多传感器数据融合在结构健康监测中的应用.doc
《多传感器数据融合在结构健康监测中的应用.doc》由会员分享,可在线阅读,更多相关《多传感器数据融合在结构健康监测中的应用.doc(9页珍藏版)》请在冰豆网上搜索。
![多传感器数据融合在结构健康监测中的应用.doc](https://file1.bdocx.com/fileroot1/2022-10/29/126bd798-a5f0-47e9-a558-56027e04bf9c/126bd798-a5f0-47e9-a558-56027e04bf9c1.gif)
多传感器数据融合在结构健康监测中的应用
Aaa
摘要:
随着我国经济的高速发展和科学技术的进步,许多大型复杂结构都安装了长期健康监测系统。
然而,大型结构具有较多的结构冗余度和环境荷载的不确定性;此外,来自监测系统的海量数据也包含大量的噪声和不确定性。
因此,如何合理有效地处理这些来自结构和健康监测系统的海量不确定测量数据与信息,进而对结构的健康状况进行评价成为国内外同行关注的热点和难点。
基于此,本文从从多传感器数据融合的概念、基本原理出发,探讨了数据融合技术在结构健康监测与诊断中应用的可行性,重点研究了基于人工智能和Kalman滤波的数据融合技术在结构健康监测及诊断中的应用方法,并由此说明了基于多传感器数据融合的健康监测与诊断是可行的、有效的。
关键词:
结构健康监测;数据融合;特征提取;神经网络
Abstract:
Withtheprogressofourcountryeconomyandtherapiddevelopmentofscienceandtechnology,manylargecomplicatedstructuresareinstalledlong-termhealthmonitoringsystem.However,thelargestructurehasmorestructuralredundancyandenvironmentalload’suncertainty;inaddition,massivedatafromthemonitoringsystemalsocontainsalotofnoiseanduncertainty.Therefore,howtoreasonablyandeffectivelyhandleaamountofuncertaindataandinformationfrommassivestructureandhealthmonitoringsystemsothatmakeevaluationonthestructuralhealththathasbeenahotanddifficulttopicinthedomesticandforeigncounterparts.Basedonthis,fromtheconceptandthebasicprincipleofmulti-sensordatafusion,thispaperdiscussedthefeasibilityofthedatafusiontechnologywhichisappliedinstructuralhealthmonitoringanddiagnosis,focusedontheapplicationmethodofdatafusiontechnologybasedonartificialintelligenceandKalmanfilterinstructurehealthmonitoringanddiagnosis,andthisexplainedthehealthmonitoringanddiagnosisbasedonmulti-sensordatafusionisfeasibleandeffective.
Keywords:
structurehealthmonitoring;datefusion;featureextraction;neuralnetwork
0引言
随着科技进步和社会发展,地球上的超大型、复杂建筑越来越多,而这些工程中,由于种种隐患的存在,不可避免地导致不同形式的结构和系统的损伤积累和抗力衰减,从而抵抗自然灾害、甚至正常环境作用的能力下降,极端情况下引发灾难性的突发事故。
为了保障建筑物结构的安全性、完整性、适用性与耐久性,已建成使用的许多重大工程结构和基础设施急需采用有效的手段监测和评定其安全状况、修复和控制损伤。
如果能够在灾难到来之前对其进行健康监测、诊断、安全评估及灾难预警,以趋利避害,将有助于从根本上消除隐患、避免灾害事故的发生。
因此,对工程结构进行健康监测与诊断,成为当前国际社会重点研究的课题,具有重要的理论意义和实用价值[1-5]。
结构健康监测与诊断技术经历了三个发展阶段:
第一阶段是以领域专家的经验为基础的经验诊断技术,对诊断信息只能作简单的数据处理;第二阶段是以传感器技术和动态测试技术为手段,以信号处理和建模处理为基础的现代诊断技术;第三发展阶段是以知识处理为核心,数据处理、信号处理与知识处理相融合的大型结构智能诊断技术阶段。
目前许多大型结构(如桥梁)的健康监测系统,往往只在结构关键部位或子结构系统进行监测和诊断,造成监测设备的重复设置、各监测信号之间难以形成有效的耦合,即使采用集散式(分布式)监测诊断系统也往往由于大量传感器的使用而无法有效合理地利用该多源不确定性信息,使提高确诊率仍然面临许多重大挑战。
近年来,不断发展起来的多传感器数据融合技术以其强大的时空覆盖能力和对多源不确定性信息的综合处理能力,可以有效地进行结构系统的监测和诊断。
笔者从多传感器数据融合的概念、基本原理、基于多传感器数据融合的健康监测与诊断方法及其应用等方面进行了研究。
1多传感器数据融合的基本原理
1.1基本概念
多传感器数据融合[6]一词出现在20世纪70年代,并于20世纪80年代发展成一项专门技术,它是人类模仿自身信息处理能力的结果。
多传感器数据融合又称信息融合,即充分利用不同时间与空间的多传感器信息资源,采用计算机技术对按时序获得的多传感器信息,在一定准则下加以自动分析、综合和使用,获得被测对象的一致性解释或描述,以完成所需的决策和估计任务,使系统获得更优越的性能。
数据融合的目的是通过信息组合,推导出更多的信息,得到更佳协同作用的结果。
即利用多个传感器共同或联合操作的优势,提高传感器系统的有效性,消除单个或少量传感器的局限性。
多传感器系统是信息融合的硬件基础,多源信息是信息融合的加工对象,协调优化和综合处理则是信息融合的核心。
作为一种数据综合和处理技术,数据融合实际上是许多传统学科和新技术的集成和应用,涉及模式识别、决策论、不确定性推理、估计理论、最优化技术等,它最早只是局限于军事应用方面的研究[7],指令控制和通信一体化系统率先采用多传感器数据融合技术来采集和处理战场信息并获得成功[8]。
而随着工业系统的复杂化和智能化,数据融合近三十多年来取得了迅速发展。
如今世界各国都有学者和技术人员在开展数据融合技术的研究,这一领域的研究内容和成果已大量出现在各种学术会议和公开的学术期刊上[9]。
近几年,我国对数据融合方面的研究也日益重视,国家自然科学基金和“863”计划已将其列入重点支持项目。
各大学、研究机构都在进行学术与工程应用的研究,并做了大量的基础研究工作[10]。
1.2基本原理
多传感器数据融合就像人脑综合处理信息一样,其基本原理就是充分利用多传感器资源,通过对这些传感器及观测信息的合理支配和使用,把多传感器在空间或时间上的冗余或互补信息依据某种准则进行组合,以获得被测对象的一致性解释或描述。
在多传感器数据融合系统中,各种传感器的数据可以具有不同的特征,可能是实时的或非实时的、模糊的或确定的、互相支持的或互补的,也可能是互相矛盾或竞争的。
它与单传感器数据处理或低层次的多传感器数据处理方式相比,能更有效地利用多传感器资源。
单传感器数据处理或低层次的多传感器数据处理只是人脑信息处理的一种低水平模仿,不能像多传感器数据融合系统那样,可以更大程度地获得被测目标和环境的信息。
1.3结构模型
多传感器数据融合根据不同的分类标准有很多种分类方法,其中,根据融合中心所处理的信息层次和信息的来源可将信息融合系统分为分布式结构、集中式结构和混合式结构。
多传感器集中式数据融合结构从所有传感器平台获得数据,并在融合中心处理这些数据。
多传感器分布式数据融合系统中,每个分散的传感器都具有决策能力。
它将局部决策代替原始数据传递到融合中心。
根据各个局部决策的数据,并考虑各个传感器的置信度,然后在一定的准则下进行分析综合,作出最后决策。
混合式处理是上述两种形式的组合。
总的来说,集中式融合处理的精度高,算法修改容易,缺点是对处理器要求高,可靠性低,需处理的数据量大,难于实现:
分布式融合处理对通信带宽需求低,计算速度快,可靠性好,但跟踪精度不如集中式高;而馄合式融合处理正是根据特定的实际需要,在速度、带宽、跟踪精度和可靠性等相互影响的各种制约因素之间取得平衡。
1.4数据融合层次及融合方法
根据数据(信息)在不同的信息层次上出现,数据融合分为数据层(象素层)、特征层和决策层(证据层)融合,其中决策层融合为高层数据融合,其它为低层数据融合。
表1对其所属层次、主要特点、方法及应用进行了总结归纳。
表1不同的信息层次上的数据融合分类
类型
数据级融合
特征级融合
决策级融合
所属层次
最低层次
中间层次
高层次
主要优点
原始信息丰富,并能提供另外2个融合层次所不能提供的详细信息,精度最高[9,12]。
实现了对原始数据的压缩,减少了大量干扰数据,易实现实时处理,并具有较高的精确[9,13]。
所需要的通信量小,传输带宽低,容错能力比较强[11],可以应用于异质传感器[13,14]。
主要缺点
所要处理的传感器数据量巨大,处理代价高,耗时长,实时性差[9];原始数据易受噪声污染,需融合系统具有较好的容错能力[13]。
在融合前必须先对特征进行相关处理,把特征向量分类成有意义的组合[11]。
判决精度降低,误判决率升高,同时,数据处理的代价比较[11,13]。
主要方法
HIS变换,PCA变换,小波变换及加权平均等[9]。
聚类分析法,贝叶斯估计法,信息熵法,加权平均法[10],D-S证据推理法,表决法及神经网络法等[9]。
贝叶斯估计法、专家系统、神经网络法、模糊集理论、可靠性理论以及逻辑模板法[9,14]。
主要应用
多源图像复合、图像分析和理解[11]。
主要用于多传感器目标跟踪领域,融合系统主要实现参数相关和状态向量估计[11]。
其结果可为指挥控制与决策提供依据[11]。
数据融合过程主要包括多传感器(信号获取)、数据预处理、融合中心(特征提取、融合计算)和结果输出等环节,其流程图见图1。
图1数据融合过程流程图
从图1可以看出,数据融合技术的硬件基础是传感器(系统),加工对象是多源数据(信息),核心是融合计算。
融合计算的前提是必须拥有准确可靠的结构特征信息,而它来源于多传感器的原始数据(信息)。
对传感器获得的原始数据进行变换、去伪存真、消除冗余信息的过程称为特征提取过程。
特征提取是数据融合计算的前提,结构特征信息的提取是当前健康诊断研究中的瓶颈问题,它直接关系到健康诊断和信息融合的准确率和损伤监测与预报的可靠性。
因此对传感器获得的原始数据进行特征提取非常重要。
目标特征指的是目标的几何方位、尺寸与形状、图像纹理与材质、基于时域、频域或小波分析的特征信号等。
经常采用的特征提取方法有:
对各种信号采用滤波、谱分析;对遥感图像采用主组分分析、小波分析等;对红外目标的图像特征提取采用基于小波变换得到的目标轮廓特征、基于分形学的目标纹理特征等[15-19]。
基于小波变换的图像数据融合方法[19]即在图像分解的高频域内,选择多源图像绝对值较大的系数作为重要小波系数;在低频域内、新的逼近系数通过对多源图像的逼近系数进行加权平均得到,然后利用重要小波系数和加权逼近系数进行小波反变换,得到融合之后的图像。
融合计算是数据融合技术的核心,主要融合计算方法及其特点