常用故障特征提取方法综述.docx
《常用故障特征提取方法综述.docx》由会员分享，可在线阅读，更多相关《常用故障特征提取方法综述.docx（12页珍藏版）》请在冰豆网上搜索。
常用故障特征提取方法综述
常用故障特征提取方法综述
摘要：
随着现代工业及科学技术的迅速发展，生产设备日趋大型化、集成化、高速化、自动化和智能化，设备在生产中的地位越来越重要，对设备的管理也提出了更高的要求，能否保证一些关键设备的正常运行，直接关系到一个行业发展的各个层面。
机械故障诊断的基本任务是监视机械设备的运行状态，诊断和判断机械设备的故障并提供有效的排故措施，指导设备管理和维修。
在机械故障诊断的发展过程中，人们发现最重要、最关键而且也是最困难的问题之一是故障信号的特征提取。
本文就故障诊断的两大类常用方式做了比较说明，并结合实例说明各类方法的优缺点，给读者在实际应用中提供了选择余地。
关键词：
故障诊断特征提取
1、故障特征提取方法研究的目的与意义
随着现代工业及科学技术的迅速发展，生产设备日趋大型化、集成化、高速化、自动化和智能化，设备在生产中的地位越来越重要，对设备的管理也提出了更高的要求，能否保证一些关键设备的正常运行，直接关系到一个行业发展的各个层面[1,2]。
现代化工业生产，一旦发生故障，损失将十分巨大，因此，为尽最大可能地避免事故的发生，机械设备状态监测与故障诊断技术近年来得到了极为广泛的重视，其应用所达到的深入程度十分令人鼓舞。
目前，机械设备状态监测与故障诊断已基本上形成了一门既有理论基础、又有实际应用背景的交叉性学科[1-3]。
机械故障诊断的基本任务是监视机械设备的运行状态，诊断和判断机械设备的故障并提供有效的排故措施，指导设备管理和维修。
机械故障诊断主要包括四个步骤[4,5]，即信号测取、特征提取、状态诊断和状态分析。
在机械故障诊断的发展过程中，人们发现最重要、最关键而且也是最困难的问题之一是故障信号的特征提取。
在某种意义上，特征提取可以说是当前机械故障诊断研究中的瓶颈问题，它直接关系到故障诊断的准确性和故障早期预报的可靠性[3,5]。
在实际应用中，故障与征兆之间往往并不存在简单的一一对应的关系，一种故障可能对应若多种征兆，反之一种征兆也可能由于多种故障所致，这些给故障特征提取带来了困难，为了从根本上解决特征提取这个关键问题，通常我们必须要借助信号处理，特别是现代信号处理的理论、方法和技术手段，从采集的原始数据中寻找出特征信息，提取特征值，从而保证有效、准确地进行故障诊断，也就是说，信号处理与故障诊断有着极为密切的联系，信号处理、特征提取是故障诊断中必不可少的一个重要环节[3]。
2、故障诊断技术的发展
设备状态监测与故障诊断是通过掌握设备过去和现在运行中在基本不拆卸的情况下的状态量，判断有关异常或故障的原因及预测对将来的影响，从而找出必要对策的技术。
它是一门综合性技术，涉及传感器及测试技术、电子学、信号处理、识别理论、计算机技术以及人工智能、专家系统等多门基础学科，是对这些基础理论的综合应用。
世界上最早开展设备故障诊断技术的国家是美国。
1961年开始执行阿波罗计划后，发生了一系列由设备故障酿成的悲剧，引起了美国军方和政府有关部门的重视。
1967年在美国宇航局和海军研究所的倡导和组织下、成立了美国机械故障预防小组（MFPG），开始有计划有组织地对诊断技术分专题进行研究。
此后很多学术机构如美国机械工程师学会（ASME），政府部门如国家标准局（NBS）以及一些高等院校和企业公司都参与或进行了与本行业有关的诊断技术研究。
在航空运输方面，美国在可靠性维修管理的基础上，大规模地对大型飞机进行状态监测，目前，美国的军用飞机都装备了功能强大的状态监测与故障诊断系统。
英国也于70年代初成立了机器保健与状态监测协会（MH&CMA），1982年曼彻斯特大学成立了沃福森工业维修公司，主要从事状态监测与故障诊断的研究工作和教育培训工作。
除此之外，在核电站、钢铁等行业也成立了相应的组织，开展这方面的研究工作[5]。
设备状态监测与故障诊断技术在欧洲其他国家的广泛性虽然不如英美，但都在某一方面具有特色或占有领先地位，如瑞典SPM仪器公司的轴承监测技术，丹麦B＆K公司的传感器制造技术等。
日本在70年代开始发展诊断技术，它的做法是密切注视世界各国动向，积极引进和消化最新技术，努力发展自己的诊断技术，日本的诊断技术在民用工业方面占有明显优势，如钢铁、铁路、化工等工业。
我国对设备状态监测与故障诊断技术的认识和发展也经历了与国外同样的过程，1979年以前，一些大专院校和科研单位结合教学和有关设备诊断技术的研究课题，逐渐开始进行机械设备状态监测与故障诊断技术的理论研究和小范围的工程实际应用研究，特别是随着30万吨合成氨等一批大型石化装置的引进，某些装置的机组频繁发生事故，促进了对这项技术研究的重视。
从1979年到1983年，设备状态监测与故障诊断技术从初步认识进入到初步实践阶段，以学习别国的先进技术和经验为主，对一些故障机理、诊断方法及简易监测诊断仪器进行研究和研制。
目前我国的设备状态监测与故障诊断技术水平与发达圈家的差距己大大缩短，在一些方面，如计算机监测与故障诊断的软件开发等，完全可以满足生产实际的需要，达到同期世界先进水平。
3、故障诊断技术的发展趋势
设备故障诊断技术发展到今天，己成为一门独立的跨学科的综合信息处理技术，它以可靠性理论、信息论、控制论和系统论为理论基础，以现代测试仪器和计算机为技术手段，结合各种诊断现象（系统、设备、机器、装置、工程结构、工艺过程等）的特殊规律而逐步形成的一门新兴学科。
它大体上由三部分组成：
第一部分为故障诊断物理、
化学过程的研究，例如以电器、机械部件失效的腐蚀、儒变、疲劳、氧化、断裂、磨损等理化原因的研究：
第二部分为故障诊断信息学的研究，它主要研究故障信号的采集、选择、处理与分析过程。
例如通过传感器采集设备运行中的信号（如振动、转速），再经过时域与频域上的分析处理来识别评价所处的状态或故障：
第三部分为诊断逻辑与数学原理方面的研究，主要是通过逻辑方法、模型方法、推论方法和人工智能方法，根据可观测的设备故障表征来确定下一步的检测部位，最终分析判断故障发生的部位和产生故障的原因[2,3]。
故障诊断技术可简单地划分为传统的诊断方法、数学诊断方法以及智能诊断方法。
传统的诊断方法包括：
振动监测技术、油液分析技术、噪声监测技术、红外测温技术、声发射技术以及无损检测技术等；数学诊断方法包括：
基于贝叶斯决策判据以及基于线性和非线性判别函数的模式识别方法、基于概率统计的时序模型诊断方法、基于距离判据的故障诊断方法、模糊诊断原理、灰色系统诊断方法、故障树分析法、小波分析法以及混沌分析法与分形几何法等；智能诊断方法包括：
模糊逻辑、专家系统、神经网络、进化计算方法（如遗传算法）等。
设备故障诊断技术与当代前沿科学的融合是设备故障诊断技术的发展方向。
当今故障诊断技术的发展趋势是传感器的精密化、多维化，诊断理论、诊断模型的多元化，诊断技术的智能化，具体来说表现在如下方面[4-6]：
（1）与当代最新传感器技术尤其是激光测试技术的融合。
近年来，激光技术己从军事、医疗、机械加工等领域深入发展到振动测量和设备故障诊断中，并且已经成功应用于测振和旋转机械对中等方面
（2）与最新信号处理方法相融合。
随着新的信号处理方法在设备故障诊断领域中的应用，传统的基于快速傅立叶变换的机械设备信号分析技术有了新的突破性进展。
（3）与非线性原理和方法的融合。
机械设备在发生故障时，其行为往往表现为非线性。
如旋转机械的转子在不平衡外力的作用下表现出的非线性特征。
随着混沌与分形几何方法的同趋完善，这一类诊断问题必将得到进一步解决。
（4）与多元传感器信息的融合。
现代化的大生产要求对设备进行全方位、多角度的监测与维护，以便对设备的运行状态有整体的、全面的了解。
因此，在进行设备故障诊断时，可采用多个传感器同时对设备的各个位置进行监测，然后按照一定的方法对这些信息进行处理，如人工神经网络方法。
（5）与现代智能方法的融合。
现代智能方法包括专家系统、模糊逻辑、神经网络、进化计算等。
现代智能方法在设备故障诊断技术中已得到广泛的应用。
随着智能技术的不断发展，设备状态的智能监测和设备故障的智能诊断，将是故障诊断技术的最终目标。
4、故障特征值提取技术综述
机械设备运行时会产生振动，一般还会伴随噪声，由于振动或噪声中带有大量的机械设备运行状态信息，同时，振动或噪声信息十分便于测量获取，因此利用振动或噪声信号对机械设备进行状态监测和故障诊断是最常用、往往也是最有效的方法，是开展故障诊断的一种重要技术手段[6-7]。
事实上，据统计资料分析，在机械设备的各类故障中，由于振动原因而引起的占60％以上。
对信号进行有效的分析、处理来提取故障特征信息，是对设备运行状态进行合理估计和分类的关键。
可以说机械故障诊断技术的每一项进展都与信号处理手段的发展密切相关。
振动信号分析是故障诊断领域最活跃的一个分支，振动信号的分析处理技术在信息提取、结构性能测试、状态监测与故障诊断等技术中应用得越来越广泛，成为工程实践中不可缺少的一种手段。
在故障诊断的实际应用中，信号分析与处理的目的就是去伪存真，提取与设备运行状态有关的特征信息，通过各种分析手段使其凸现出来，从而提高状态识别与故障诊断的准确率。
下面主要就基于振动信号分析的常用特征提取技术进行描述。
5、常用信号特征值提取技术
故障特征提取有很多种方法，从涉及的数据类型上讲可分为两大类：
一类综合考虑变量与模式之间的关系，采用变量对模式的不同响应（如灵敏度）进行分类，如基于互信息熵的方法、神经网络方法等；另一类只考虑变量之间的相互关系，比较每个或每组描述故障模式的变量对分类的贡献大小，选取贡献大的变量，删除贡献小的变量，根据特征变量之间的信息选择合适的特征，典型的方法如主分量分析[8]。
工业生产中常监测机械设备的振动等频谱信息，国内外专家学者针对该类数据提出了诸如小波包、匹配跟踪等特征提取算法。
故障诊断中常用的信号处理方法分为两大类：
时域分析和频域分析。
时域分析常常是直接利用振动时域信号进行分析并给出结果，是最简单而且最直接的方法，特别是当信号中明显含有简谐成分、周期成分或瞬时脉冲成分更为有效。
时域分析主要包括概率分析法、时域同步平均法、相关函数诊断法以及提取时域波形的特征量、振动幅值，振动周期与频率、相位及其它指标：
偏度、峭度、峰态因数、波形因数、脉冲因数、峰值因数及裕度因数。
频域分析则是以傅立叶分析为基础，包括频谱分析、倒频谱分析、包络分析。
频谱分析通常能够提供比时域波形更加直观的特征信息，频谱分析的结果还可用于趋势估计；倒频谱分析是将频谱分析的结果再次利用FFT技术转换到一个新的分析域中，倒频谱具有检测和分离频谱中周期性成分的能力，会使原来谱图上成族的边频谱线简化为倒频谱上的单根谱线，从而使频谱中的复杂周期成分变得清晰易辨，以利于故障诊断；包络分析是提取附在高频信号上的低频信号，从时域上看，为取时域波形的包络轨迹。
6、实际应用举例
6.1基于变量间信息的特征提取方法
6.1.1主分量分析法
主分量分析法又称KL变换法，于1990年由TurkM和Pentland.A提出[9-10]，最初应用于人脸识别，是人脸识别的基本方法。
该方法亦广泛应用于故障检测数据处理，是常用的特征提取方法之一。
设某设备状态的检测数据x由m组n个特征参数描述。
将其进行标准化处理：
根据矩阵论，可知C矩阵的特征值表征对应变量的数据方差大小。
主分量分析法提取故障特征的依据是各特征量的方差对总体方差的贡献率大小。
首先，根据矩阵特征求解法求得它的特征值，并按从小到大的顺序排列：
（
是
的特征值）。
然后求特征值
的贡献率
它反映了{Y}中第i个特征
对整体方差的贡献率。
从
中选取d（d。
选取这d个特征值对应的参数变量，它们在降维后的空间中的数据即为主分量，从而实现特征提取的目的。
主分量分析法易于理解，编程方便，应用广泛。
6.1.2独立变量分析法
对n个统计独立的源信号，
s（k）=[
（k）,
（k）…
（k）
经过信道的传输，在m个传感器上得到观测数据向量
x（k）=[
（k）,
（k）…
（k）
，
通过对观测数据x（k）的一系列运算，获得源信号的估计y（k）=
…
]。
定义两个函数f（z）和g（z）来描述相应的混合过程和分离过程，即:
x（k）=f（s（k））,y（k）=g（x（k））。
这里没有考虑（实际也可以忽略）噪声的影响。
最终的目的是找到合适的分离函数g（z）,使得估计的输出是源信号的一些简单的线性变化[11]。
依照混合函数f（z）的不同形式，可把分离问题分为三类:
1）瞬时混合:
f（s（k））=As（k），其中A是m（x）维的混合矩阵;
2）卷积混合:
f（s（k））=A*s（k）;
3）时延混合:
f（z）中含有延迟环节。
这三种模型在实际应用中都存在对应的应用实例，一般我们只讨论第一种最常用的模型—线性瞬时混合模型。
其表达式为:
（k）.
用矩阵形式表示为:
x（k）=As（k）
从独立分量分析法提取故障特征优化计算的角度出发，在实际应用过程中，可以选择不同的判据，亦可以在式中引入核函数提取非线性故障特征。
如：
在
文献[12]中，作者用健康齿轮做测试直到齿轮破坏，记录下这个过程中振动、声学、油中颗粒信号，进行了时域、频域的一系列分析，最后对特征值进行融合，力求得出诊断结果。
文章开头给出了11种时域特征值与13种频域特征值的计算公式，然后对三种信号全部进行时域、频域分析（其中包括小波分析）。
最后选出几种效果比较好的方法——文中结果给出了四种频域、时域分析效果较好的特征值。
然后将三种信号的分析结果放到一张图上进行对比观察。
最后对多种数据进行融合，先用各种信号特征值组成一个矩阵，利用PCA（principalcomponentsanalysis）取出数据间联系降低维数，然后利用ICA（independentcomponentsanalysis）进行独立特征值提取。
最后引入“Heuristicthresholds”跟特征值比较得出故障与否结论。
超过阈值即为故障，在阈值以下则认为处于正常状态。
PCA其实就是ICA前身。
在此文中得到较好的应用。
6.2基于变量与模式间信息的特征提取方法
特征与模式之间的响应互不相同，如果某一特征对所有的模式响应都比较大，则其可以作为主特征量，根据一定的原则将这些特征量选择出来，组成新的数据组，进行数据降维，完成特征提取。
该类方法主要有基于神经网络技术的特征选择、基于互信息熵等技术的特征选择方法等。
6.2.1基于神经网络技术的特征提取方法
人工神经网络是人工智能领域的一项重大技术，于20世纪40年代提出。
近年来神经网络的应用日益广泛。
鉴于神经网络具有输入输出自适应性，不少学者提出采用神经网络技术进行故障特征提取。
如文献[13]采用回归神经网络处理化学过程中的数据；文献[14]采用BP神经网络对时域内故障振动信号的方差、峭度、偏斜度等参数进行特征提取，都获得了良好的效果。
采用神经网络技术故障特征实质上是一种优化计算方法。
它可以根据一定的判据进行特征选择，也可以考虑每个变量对输出模式的响应，选取与输出模式关系较近的变量作为故障特征。
实际应用如下：
文献[15]中,作者指出行星轮因其传动比大、负载能力强、传动效率高被广泛应用，但因为工作条件恶劣易损伤，但研究行星轮的人较少。
文章列举了一些前人工作（提到的特征值有SI（sidebandindex）、SIF（sidebandlevelfactor）等）指出其仅是基于单传感器的缺陷，然后提出自己的多传感器数据融合方式。
作者利用多传感器测得行星轮在五中（正常、有裂纹、有凹陷、缺块、缺齿）状态下信号，对过滤后的信号提取FRMS（幅值均方值）、NSDS（测量信号与健康信号频谱差异幅值和的正则化，这个特征值可以有效减少甚至消除操作环境引起的误差），最后用ANFIS（神经元模糊网络控制）融合各传感器得出数据的特征值。
然后作者搭建了试验台记录五种条件下的数据值，分别计算出每个传感器记录数据的特征值，然后用ANFIS进行融合后与单传感器得出特征值进行比较，得出了多传感器数据融合结果更准确、更可靠的结论。
神经网络技术在此文中得到了较好的应用。
文献[16]中，提出了一种全新的系统结构，可以将多信号处理技术得出的结果进行融合强化最终帮助操作者进行傻瓜式决策。
作者拥有某风场两年的数据记录，这些数据是利用SCADA（turbinesupervisorycontrolanddataacquisition）器数据融合装置，将多种数据结果融合获得结果供生产者适用，但是其得出的数据结果比较繁琐，需要操作者有一定的数据分析能力，因此作者才有所改进，帮助操作者进行傻瓜式决策）系统测试记录的。
诊断的整体思路没有变化：
利用正常运行数据建立风机正常运行模型，了解信号的发生及产生变化的影响因素，然后测试这些因素值的正确性（除掉该因素结果），通过正常模型得输出，要是与预期输出有显著差异，就是有故障。
（1）文章在建立正常模型的时候使用了NNS（multilayerneuralnetworks），因为它有能力找出输入输出的复杂非线性关系。
作者给模型提供了大量实例，利用NNS找出输入输出关系，这个时候引入“weight”，再次对系统输进输入值，得出输出值与实际输出值比较，有差异则“weight”值就比较大，就利用backpropagationalgorithm算法（因为此算法适合模式匹配及预测目的）进行调整知道“weight”值不发生变化或者在允许范围内变化为止（文章计算1000次）。
文章在建立模型时候适用了SCADA系统采集到的十种因素里的两种（轴承、润滑油温度）以建立他想检测的过热故障模型，此处还综合考虑了其他因素，如风扇、箱体温度等，以综合考虑对结果可能的影响。
建模后用实际数据检测发现对于故障的预测结果与实际还是很吻合的（关键在于可以提前很长时间——文中显示结果是六个月预测故障），然后再逐一减去前文考虑的因素，看效果，证明了所有因素都是有用的。
文献[13]中，
（2）当然作者建立的仅仅是一个过热故障模型，为了给操作者提供更多的帮助作者利用MAS（multi-agentsystem）提供的框架建立了一个多数据源数据融合平台，可以融合多中测试手段得出的结果以供操作者分析。
多传感器数据源融合的结果是预测时间得以提前，预测故障可靠性有所提高。
6.2.2基于模糊理论的故障特征值提取办法
1965年，美国科学家LA．Zadeh提出了“模糊”的概念，为描述客观世界引入了新的方法。
模糊理论对客观世界进行模糊度量，从相似性角度出发，研究客观世界。
基于模糊理论的故障特征提取[17]主要依赖于隶属函数的建立：
首先建立各变量之间的隶属函数及各变量与模式之间的隶属函数，然后综合考虑这两种隶属函数，确定模式与变量之间的隶属关系，从而选取部分不相似的变量描述模式的隶属函数。
这些变量即可作为主要故障特征。
从理论上讲，基于模糊理论的故障特征提取方法简单明了，易于理解。
但隶属函数的建立尚没有统一的方法或明确的理论，学者根据自己的理解建立隶属函数，解决特定的问题。
实际应用如下例所示：
文献[18]中，首先作者假设：
（1）每次进针对发动机的一个部件
（2）每次仅发生一个故障。
然后针对汽轮机气流管道的各种失效模型建立了一个模糊逻辑控制系统以达到对故障做出诊断的目的。
此文与前人工作不同之处在于分析时候将测量噪声也纳入考虑范围内且将各种故障进行独立量化。
在建立模糊控制系统时，以压力容器的功率变化量、流量变化量作为输出，以传感器测量到的个点压力值作为输入量；建立模糊法则时候用故障状态参数作为输入使其通过汽轮机行为模型，得出变量之间的内在关系，进一步得到模糊法则。
最后给给出了两组数据以验证系统的有效性、精确度；提出了一个误差计算公式，计算后误差在7.5%以内，满足要求。
实验数据以及验证用的数据都是用“turbomatch”这款软件运行产生的。
模糊法则在此文中作用也是尤为关键的。
文献[19]中，作者以DWT为工具对信号进行预处理-正则化，方便我们后续进行不同特征值比较。
进而用DWT处理，得特征值矩阵用来分析故障类型。
文章里作者给出了六个特征值，分别对应不同故障。
而且根据计算结果得到的统计图可以从中轻易找到判别阈值。
最后引入矩阵距离以及相关函数来精确判断故障。
但是作者认为当状态更为复杂时候采取这些方法的效果可能都不好，因此最后介绍了用ANFIS来进行故障分类的方法。
输入为6个特征值，输出就是故障决策结果。
而在最后复杂系统故障准确分类中就应用了ANFIS自适应神经元网络模糊控制系统，说明了模糊控制系统较其他方法在特征值提取、故障诊断方面是具有其特定的优越性的。
文献[20]中，文章构建了一个风机故障诊断、故障定性及如何根据实际状况进行预测式维修计划制定的流程框架，并结合风机具体实例对每部分结构的可行性及可靠性进行了证明，得出了该系统具有实用性、可靠性的结论。
SIMAP（intelligentsystemforpredictivemaintenance）,利用风机自带传感器收集的信号对风机运行状态进行准确评估并给出维修的合理时间以及最经济、最有效的维修方法。
整体流程是：
利用模糊控制理论对对传感器数据进行分析，建立风机正常运行模型以预估其实时运行状态；将实时运行状态预估值与观测值并行通过异常诊断模型及状态检测模型，异常诊断模型是用来检测是否有异常征兆，状态检测模型是想评估风机健康状况，当多个异常被发现后就利用专家系统来诊断其诱因。
根据异常情况及诱因，预测诊断模型开始规划维修方案，当维修结束后利用维修经济评估模型评估维修的经济型、有效性。
整个过程中，正常运行模型的建立与其他方式相同，都是通过模糊理论得出输入与输出变量之间线性（非线性）关系，通过预估值与实际值差异不断修改模型最终得出理想模型。
当实时运行状态的检测值与预测值有较大误差可认为有异常发生。
状态评估值主要利用以往的实效实例建立故障模型库，再将现有状况与以往实效模型对比，包括工作环境、恶化程度等。
找到相匹配的例子并确定匹配度，确定目前部件状态——处于故障的哪个阶段，还有多长时间会完全失效。
作者认为通过这种匹配实例及匹配度的寻找我们甚至可以准确说出剩余工作时间。
然后给出在哪个时间去进行维修、采用哪种维修方式（是换部件还是简单维修）比较经济，最后对维修结果进行评估。
在结合实例分析中，结果证实各个环节确实达到了作者想要的目的。
此文在数据的分析、特征值的提取上也是应用了模糊控制系统，最后也得到了较为理想的结果。
文献[21]中，针对对象是行星齿轮，实验状况有三种（转速、负载大小不同），以分别对健康齿、故障齿进行检测。
分别利用SCADA与CM系统收集振动、润滑油中颗粒数结果，并将两者结合，因为SCADA数据不够细致不能分辨出故障位置且数据为平均值，将两系统结合以达到：
1）提高精确度及可靠性；2）适用CM的专家系统帮助决策。
测试振动信号时候普遍选用TSA（timesynchronousaveraged）类数据，可以减少信号中扰动。
但是该文章中因为时域的速度数据不是很稳定，就选择了在频域寻找数据，选用了SI（齿轮啮合频率一阶边频幅值的平均，文中有更详细定义）作为特征值。
阈值为健康齿轮SI上限与损坏齿轮下限的平均值，超过了平均值则有很大可能发生故障，在下方则为健康。
（但这个阈值对一个传感器数据应用完全正确，但是针对另外一个传感器数据则显示下限与上限有重合，因此阈值选择就有问题，所以要寻找一个更好的CI来进行更好的测试与判断。
）在润滑油中颗粒数记录时，注意要让试验时间比振动信号收集时间长，因为在实验初始及结束的一段时间里，油颗粒传感器在工作，但振动只有平稳了才采集，针对齿轮破坏的时间测试到的数目大小来定义这个阈值。
最后涉及到融合问题，因为两种信号特性不同因此为.“decision-level”融合问题，文章末尾介绍
升级会员 