信息融合技术

数据融合技术摘要:基于数据融合的故障诊断方法。首先简要阐述数据融合的基本概念以及数据融合与故障诊断的关系；然后介绍贝叶斯定理融合故障诊断、模糊融合故障诊断、证据理论融合故障诊断的诊断原理与步骤，并分析其特点和局限性；最后给出了信息融合故障诊断研究的若干发展方向。关键词:故障诊断；模糊融合；证据理论1引言所谓多传感器信息融合(Mult-isensorInformationFusion，MSIF)，就是利用计算机技术将来自多传感器或多源的信息和数据，在一定准则下加以自动分析和综合，以完成所需要的决策和估计而进行的信息处理过程。目前，信息融合技术在军事领域已得到了广泛的应用。近几年，人们又将信息融合技术应用于故障诊断领域。由于设备本身的复杂性和运行环境的不稳定性，单传感器反映的设备信息具有不确定性。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，这是由信息融合所具有的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，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。这使得多传感器信息融合在解决故障诊断不确定性问题时具有独特的优越性。目前，故障诊断的信息融合方法按其融合算法的不同，主要可分为以下几种:贝叶斯定理信息融合故障诊断方法；模糊信息融合故障诊断方法；DS证据理论信息融合故障诊断方法等。2贝叶斯信息融合故障诊断贝叶斯定理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，从而进行故障分类。2.1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作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。对于故障样本X(由多传感器对被诊断对象测试而得到)，P(X/wi)表示输入模式为i类故障的条件概率密度函数，i=1，2…n。2.2后验概率后验概率式中:X=[x1，x2，，，xn]为输入样本；P(wi/X)称为已知样本条件下wi出现的概率，称为后验概率。2.3故障判定根据极大后验概率判定逻辑，当P(wi/X)=max{P(wi/X)}时，X∈wi，即X属于故障模式wi。Bayes推理存在以下主要不足:1)先验概率定义困难；2)需要相对应且互不相容的假设；3)缺少分配总的不确定性的能力；4)使用贝叶斯理论需已知故障发生的先验概率，而这一点在实际故障诊断中较难做到，因而限制了它在故障诊断中的应用。3模糊信息融合故障诊断3.1模糊变换模糊集的基本思想是将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的只能取0和1扩充到取[0，1]区间中的任一数值，因此很适合于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，模糊集理论首先用隶属函数表示各传感器信息的不确定性；然后利用模糊变换进行数据处理。融合诊断过程如图1所示。A为故障诊断系统可能决策的集合，例如被诊断的设备故障集合；B为传感器的集合。A与B的关系矩阵RA*B中的元素Lij表示由传感器i推断决策为j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。具体而言，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(即n个故障模式)，则A={y1/决策1…yn/决策n}。(2)B={x1/传感器1…xm/传感器m}。(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i对待诊断系统的结果为[Li1/决策1…Lij/决策j，Lin/决策n]，(4)即认为结果为决策j的可能性为Lij，记为向量[Li1，Li2…Lin]，0[Lij[1。m个传感器构成A*B的关系矩阵为将各传感器判断的可信度用B上的隶属度X={x1/传感器1…xm/传感器m}表示，则由Y=X*RA*B进行模糊变换，便可得到融合后的诊断结果Y=(y1，y2…yn)，即融合后的各故障决策的可能性集合。3.2目标模式判定规则故障模式决策的基本原则如下:1)故障模式应具有最大隶属度值；2)故障模式的隶属度值要大于某一阈值，具体数值要视实际问题而定；3)故障模式与其他模式的隶属度值之差要大于某个门限。模糊信息融合故障诊断方法计算简单、应用方便、结论明确直观。但在模糊融合故障诊断中，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，如果选择不当，必将影响诊断的准确性。4DS推理信息融合故障诊断4.1基本思想和诊断步骤DS证据理论是针对事件发生后的结果(证据)，探求事件发生的主要原因(假设)使用DS方法融合多传感器数据的基本思想是:首先对来自多个传感器和信息源的数据和信息(即证据)进行预处理；然后计算各个证据的基本可信度分配值；再根据Dempster合成规则计算所有证据联合作用下的基本可信度分配值；最后按照一定的判决规则选择可信度最大的假设作为融合结果。对于具有主观不确定性判断的多属性诊断问题，DS证据理论是一个融合主观不确定性信息的有效手段。故障诊断融合过程如图2所示，图中mj(A1)，mj(A2)…mj(An)表示传感器j测得的症状属于故障A1，A2…An的信度函数；m(A1)，m(A2)…m(An)是传感器融合后分配到各故障模式A1，A2…An上的信度函数值。4.1.1各传感器信度函数确定通过测试被诊断对象的症状参数，经过一定的数据变换(如小波变换、概率统计、隶属函数、粗糙集理论和层次假设空间等[1，19，20])，得到各传感器测得的症状属于各类故障的信度函数mj(A1)，mj(A2)…mj(An)，信度函数mj(Ai)表示传感器j测得的属于故障模式Ai的信度函数。4.1.2DS组合规则根据DS联合规则，设m1和m2分别对应同一识别框架(上的信度函数分配，焦元分别为A1，A2…Ak和B1，B2…Bk，设则函数m:2(y[0，1]是联合后的信度函数分配，可由下式定义:其中是包含完全冲突假设Ai和Bj的所有信度函数乘积之和；A是指假设的目标模式Ai与Bj布尔组合的一个综合命题，A的信度函数值m(A)是包含不冲突假设Ai和Bj的所有信度函数乘积之和。故障判定原则如下:1)信度函数值最大原则；2)信度函数值阈值原则；3)最大最小信度函数之差阈值原则；4)不确定信度函数值阈值原则。DS信息融合故障诊断方法的优点与不足：DS信息融合在处理具有主观不确定性判断的多属性诊断问题时具有独特的优势，它能将相互交叉的不确定数据信息合理地分配到不同模式类别中，从而减少模式识别的不确定性，提高识别精度。对于复杂系统故障诊断而言，因为各故障模式的相互影响，使得各故障模式数据有不同程度的交叉，如旋转机械不同故障模式均表现为振动信号不同程度的异常，电子设备的某一器件故障常会导致其相邻各个器件的特征电信号异常等。从模糊集合论的观点看，这些故障模式数据相互交叉，如果仅应用单传感器信号进行故障诊断，就会存在一定的误判现象，而DS信息融合对具有不确定性、两类模式之间存在交叉数据的模式识别问题，具有极好的分类效果，因此它在复杂故障模式识别方面具有较为广泛的应用。与神经网络信息融合相比，DS信息融合的另一个优点是它不需预先获取各个故障模式的训练样本，这在许多实际应用中十分重要，因为故障样本的获取往往比较困难；另外，在传感器数量不多时(如双传感器或三传感器信息融合)，其融合计算量也很小，识别效率较高。DS信息融合故障诊断存在的主要缺陷有以下两点:一是证据理论中的/证据0难以获取；二是在高维融合时使用证据理论，可能会导致巨大的计算量。对于前者，不少研究者将相关理论引入DS融合算法，以期解决这一难题，如利用粗糙集理论与证据理论相结合来获得所需证据和层次假设空间算法等。但无论何种方法均存在一定的前提假设，这与实际情况总有一定差别。对于DS方法计算量庞大的问题，主要有以下两种解决办法:1)针对特殊的证据组织结构构造相应的快速算法，如基本证据函数方法。这类算法的优点是完全体现了Dempster合成规则的思想，计算结果精确；缺点是适用范围有限，在很多情况下不太适用。2)减少焦元的个数，如贝叶斯近似方法和一致性近似方法等。这种减少焦元个数的近似方法，是以减少故障数目为代价而实现计算量的减少，在故障模式数目不能减少时不能使用。对此，一种称为/修剪DS算法0，其特点是始终保持/不知道0的基本概率分配不为0，即不剥夺以后到来的某些焦元存在权利，且每次合成后重新调整不确定项m的值，对”修剪”后保留的焦元的基本概率分配进行归一化。算法的优点是保证了融合算法的自适应性，缺点是未从本质上减少计算量统。用户接口子系统负责提供7结语多传感器信息融合故障诊断在提高诊断准确率上具有优势，但在具体融合算法设计时，也有它的局限性。如贝叶斯方法中先验概率难以确定；对模糊故障诊断的各传感器影响权重的选择含有一定的主观因素，若选择不当，必将影响诊断准确性；与此相似，DS证据理论中故障信度函数的确定也存在人为因素，对于高维情况，还存在数据爆炸问题。在上述故障诊断信息融合算法中，模糊融合计算最为简单。各种信息获取方法的研究。对于多传感器信息融合故障诊断，信息来源是根本，如何获取更多的与故障模式密切相关的信息，是信息融合故障诊断的一个关键。新的有效的融合算法研究。有效的信息融合算法研究是信息融合故障诊断研究的永恒主题。故障判定规则研究。目前的故障判定规则大多采用最大阈值原则来判定故障模式，它只在单故障情形下有效，对多故障问题则无法判定。如何根据实际情形自适应地选择故障判定阈值，也是信息融合故障诊断中值得研究的问题。参考文献[1]朱大奇。电子设备故障诊断的原理与实践[M]。北京:电子工业出版社，2004[2]何友，王国宏，陆大钅金，等。多传感器信息融合及应用[M]。北京:电子工业出版社，2000[3]刘同明，夏祖勋，解洪成。数据融合技术及其应用[M]。北京:国防工业出版社，1998[4]张雨，徐小林，张建华。设备状态监测与故障诊断的理论和实践[M]。长沙:国防科技大学出版社，2000[5]徐冬芳，邓飞其。基于多传感器数据融合的智能故障诊断系统[J]。仪器仪表学报，2004