您好,欢迎访问三七文档
基于改进证据理论的多传感器信息融合故障诊断摘要:针对传感器信号不确定会产生冲突证据的问题,提出了一种基于改进证据理论的多传感器信息融合故障诊断方法。提出了基于遗传神经网络的原始证据生成方法,利用遗传算法优化神经网络参数,提高网络训练速度;定义了向量空间和方向相似度,利用分类准则函数区分冲突证据和相似证据,通过可信度修正冲突证据,降低了因不确定性产生的冲突对合成结果的影响。通过齿轮泵故障实验验证了改进方法的有效性,改进方法的诊断正确率明显高于单一传感器的诊断正确率,并通过设置适当的阈值提高了方法的灵活性和适用性。关键词:证据理论;遗传神经网络;冲突证据;故障诊断Multi-sensorInformationFaultDiagnosisBasedonImprovedEvidenceTheoryZHANGMingRuNorthChinaUniversityOfScienceAndTechnology,Tang’Shan,063000Abstract:Aimingatconflictevidenceresultingfromuncertaintyofsensorsignals,anewmultisensorinformationfusionfaultdiagnosisapproachwasproposedbasedonimprovedevidencetheory.Firstly,amethodtocreateoriginalevidencewasputforwardusinggeneticneuralnetwork,wheregeneticalgorithmwasusedtooptimizeneuralnetworkparameterssoastoenhancethetrainingspeed.Secondly,vectorspaceanddirectionsimilarityweredefinedandclassificationrulefunctionwasbuilttodistinguishconflictevidenceandsimilarevidence.Credibilitymodifiedconflictevidencetodecreasetheconflicteffectfromuncertainty.Finally,gearpumpfaulttestsprovethevalidityofimprovedmethod,whosediagnosisprecisionishigherthanthatofsinglesensordiagnosisevidently.Thethresholdsetupincreasestheflexibilityandapplicability.Key:word:evidencetheory;geneticneuralnetwork;conflictingevidence;faultdiagnosis0引言1967年Dempster[1]提出了由多值映射导出上下概率的方法,后经Shafer}'}进一步完善,逐渐形成了一套关于证据推理的数学理论(简称D-S证据理论)。由于该理论具有便捷、灵活的推理机制,所以逐渐成为处理不确定性问题的有力工具,因此广泛应用于多传感器信息融合、模式识别、故障诊断和决策分析等领域.7〕。证据理论应用于多传感器信息融合,面临着两方面的问题:其一,如何将传感器采集到的多源信息进行信任量化,得到原始证据。由于传感器的测量精度、环境适应能力、抗干扰能力各异,所以导致其输出证据存在不确定性。其二,如何融合由不确定性带来的冲突证据,得到合理的结果。传统证据理论无法处理高度冲突证据,会得到有悖常理的结果。基于此,本文提出一种基于改进证据理论的多传感器信息融合故障诊断方法。首先利用遗传算法和神经网络对传感器采集到的特征信号进行训练和学习,将网络的输出结果生成原始证据,从源头消除信息的不确定性;其次建立证据之间的方向相似度,通过分类准则函数区分冲突证据,利用可信度对其修正,进一步降低证据的不确定性,最后进行了证据合成。故障诊断实例验证了改进算法的有效性。1基于遗传神经网络的原始证据生成在证据理论中,辨识框架表},,,{21nAAA示模式类别空间,包含n个互斥且穷举的命题。幂集},},,{},,{},{,},{},{,{2312121AAAAAAAN表示日中所有子集组成的集合,其中中表示空集。利用传感器获取多源信息,通过基本概率赋值函数(basicprobabilityassignmentfunctionBPAF)对命题进行信任量化。例如,)(jiAm表示证据im对命题jA的信任程度。为了客观、全面地量化传感器信息,降低信息的不确定性,本文采用径向基函数(radialbasisfunctionRBF)神经网络进行数据的训练和学习,并通过遗传算法优化网络参数,使得生成的BPAF更加合理。RBF神经网络的隐含层函数为(1)i=1,2,…,k式中,i为隐含层神经元序号;k为神经元数量;)(Xi为第个i神经元的输出;X为n维输入向量;C为第i个神经元的中心向量;i为第i个神经元的高斯函数宽度;表示求欧几里德范数[3]。RBF神经网络具有唯一最佳逼近的特性,但是如何选择网络的中心向量iC和宽度i,以使网络学习达到要求的精度,一直是函待解决的问题。在此引入遗传算法川进行网络参数优化,具体步骤如下:①确定RBF神经网络中心向量iC和宽度i的初始值,设置遗传算法[4]初始参数值、种群数量、最大迭代次数、交叉概率、变异概率;②对种群个体进行实数编码,使种群内每个个体表示为一个参数组合;③采用实数解码法解码种群个体,得到相应的参数组合,按照参数组合设计神经网络,得到与种群个数相等的神经网络模型;①采用训练样本数据训练③建立的模型;⑤计算种群内每个个体的适应度,按照判定准则进行判定,满足则结束,得到最优个体,否则转入⑥;⑥对种群内个体进行选择、交叉、变异操作,产生新的种群,采用“最优保存,最差取代”原则,转入③;⑦将最优个体通过实数解码法得到最优参数组合。通过遗传算法实现了RBF神经网络的参数优化,在此基础上将待检测样本输入到训练好的网络中,对网络的输出值进行归一化,可以得到原始证据。的基本概率赋值函数如下:j1A1)()()(ijjkjjjjiAAAyAyAm且式中)(jAy为RBF神经网络第j个神经元的输出;i为第i个传感器的可靠性系数。2基于方向相似度的冲突证据修正2.1经典IBS合成规则对于证据理论中的N,条证据,其合成规则为22iiii2expC-XCXiiCX,A0)()(11)(,2,1'AAAmmAmAAnjjijij且jAnjjiAmm,2,1')()(其中)(m为冲突概率,反映了证据之间冲突的程度[5]。当)(m较大时,说明证据之间存在明显冲突,对合成结果的影响也较大,甚至会得出有悖常理的结果。这时需要对引起冲突的证据进行修正,从而降低冲突证据对诊断结果的影响。2.2方向相似度设2为幂集2的元素生成的空间,若2iA)2,2,1(Ni的任意线性组合还在2中,则称2为一个向量空间,而且满足221NiiiA其中,NAAARi221,,,;构成2的一组基。则证据)(jiAm在上对应的BPAF称为2的一个向量,即TiiiiAmAmAmM))(,),(),((221在向量空间中定义了证据向量后,证据之间的冲突就可以通过向量之间的方向相似性程度来进行度量了。证据向量iM和jM之间的方向相似度ijD可以用向量之间的夹角余弦来度量,即))((),cos()cos(jTjiTiiTijijTijiijijMMMMMMMMMMMMD式中,ij为向量iM和jM之间的夹角。若iM和jM的夹角oij0,则1cosij,其方向相似度为1,说明iM和jM对同一命题的支持度相同,相互之间不存在冲突;若iM和jM的夹角oij90,则0cosij,其方向相似度为U,说明iM和jM之间完全冲突。由此可见,向量夹角余弦很好地将证据之间的相似性进行了量化。由此得到所有证据的方向相似度矩阵sD:1112132123211312NNNNNsDDDDDDDDDD方向相似度ijD能够表征任意两条证据im和jm之间的相似性,而证据im与其他证据的相似度为NjijijiDND,1112.3冲突证据的识别与修正由于传感器工作经常会受到环境、噪声、稳定性等因素的影响,得到的数据具有不确定性,甚至相互冲突,因此只需要对大量传感器证据进行区分,找出冲突证据并对其进行局部修正,即可减少异常信息对诊断的影响。可以通过相似度对现有证据进行分类,对于相似度较好的证据,认为其相互支持,不存在冲突,将其归为相似证据一类;而对于相似度差别较大的证据,认为其相互冲突,将其归为冲突证据一类。由此需要建立一种分类准则实现这种分类。运用最近邻规则建立如下的分类准则函数:iiDinwiD,,1mininwiD,,1max该分类准则函数认为,证据)(jiAm与其他证据的相似度与最大相似度越接近,其相似性越好,反之越差。若i小于某一分类阂值,则将其归为相似证据类,若i大于,则将其归为冲突证据类,由此实现证据的分类。对于相似证据,由于其含有大量的确定性信息,应将其保留,而对冲突证据,由于其自身的不确定性,需要进行修正以降低不确定性对融合结果的影响。根据式(l0)可以得到证据)(jiAm的可信度:NiiiiDDC1在确定了证据)(jiAm的可信度后,就可以对其中的冲突证据进行修正:jijciiJjjciijiACAmCAAAmCAm1)()()()()('且其中,)()(jciAm表示冲突证据,用上标c以示区分;)('jiAm表示修正后的冲突证据。根据分类阂值,可以对原始证据作如下修正:ijiijijiAmAmAm)()()(~'3.2故障设置及特征提取在实验室多功能液压实验台上以KP-63型齿轮泵为研究对象,在水平(X轴)、径向(Y轴)、再用式(3)对修正后的证据进行合成。为验证本文方法的有效性,分别以D-S方法[1-2],Murphy方法[8]、孙全方法[9]、邓勇方法[10]和本文方法合成文献巨11」中算例2的数据,结果见表1由表1可知,本文方法能够合成带有冲突的证据,基本上不受冲突证据影响,具有较高的合成精度,合成结果明显优于其他方法。3故障诊断实例3.1诊断方法及步骤本文提出的基于改进证据理论的多传感器信息融合故障诊断的方法及步骤如下:对不同传感器收集到的数据进行特征提取,降低数据维数,同时避免数据量过大给融合系统带来处理负担;由特征集和故障集建立RBF神经网络,利用遗传算法优化网络参数以达到精度要求;对待检测样本进行测试生成证据BPAF,通过证据向量之间的方向相似度进行证据分类,利用可信度修正冲突证据;最后进行融合,根据一定的准则确定故障类型。具体的融合诊断步骤如图1所示。3.2故障设置及特征提取在实验室多功能液压实验台上以KP-63型齿轮泵为研究对象,在水平(X轴)、径向(Y轴)、轴向(Z轴)安装三个振动传感器采集不同方向的振动信号。实验设置了正常状态、早期轮齿磨损、早期侧板磨损和气穴四种故障类型。具体实验条件为:电机额定转速1500r/min,主溢流阀调定压力15MPa,采样频率2kHz,采样点数8192。对采集到的振动信号利用dB4小波进行小波阂值消噪处理后,提取幅域量纲参数——绝对平均幅值X、均方根值rmsX、方根幅值rX、波形指标fS、峰值指标fC、脉冲指标fI、裕度指标fL和峭度指标vK作为故障特征。3.3原始证据BPAF生成根据故障类型建立辨识框架
本文标题:神经网络论文
链接地址:https://www.777doc.com/doc-7364215 .html