信息融合技术..doc

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-i sensor Information Fusion， 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。