于某一阈值,具体阈值要视实际问题而定。
③判定的故障元件和其它元件的隶属度值之差要大于某个门限。
具体门限值的确
定同②。
模糊信息融合故障诊断方法是将各传感器的影响权重引入集合论中的隶属函数中,利用融合隶属函数和模糊关系矩阵的概念来解决故障与征兆之间的不确定关系,进而实现故障的检测与诊断。
这种方法计算简单,应用方便,结论明确直观。
但在模糊故障诊断中,构造隶属函数是实现模糊故障诊断的前提,它是人为设计的,同时,在选择各传感器的影响权重时,也含有一定的主观因素。
如选择不当,必将影响诊断准确性。
三.神经网络信息融合方法
神经网络是仿效生物体信息处理系统获得柔性信息处理能力。
它是从微观上模拟人脑功能,是一种分布式的微观数值模型,神经元网络通过大量经验样本的学习,将专家知识和诊断实例以权值和阈值的形式分布在网络的内部,并且利用神经网络的信息保持性来完成不确定性推理。
更重要的是,神经网络有极强的自学习能力,对于新的故障模式和故障样本可以通过权值的改变进行学习﹑记忆和存储,进而在以后的运行中能够判断这些新的故障模式。
神经网络作为一种新的智能化问题求解模型,它为故障诊断系统的建造提供了一种新的框架。
1.神经网络模型
在神经网络模型中,其中最有代表意义的是BP神经网络模型,也可应用多层激励函数的量子神经网络模型进行融合。
它是由输入层﹑输出层和隐含层组成的前向连接模型,同层各神经元互不相连,相邻层的神经元通过权连接。
最典型的BP网络是三层前馈网络,即输入层,隐含层和输出层。
如图11-5所示,其中输入层对应于故障现象,输出层对应于故障原因,设输入层LA有m个节点,输出层LC有n个节点,隐含层LB的节点数目为u。
隐含层中的节点输出函数为:
(r=1,…,u)(11-11)
图11-5三层BP神经网络结构
输出层中节点的输出函数为
(j=1,…,n)(11-7)
上式中
采用S型函数即
,Wir为输入层ai到隐含层br间的连接权,Vrj为隐含层br到输出层cj间的连接权,Tr为隐含层的阈值,θj为输出层单元的阈值。
此神经网络的学习过程:
把神经网络学习时输出层出现的与事实不符的误差,归结为连接层中各节点的连接权及阈值的过错,通过把输出层节点的误差逐层向输入层逆向传播,以分给各连接节点,从而可算出各连接点的参考误差,并根据此对各连接权进行相应的调整,使网络达到适合要求的输出,实现训练模式对A(k)→C(j)的映射,(k=1,…,m;
j=1,…,n)。
神经网络信息融合,是将神经网络(如BP网)引入信息融合之中,同时结合模糊集合论进行故障判断。
其具体过程为:
通过多传感器测试被诊断对象,求出每一传感器对故障集中各类故障的隶属度值,将所有传感器的故障隶属度值矢量作为神经网络的输入,网络输出即为融合后该症状属于各类故障的隶属度值矢量,最后利用基于规则的判定原则进行故障决策,其融合诊断过程如图11-11所示。
其中A1,A2,…,An为待诊断的故障模式。
μj(A1)…μj(An)为传感器j测得的各故障模式A1,A2,…,An所得的隶属度值,μ(A1)…μ(An)为融合的隶属度值。
图11-6神经网络数据融合故障诊断
2.神经网络信息融合诊断步骤
①各传感器故障隶属度值确立
通过传感器测试待诊断对象的症状参数,经过一定的变换处理,得到各传感器所测症状属于各类故障的隶属度值.μj(A1)…μj(Ai)…μj(An);
图9-7中的μj(Ai)表示传感器j测得症状属于故障Ai的隶属度值,n为故障的类型总数。
②神经网络的训练
先用标准样本对神经网络进行训练,其样本由实验测定,训练时网络的输入端为各传感器测试出的各待诊断对象属于故障的隶属度,网络输出端为各待诊断对象已知的故障隶属度值。
网络的实际结构形式视实际问题而定。
③神经网络信息融合
对某一待诊断对象,将各传感器测试的故障隶属度矢量作为训练后网络的输入,输出即为融合后的故障隶属度矢量。
由此输出可以判断实际故障模式。
4.故障决策:
对网络融合后输出的各待诊断模式属于故障的隶属度值,在故障决策时,采用基于规则的方法,其基本原则有:
①判定的故障模式应具有最大的隶属度值。
②判定的故障模式的隶属度值要大于某一阈值。
此阈值过小,易出现故障误判现象,而此阈值过大时又易出现故障漏判。
一般来说此值至少要大于1/n(n为待诊断故障模式个数),阈值越大故障判断的准确性越高,只是取得过大时测试得到的故障隶属度值无法满足要求,因此必须针对实际被诊断设备,根据实际诊断结果准确率的统计数据来选择一大于1/n的适当数值。
③判定的目标模式和其它模式的隶属度值之差要大于某个门限。
此门限的取值类似于②。
1.问题的提出
图11-7为实验用待诊断电路原理图,此电路为一弱信号放大电路,其中的三个运放芯片OP07为待诊断元件,称为A1:
元件1,A2:
元件2,A3:
元件3。
取U1,U2,U3分别为元件1﹑2﹑3的电压测试点,以各元件断路(不供电)为故障形式。
用运多传感器模糊信息融合方法进行故障元件搜寻,并与单传感器诊断进行比较,从而通过这一简单电路的故障诊断说明多传感器信息融合在电路故障诊断中的有效性和优越性。
图11-7实验电路原理图
2.融合诊断原理
实验中所采用的多传感器信息融合结构框图如图11-8所示。
首先利用探针测出各待诊断元件关键点的电压信号,利用热像仪(Inframetrics1100)测试出电路板待诊断元件的工作温度信号,对每一传感器来讲,被测元件属于故障的可能性可分别用一组隶属度值来表示,这样会得到两组共六个隶属度值。
由于电路中前后元件的相互影响,同一传感器测得的不同元件的隶属度有的相互接近,如用一种传感器判别故障元件,往往会出现误判,解决的办法是:
应用模糊集合论对两组隶属度值进行融合处理,得到两传感器融合后各待诊断元件属于故障的隶属度值,再根据一定的判定准则进行故障元件的判定。
图11-8基于多传感器模糊信息融合的故障诊断框图
3.隶属度函数的形式
隶属度函数主要由传感器本身的工作特性及被测参数的特性而定,对电子电路系统某一特定元器件,当系统正常工作时,其关键点电压值应是稳定的,在环境温度一定时,其芯片温度值也是一稳定数值,当元器件出现故障时,一般地说其电压值会偏离正常范围,温度信号也会发生变化(无论是升高还是降低),偏差越大相对来说元器件出现故障的可能性会变大,为讨论方便,同时结合文献[7]的隶属度函数待定系数法及具体的实验结果,
图11-9隶属函数分布
定义隶属度函数μji(x)的分布如图11-9所示。
其表达式如下:
(11-8)
其中Xoij为电路工作正常时被测元件的标准参数值,
eij为待诊断元件参数的正常变化范围,即容差。
tij为待诊断元件参数的极限偏差,
为修正系数。
μji为传感器j测定被诊断元件i属于故障的隶属度,xj为传感受器j测定的实际数值。
在此,为处理问题的方便结合实际测试数据取电压传感器
=1,温度传感器
=10;
表11-1为按(11-17)式计算后的归一化的故障隶属度表格它是在人为设置A1﹑A2和A3故障(即分别使其不供电)的情况下,通过改变输入信号Ui1,Ui2得到的多组实验数据。
表11-1归一化故障隶属度
序号
故障
元件
电压故障隶属度
温度故障隶属度
μ´
(A1)μ´
(A2)μ´
(A3)
1
A1
0.41790.04770.5344
0.118420.211140.0554
2
A2
0.01810.114790.3340
0.00000.90040.09911
3
A3
0.01210.03490.9530
0.10750.09590.791111
4
0.47800.10770.4143
0.78120.10870.1101
5
0.013110.74250.2439
0.00000.89870.1013
11
0.011190.05410.9290
0.171100.08570.7383
7
0.34170.05970.59811
0.88800.11200.0000
8
0.01350.38130.11052
0.22340.119920.0774
9
0.02370.03080.9455
0.11520.09510.7897
10
0.45550.011070.4838
0.88400.111100.0000
0.00930.1151170.3340
0.14350.851150.0000
12
0.0111110.03120.9522
0.04330.25550.7012
13
0.49130.09210.411111
0.897110.10240.0000
14
0.00410.7311110.2593
0.11000.89000.0000
15
0.02370.10200.8743
0.00000.12170.8783
111
0.47800.14810.3739
0.49930.24950.2512
17
0.01110.75810.2308
0.19580.49880.3054
18
0.02830.13270.8390
0.38900.19940.41111
4.模糊信息融合
为了使用模糊信息融合方法得到电压温度信息融合后的结果,首先决定各传感器测试的特征值Xj(温度,电压)相对于各故障元件i(A1,A2,A3)的隶属度值μji,而μji可由前述(11-5)式结合具体实验结果而定,根据μji可得到关系矩阵R,并对其归一化处理,得到一个归一化的关系矩阵R′={μji′};
将各传感器(温度,电压)的可靠性系数用权函数W=(w1,w2)表示,其中0≤w1,w2≤1,w1+w2=1,具体数值可通过实验或经验而定,对本例从多次实验结果来看,温度传感器产生的不确定性小于电压传感器,取温度权值w1=0.7,电压权值w2=0.3。
按照模糊加权线性变换得:
(11-9)
Y中各元素即为温度电压两传感器融合后判定各故障元件隶属度值。
5.神经网络信息融合故障诊断
①神经网络模型
BP神经网络是一种被广泛应用的神经网络。
它是由输入层﹑输出层和隐含层组成的前向神经网络模型,同层各神经元互不相连,相邻层的神经元通过权连接。
其融合原理上节已经作过介绍。
在本实例中所采用的具体网络结构如图11-9所示。
图11-9三层BP神经网络结构
此处有2个传感器,3个被诊断元件。
故输入层有11个节点,输出层有3个节点,隐含层神经元数目取为10,其隐含层神经元数目选取是根据经验公式和多次实验结果比较得出的结论。
另外,BP网络融合时,选学习速率为:
0.01,期望误差为:
0.0001。
②神经网络训练样本
实验时先利用热像仪(Inframetrics1100)测试出电路板正常工作时,各待测元件的标准温度值,当电路板某元件出现故障后,一般说来元件的温度会发生变化(升高或降低),因此诊断时再测试出各元件的新的温度值,按前述的隶属度函数公式计算出待诊断元件属于故障的隶属度值,另外,可利用探针测出各元件关键点电压值,同样可计算出电压参量对各元件故障的隶属度值。
通过改变输入信号Ui1,Ui2可得多组数据,作为BP网络的训练样本。
训练样本的具体数据如表11-2所示。
表中输入部分左边三行为电压传感器的归一化隶属度值,右边三行为温度传感器的归一化隶属度值。
其输出部分中,0代表元件正常,1代表元件故障。
表11-2BP神经网络训练样本
输入
输出
电压
温度
A1A2A3
0.41790.04770.53440.118420.211140.0554
1,0,0
0.01810.114790.33