1、基于DS證據(jù)理論的多傳感器數(shù)據(jù)融合故障診斷方法Otman Basir, Xiaohong YuanDepartment of Electrical and Computer Engineering, University of Waterloo電子計(jì)算機(jī)工程部滑鐵盧大學(xué)加拿大班級：測控0701姓名：韓靜文學(xué)號：200740030發(fā)動(dòng)機(jī)故障診斷是一種典型的多傳感器融合的問題。它涉及到多傳感器信息的使 用，如振動(dòng)，聲音，壓力和溫度，發(fā)動(dòng)機(jī)故障檢測和鑒定。從證據(jù)理論的觀點(diǎn)，從每 個(gè)傳感器取得的信息可以作為證據(jù)一部分，因此，多傳感器的發(fā)動(dòng)機(jī)故障診斷可被視 為證據(jù)融合問題。本文探討用來為與發(fā)動(dòng)機(jī)質(zhì)量相關(guān)

2、的多傳感器的建模和融合的DS 證據(jù)方法。我們初步提出了一個(gè)證據(jù)理論的新觀點(diǎn)并且解釋多傳感器發(fā)動(dòng)機(jī)故障診斷 問題如何可以下在錯(cuò)誤辨識框架方面，質(zhì)量函數(shù)和證據(jù)融合規(guī)則的背景下實(shí)行。我們 介紹了提高建模的效率和證據(jù)結(jié)合的新方法。此外，我們提出一種可以做出理性決定 的規(guī)則，即按照發(fā)動(dòng)機(jī)的質(zhì)量，并且做出一個(gè)可以評估信息整合體系好壞的準(zhǔn)則。最 后，我們做了一個(gè)案例研究去演示這個(gè)系統(tǒng)在處理多傳感器可能引起的不準(zhǔn)確的線索 和沖突這方面的效力。引言當(dāng)應(yīng)用到故障診斷和缺陷檢查時(shí)，信息融合圍繞著兩個(gè)主要問題：如何在多傳感器合并互補(bǔ)引起的潛在錯(cuò)誤和冗余中獲得高精度和高可信賴度的信 息。如何融合基于多傳感器數(shù)據(jù)而衍生的

3、決策，它們也許是不準(zhǔn)確而相互沖突的。在發(fā)動(dòng)機(jī)診斷方面，第一個(gè)問題是以提取故障有關(guān)，并說明它們在一個(gè)統(tǒng)一的表 示方案當(dāng)中。此外，因?yàn)樾畔⑹菑谋旧聿⒉煌陚?，確定和精確的傳感器中獲得，為了 降低不精確性不確定性，融合機(jī)械設(shè)計(jì)原理是十分必要的。這種機(jī)械原理的有效性很 大程度上取決于從傳感器中獲得的信息線索是否是多余或者互補(bǔ)的。同樣重要的是整 合進(jìn)程發(fā)生的抽象水平等等。如在測量水平，在特性水平，或是在決策水平.一般說來， 獲得精確和確定的發(fā)動(dòng)機(jī)質(zhì)量描述符可以在特性水平的傳感器數(shù)據(jù)融合中獲得。參 見，是一些這類型數(shù)據(jù)融合的例子。第二個(gè)問題是關(guān)于發(fā)動(dòng)機(jī)診斷的決策質(zhì)量。從不同的傳感器中獲得信息，導(dǎo)致了 不同和

4、可能的沖突決策，這是完全可以想象的。如何檢測傳感器之間的沖突，并將它 們的決策融合為一致的決策，是我們在這種情況之下所面臨的挑戰(zhàn)。解決這個(gè)問題是 這篇論文的主要內(nèi)容。在進(jìn)行多傳感器決策的融合時(shí)，這篇論文假設(shè)了一個(gè)有兩個(gè)用 于實(shí)時(shí)監(jiān)視單活塞發(fā)動(dòng)機(jī)質(zhì)量的傳感器的情景模式。一個(gè)測量發(fā)動(dòng)機(jī)發(fā)出的音質(zhì)；另 一個(gè)測量發(fā)動(dòng)機(jī)振動(dòng)。這兩種形式通常都受制于發(fā)動(dòng)機(jī)裝配流水線的最后階段。聲音 模式的監(jiān)測時(shí)間和性能相關(guān)，而振動(dòng)模式監(jiān)測的性能指標(biāo)和閥余隙相關(guān)。整合這兩個(gè) 部分就可以得到關(guān)于故障存在與否的可靠決策。圍繞著決策融合領(lǐng)域有十分大量的研究工作，大部分都是根據(jù)貝葉斯理論進(jìn)行 的。基本戰(zhàn)略是如果先驗(yàn)概率和條件概率提

5、前確定，那么后驗(yàn)概率（最優(yōu)決策）可使用 貝葉斯公式估計(jì)。貝葉斯融合是用來改善動(dòng)態(tài)范圍的實(shí)時(shí)X射線成像系統(tǒng)，這個(gè)系統(tǒng) 集成了在兩種不同的信息獲取條件下獲取的信息線索。貝葉斯網(wǎng)絡(luò)是用來結(jié)合依賴時(shí) 間概率決定的關(guān)鍵性參數(shù)與手工操作環(huán)境中的質(zhì)量控制兩個(gè)因素的。這個(gè)方法應(yīng)用于 檢測和診斷制造業(yè)中的不合格品。介紹貝葉斯模型為基礎(chǔ)的診斷方法，其中通過貝葉 斯概率推理網(wǎng)絡(luò)和邏輯推理提供基于一致性的診斷集成，以減少?zèng)Q策的不確定性。以貝葉斯理論為基礎(chǔ)，融合技術(shù)已被演變于過程控制等其他領(lǐng)域，如目標(biāo)跟蹤和 識別物體。然而，如果有足夠和適當(dāng)?shù)南闰?yàn)概率和條件可供選擇，才能達(dá)到有效的融 合性能。雖然，至少在某些情況下，可以

6、根據(jù)先驗(yàn)和后驗(yàn)概率通作出設(shè)想，但這些設(shè) 想在很多其它情況下會(huì)變得毫無道理。作為貝氏理論的延伸，DS證據(jù)理論得用置信和似然函數(shù)去量化證據(jù)和不確定性。 DS證據(jù)理論模型如何在在不確定性減弱的給定的假設(shè)或證據(jù)中積累。這一理論的一 個(gè)重要方面是推理或決策制定可以在不完全或矛盾的證據(jù)中進(jìn)行。在故障診斷理論和 缺陷檢查方面的應(yīng)用。對于狀態(tài)監(jiān)測和發(fā)動(dòng)機(jī)的故障診斷的決策級數(shù)據(jù)整合算法。證 據(jù)理論和模糊集理論相結(jié)合，從而提高了焊縫缺陷檢測質(zhì)量。檢測焊縫缺陷的不確定 性建模為一個(gè)加權(quán)質(zhì)量函數(shù)。一個(gè)加權(quán)質(zhì)量函數(shù)是用DS證據(jù)理論規(guī)則輪流整合一系 列的產(chǎn)品缺陷而確定的。證據(jù)理論來用來合并兩個(gè)或兩個(gè)以上的基礎(chǔ)分級器輸出，

7、以 改善整體分類性能。這種方法的有效性是在柴油發(fā)動(dòng)機(jī)冷卻系統(tǒng)的靜態(tài)調(diào)溫裝置的故 障檢測中展示的。本文中，采用多傳感器測量方法檢測單活塞發(fā)動(dòng)機(jī)的故障，如振動(dòng)，聲音，壓力 和溫度。我們認(rèn)為每個(gè)傳感器的測量都作為一個(gè)證據(jù)，反映了發(fā)動(dòng)機(jī)狀態(tài)的一些信息。DS證據(jù)理論用于關(guān)聯(lián)多傳感器數(shù)據(jù)和發(fā)動(dòng)機(jī)的狀態(tài)指標(biāo)。本文的組織方式如下。在 第2部分，我們介紹了證據(jù)理論的基礎(chǔ)概念。依據(jù)故障識別的框架和質(zhì)量分布函數(shù)， 我們提出了發(fā)動(dòng)機(jī)故障診斷的DS證據(jù)理論構(gòu)想，證據(jù)結(jié)合，決策制定規(guī)則和性能評 估融合。第3部分描述關(guān)于證明故障檢測有效性的案例研究。第4部分添加了一些相 關(guān)的附注。故障診斷的證據(jù)理論2.1證據(jù)理論的基本概念

8、證據(jù)的數(shù)學(xué)理論，正如Dempster所介紹和Shafer所延伸的那樣，有關(guān)置信命題 和系統(tǒng)的命題。置信命題的概念并不與機(jī)會(huì)命題類似。當(dāng)建立一個(gè)命題時(shí)，我們以相 似的方式理解證據(jù)，如，DS證據(jù)理論有證據(jù)，證據(jù)的有效性和證據(jù)的正確性相關(guān)。 證據(jù)的置信結(jié)構(gòu)對應(yīng)于經(jīng)典概率模型10。因此，這個(gè)理論可以看作是經(jīng)典概率模型的 一般化。形式上，證據(jù)理論與以下的基本記法有關(guān)：辨識框架：用。表示元素的有限集：每個(gè)元素都可假設(shè)為目標(biāo)或是我們案例中的 錯(cuò)誤。指的就是識別力框架；包含。全部元素的集合稱為幕集，用Q表示(。)。例 如，假設(shè)一個(gè)發(fā)動(dòng)機(jī)引起了一個(gè)或多達(dá)三個(gè)錯(cuò)誤a,b和c。這個(gè)案例的辨識框架可以 表示為：0=a

9、,b,cQ(O)=pa,b,c,a,b,a,c,b,c,a,b,c9是一個(gè)表示無錯(cuò)誤發(fā)生的空集。如果A=a,b是。的一個(gè)元素，也就是A。，則A 表示錯(cuò)誤既不是a也不是b，而。表示錯(cuò)誤不是a,b和c.質(zhì)量函數(shù)，焦點(diǎn)成分和核心元素：當(dāng)識別力框架建立時(shí)，質(zhì)量函數(shù)m定義為幕集 的映象，用0或1表示，如?n :I- 0, 1(1)河垂* =0, ffj A = I(2)甘匚日質(zhì)量函數(shù)m也被稱為基本概率分布函數(shù)。m(A)表示所有相關(guān)并且可用的證據(jù)的百分 比，這些證據(jù)支持。的一個(gè)特定元素屬于集合A但并不是A的一個(gè)特定元素。在發(fā) 動(dòng)機(jī)故障診斷中，m(A)可被看作關(guān)于一次故障觀察的置信度；對于一個(gè)已知的故障，

10、不同的信息或證據(jù)可以產(chǎn)生不同置信度。任意的幕集A,比如m(A)0都被稱為聚焦 元素；c = U A被稱作是在。中的質(zhì)量函數(shù)m的核心元素。置信和似然函數(shù)：置信函數(shù)Bel被定義為Bel: 0(0) t 0T1 and Bel (A) =BQA似然函數(shù)Pls定義為您：口andPIs(A) = l - Bel(A) = m (風(fēng)BTiA =tb置信函數(shù)Bel(A)測量了必然在A的元素中分發(fā)的概率總量；它反映了必然性和A的 總置信度以及構(gòu)成了 A的概率的下限函數(shù)。另一方面，似然函數(shù)Pls(A)測量了在A的 元素中分發(fā)的概率的最大量；它描述了與A相關(guān)的總置信度并構(gòu)成了 A的概率的上 限函數(shù)。置信區(qū)間Bel

11、(A)，Pls(A):置信區(qū)間反映了不確定性。間隔長度Pls(A)- Bel(A) 描述了 A的不可知性。如Table 1所示，不同的置信區(qū)間代表了不同的含義。一些置信和似然函數(shù)的性質(zhì)：蛔=戶屈啊=0. PIsA)參 Be/iABel (A) + Be I (A)冬 1,戶偵)+ H履)法 IIf A then A 曲皿A Ffa(切.(6)證據(jù)融合的規(guī)則：假設(shè)兩個(gè)質(zhì)量函數(shù)m1和m2,它們從同一辨識框架。內(nèi)的兩個(gè) 不同信息源處得到；根據(jù)Dempster的下次規(guī)則，我們得到K代表在不同的證據(jù)源中的沖突的基本的質(zhì)量概率。當(dāng)交集為空時(shí)，它以所有集 合的質(zhì)量函數(shù)的總量確定。通常把K理解為不同源之間的沖

12、突。在公式(5)中的分母 1-K是標(biāo)準(zhǔn)化因數(shù)。K值越大，源之間的沖突越大，它們?nèi)诤系挠行詣t越不佳。在同一辨識框架。中生產(chǎn)函數(shù)m也就是質(zhì)量函數(shù)。既然m = m1 m2，即m1和 m2結(jié)合，攜帶著兩源的共同信息。以上的證據(jù)融合規(guī)則滿足以下關(guān)系： TOC o 1-5 h z 0 m2 =$ ni(7) ?H2)：!： nil,(S)一般來說，對于在。內(nèi)的n個(gè)質(zhì)量函數(shù)m1，m2，.，mn，沖突的測量值K被 這樣給出：表1置信區(qū)間的含義BeEicf in lervll!Meaning刑冏AbsoEuicEy n(y wppon to the hyptuhcfiisUJAbsofulc support

13、ihc. hypolhcstj;rajAbsoEulctj unknown in the diNcoursc,can not mdke i deckicm to supporE Lhe hypothesisIncline Eo support ihr hypolhcsNi0n0.6：Dee tine io support the hypolhcsis TOC o 1-5 h z K= 皿(瓦)，刑旦)切JEh) HO(9)仃_占=小且融合后的質(zhì)量函數(shù)為：jnA) = ?H| - r- il：)A)=.1 r 叫(Ei (10)2.2錯(cuò)誤辨識框架去建立一個(gè)我們所需的辨識框架來定義證據(jù)推理過程發(fā)生

14、的目標(biāo)。符合診斷目標(biāo) 和與錯(cuò)誤辨識框架一致是十分重要的，因?yàn)楸孀R框架中的元素就代表了診斷假設(shè)。不 同的假設(shè)與不同的測量需要和測量過程的方法一致；因此可能導(dǎo)致不同的辨識框架。 例如，如果我們想去知道錯(cuò)誤是否存在，我們可能要建立一個(gè)如下的辨識框架： =h,-h，h可以代表錯(cuò)誤的存在，-h可以代表錯(cuò)誤不存在。為了適應(yīng)多個(gè)錯(cuò)誤，辨 識框架可被拓展為。=,% ,.,hn；在這個(gè)例子中，h0表示錯(cuò)誤不存在，4表示錯(cuò)誤 不存在。在更高的程度上可以建立0=f,-f，來描述發(fā)動(dòng)機(jī)的狀態(tài)是否為錯(cuò)誤f或正 常-f.下一步則是去建立基于認(rèn)知和經(jīng)驗(yàn)對可能的錯(cuò)誤而做的錯(cuò)誤融合的幕集。在幕集 中，根據(jù)基本概率函數(shù)，每一個(gè)元

15、素都有不同的值。辨識框架越大，幕集越大，相應(yīng) 的，證據(jù)推理過程就越復(fù)雜。一旦辨識框架確定，DS證據(jù)理論的關(guān)鍵問題就是計(jì)算基于不同信息源（如多傳感 器）所得的信息的質(zhì)量函數(shù)。假設(shè)N代表錯(cuò)誤的各類，M代表傳感器，為了簡單起見， 假設(shè)所以的錯(cuò)誤都相互獨(dú)立，且每個(gè)錯(cuò)誤都可以發(fā)生在任何給定的時(shí)間。質(zhì)量函數(shù)可 被以兩個(gè)方式給出。一是從矢量特性的角度出發(fā)。讓X=X,X2,.,Xn X表示發(fā)動(dòng)機(jī)的狀態(tài)；X1表示發(fā)動(dòng)機(jī)某一方面的狀態(tài)特性；n 是特性的數(shù)量。這些特性從傳感器所給的信息中提取。例如，X1可能代表從振動(dòng)傳感 器中獲得的信號的RMS（均方根）。另一特性X2代表從同一傳感器中所獲信號的峰值。因此，對于錯(cuò)誤

16、（或狀態(tài)）的N種類型（包括無錯(cuò)誤狀態(tài)），發(fā)動(dòng)機(jī)條件可以用矩陣 H來描述：X表示第j個(gè)描述發(fā)動(dòng)機(jī)錯(cuò)誤（或狀態(tài)）的特性，X = x ,x ,., x ，且表示第 jJ j1 j 2 jnjli個(gè)錯(cuò)誤的特性，i=12.,n,j=12.,n.我們可把這個(gè)矩陣看作是錯(cuò)誤的技術(shù)原型的代 表。用SK代表從傳感器中獲得的第k個(gè)矢量測量值：& =展1 防，跖0 k= l .2t J /（13）Ski是Sk的第i個(gè)元素，i=12.,mk，是從第k個(gè)傳感器中獲得的元素， mk = n。問題是計(jì)算基于特性矢量的概率分布。直觀上，Sk和X若相似，第j個(gè)錯(cuò)誤越可 kj能發(fā)生，第k個(gè)傳感器越會(huì)被考慮。相反的，Sk和X若并不

17、相似，第j個(gè)錯(cuò)誤越不可 kj能發(fā)生，第k個(gè)傳感器越會(huì)被考慮。有很多測量值來量化特性測量值和錯(cuò)誤原型之間的距離。我們提出用閔可夫斯基距離測量19，它可被定義為：r I風(fēng)圳= 以上=1,2,時(shí)M J = 12 W（14）4是Sk和X .之間的距離，a為一常數(shù)，假設(shè)a=2,然后距離聚合為歐幾里德距離。 另一方面，如果a=1，距離會(huì)聚為邊緣距離。所有傳感器測量值之間的距離和錯(cuò)誤都 可被如下矩陣表示： 1 inD =&（15）I I I J il J J il JJ J J在矩陣D中的每一行都代表從同一傳感器中獲得的測量值之間的距離和錯(cuò)誤；D 中的每一列代表從所有傳感器測量值中一個(gè)錯(cuò)誤的距離。dkj距離

18、越小，第j個(gè)錯(cuò)誤越 可能發(fā)生，這是以從第k個(gè)傳感器中所獲得的信息為基礎(chǔ)的。定義pkj=1/dkj，標(biāo)準(zhǔn)化 后寫為矩陣形式，我們得到：PuP2J Pin處I如Pinnan1 T -Pm lPfN1.-Pm-(16)當(dāng)pk=pk1,pk2，,Pkn，k=1，2,.,M;可以被看作由第K個(gè)傳感器分配給錯(cuò)誤集合的 質(zhì)量函數(shù)。二者擇一，故障的描述可以用概率分布來表達(dá)。如果N個(gè)錯(cuò)誤的可能性以概率矢量給出，且傳感器測量值的概率矢量為O = Qk, K = 1,2,., M；傳感器測量值和故障之間的距離可被看作是多形式的概率距 離測量。20 描述了兩個(gè)概率分布之間的概率距離測量的一般形式。心玨怯）=乃使）當(dāng)f

19、為在一個(gè)正實(shí)空間內(nèi)的連續(xù)的凸函數(shù)。g是實(shí)空間的增函數(shù)。E是期望函數(shù)。 g和f服從于不同的概率距離測量。我們需要經(jīng)驗(yàn)或統(tǒng)計(jì)知識去估計(jì)錯(cuò)誤概率，如果 它們不足，就可能導(dǎo)致不精確或不可信賴的結(jié)論。為了避免這些困難，我們采取了第 一種方法。2.3故障診斷的證據(jù)融合一旦我們得到了基本概率函數(shù)(質(zhì)量分布函數(shù))，最終的質(zhì)量函數(shù)m在公式(10)的 規(guī)則下就可以很容易的建立。質(zhì)量函數(shù)如被表達(dá)如下：m = Pi巧引 $ pf = (mi m2 (19)這里表示由M個(gè)傳感器提供的第j個(gè)故障最終的概率分配。如上所述，所有類型的故障都假設(shè)為相互獨(dú)立。因此，最終的概率分配可被歸納 為公式和(10)：Jt=l / /=1

20、&=1/在使用這個(gè)方法時(shí)我們要考慮兩方面的條件：故障的互斥：除了互相獨(dú)立，只有一個(gè)故障也可能發(fā)生在任何給定的實(shí)例中，如 多于一個(gè)故障的概率可能同時(shí)為零。傳感器加權(quán)：在有關(guān)故障檢測任務(wù)時(shí)，傳感器的能力是不同的。不同的能力可能 會(huì)導(dǎo)致變化的增加或敏感。例如，當(dāng)兩個(gè)振動(dòng)傳感器用于檢測發(fā)動(dòng)機(jī)閥門和軸承的故 障，一個(gè)傳感器可能會(huì)檢測到閥門蓋，另一個(gè)可能會(huì)檢測軸承座。很顯然，第一個(gè)檢 測閥門比檢測軸承更加敏感。但是，第二個(gè)檢測軸承更加敏感?？紤]到這一情況，為 了反映傳感器各相關(guān)的檢測能力，我們要進(jìn)行加權(quán)。權(quán)重與我們對一些傳感器的已知 來決定。質(zhì)量函數(shù)在公式(20)可以用來反映加權(quán)的傳感器檢測能力和公式(1

21、6 )的概率組 合。扁=WtjPkf2.4決策制定的規(guī)則一旦全部傳感器的故障的辨識框架和質(zhì)量函數(shù)確定，就可以推斷得到每個(gè)錯(cuò)誤的 置信區(qū)間。基于置信區(qū)間，故障的決策制定就可以完成。通常，決策制定基于以下規(guī) 則：最大支持規(guī)則，當(dāng)選擇最大置信函數(shù)做出假設(shè)。最大似然規(guī)則，當(dāng)選擇最大似然函數(shù)做出假設(shè)。絕對支持規(guī)則，當(dāng)選擇最大置信函數(shù)做出假設(shè)；當(dāng)證據(jù)的間隔大于兩個(gè)最大的支 持值之差時(shí)，這條規(guī)則無法做出結(jié)論。最大支持和似然規(guī)則，當(dāng)選擇最大置信函數(shù)和最大似然函數(shù)做出假設(shè)時(shí)；這條規(guī) 則在某些條件下不可用。對于相同的傳感器給出的測量值，不同的方法可以得到不同的結(jié)論。例如，如果 “故障A存在”的置信區(qū)間為0.3,0

22、.8，“故障B存在”的置信區(qū)間為0.5,0.6。根據(jù) 規(guī)則(1)，“故障B存在”；但是，根據(jù)規(guī)則(2)，“故障A存在”。顯然，這兩個(gè)結(jié)論是 沖突的，在任何給定的實(shí)例中，都只可能出現(xiàn)其中一個(gè)。因此，哪一個(gè)結(jié)論是正確的 (至少是更加合理的)呢？我們?nèi)耘f用置信區(qū)間來反映一個(gè)假設(shè)的忽略度。置信區(qū)間越 短的，對于假設(shè)我們越不可確定。因此，合理的制定規(guī)則應(yīng)當(dāng)如下：來自最大置信函數(shù)和最短置信區(qū)間的假設(shè)是最可信的；另外，這個(gè)假設(shè)必須和最 大置信函數(shù)相關(guān)聯(lián)。我們稱這種規(guī)則為理性規(guī)則。根據(jù)這一規(guī)則，決策應(yīng)當(dāng)支持故障B。2.5性能評估在DS證據(jù)理論中，一個(gè)證據(jù)，如一條傳感器線索，可以表示置信結(jié)構(gòu)。換言之， 從一條證

23、據(jù)中獲得的信息是一個(gè)在一個(gè)辨識框架中的基本的概率分布函數(shù)。因此，置 信結(jié)構(gòu)是證據(jù)在辨識框架中的反映。例如，空洞結(jié)構(gòu)：m(0)=1，代表相關(guān)證據(jù)中沒有 信息；確定結(jié)構(gòu)：m(X.)=1,代表在。中的X.等于1，反映了 X.存在的確定性。但是，從置信結(jié)構(gòu)中，能得到多少有關(guān)故障的辨識框架呢，或者在證據(jù)融合后， 怎樣去量化測量的性能這晨，我們使用Yager(14)提出的測量方法。這處測量我們稱之 熵的證據(jù)，它用來量化從一條證據(jù)中取得的信息。這種測量定義如下：& = 口網(wǎng)日)廣=n成心)”(22)Acew 辰代表從框架。中得到的質(zhì)量函數(shù)m的熵的證據(jù)。m可從原始證據(jù)(融合前的傳感 器證據(jù))或是從已融合的證據(jù)

24、(多傳感器)中得到。因此，如果證據(jù)被融合為一，E就 可表示多傳感器信息融合組合的性能。從公式(22 )中，很容易得到1/ n 3R2545.152.S97379.15793G3545.9J 52.9063763.42RR317565.4J 52.90237632956294565.4152.S772759247R317565.4152.7B9676627S330565.452.923760.734297565.4152.8S76761437266565.4J 52.923576S.9324294565.4152.S954754.6K26313 5559.55352.8R87762.7301表4

25、發(fā)動(dòng)機(jī)排氣閥故障狀態(tài)(X1)從傳感器S1和S2中提取的特征P-lo-P mV/ji2)J網(wǎng)MPL網(wǎng)2042544.9151S42282 .609319】8544.9 50.97677R8.99351942544.952.90222054544.9152.5487R15.56721840563.5151.27S5R2724761925544.9153J538RA7.87231633564.550.8759R16.S5381645564.5154.7459798.25601715544.9153.2349fW.1627JS5Q.7550.7852.3A68表5發(fā)動(dòng)機(jī)活塞環(huán)故障狀態(tài)(X2)從傳感器S

26、1和S2中提取的特征$P-to-P (mV/s2)MPL (db)懇皿)2530546.93 52.7997724.B0Q22590546.952.83flfi720.28672692546.93 52.0219727.96352925S46.93 52.789072229862638S46.93 52.5629726J286257545.9i 522335721.768926如545.935J.982172323352654545.93 53.0213720.67752787546.93 52.79R7731.674926693546.63 52.6655724.070表6從三個(gè)傳感器中提取

27、的發(fā)動(dòng)機(jī)特征P-tD-P% MPLEg(Hz(eV礙(dbt(Hz)忌 3135559.6378557.4152.9762.7一.1850.7550.B3 734.55972152.38082后 2的的一3546.62567.4534.8152.7724.1在此案例中，故障的辨識框架為O=X0，X,X2,.一旦。和H確定，基于上部分所 介紹的公式化表達(dá)法的證據(jù)理論，可以很容易的得到。在這個(gè)例子中，假設(shè)三個(gè)傳感 器靈敏度相同，權(quán)重則分別為1/3。Table 7舉出了不同信息源的相關(guān)性能。應(yīng)用公式(14)做出關(guān)于距離測量的決策制 定，這里a=2。當(dāng)把從兩個(gè)或三個(gè)傳感器中得到的信息進(jìn)行融合時(shí)，應(yīng)用到

28、了信息融 合方法和相關(guān)規(guī)則。從這個(gè)表格中，我們可以知道故障診斷的準(zhǔn)確性是傳感器融合方 法的提高。表7不同傳感器融合后的故障診斷準(zhǔn)確性S jSt+ S + & +.4cainicy (%)82808994在每個(gè)案例中，融合進(jìn)程的熵的證據(jù)可以用公式(22 )進(jìn)行計(jì)算。例如，計(jì)算傳感 器S的E (熵的證據(jù))是0.438，S的E為0.537. S的E為0.354，融合S，S和S的 1ml2 m 23m 3123E為0.69。這表明熵的證據(jù)通過信息融合提高了，因此這也帶來了更好的診斷性能。m123結(jié)論本文描述基于發(fā)動(dòng)機(jī)故障診斷系統(tǒng)的證據(jù)理論的多傳感器實(shí)現(xiàn)方法。本文討論了 在證據(jù)理論的背景下，依照辨識框架

29、，質(zhì)量函數(shù)和證據(jù)融合。我們提出了兩種計(jì)算質(zhì) 量函數(shù)的方法，并提出了改進(jìn)的質(zhì)量函數(shù)去提高融合質(zhì)量。進(jìn)一步的，我們還得到了 理性診斷決策制定規(guī)則和介紹了熵的證據(jù)來估計(jì)融合的性能。應(yīng)用我們所提出的方法 于實(shí)踐，我們得到了實(shí)驗(yàn)數(shù)據(jù)來證明如何解決決策的沖突以及通過多傳感器的信息融 合，我們可以提高故障診斷的準(zhǔn)確性。參考文獻(xiàn)J.M. Richardson, K.A. Marsch, Fusion of multisensor data,International Journal of Robotic Research 7 (1988) 78-96.R.C. Lou, M.G Kay, Multisenso

30、r integration and fusion inintelligent systems, IEEE Transactions of System, Man and Cybernetics 19 (1989) 901-931.X.E. Gros, Applications of NDT Data Fusion, Kluwer Academic Publishers, 2001.H.X. Liu, Extraction and integration of diagnosis information from acceleration signals, Ph.D. Thesis, Xian

31、Jiaotong University, Xian, 1997.H. Sun, Study on an algorithm of multisensor data fusion, in: IEEE Proceedings of the National Aerospace and Electronics Conference, Piscataway, NJ, vol. 1, 1994, pp. 239-245.S. Park, C.S.G. Lee, Fusion-based sensor fault detection, in: IEEE International Symposium of

32、 Intelligent Control, Piscataway, NJ, 1993, pp. 156-161.A. Dromigny, YM. Zhu, Improving the dynamic range of realtimeX-ray imaging systems via Bayesian fusion, Journal of Nondestructive Evaluation 16 (1997) 147-160.M.A. Rodrigues, Y. Liu, L. Bottaci, D.I. Rigas, Learning and diagnosis in manufacturi

33、ng processes through an executable Bayesian network, in: 13 th International Conference on Industrialand Engineering Applications of Artificial Intelligence and Expert Systems IEA/AIE-2000, New Orleans, June 2000, pp. 390-395.P. Lucas, Bayesian model-based diagnosis, International Journal of Approxi

34、mate Reasoning 27 (2001) 99-119.G. Shafer, A Mathematical Theory of Evidence, Princeton University Press, New Jersey, 1976.J.A. Barnett, Computational methods for mathematical theory ofevidence, in: Proceedings of IJCAI-81, Vancouver, BC, 1981, pp. 868-875.H.E. Kyburg Jr., Uncertain inferences and uncertain conclusions, in: Twelfth Conference on Uncertainty in Artificial Intelligence, Portland, OR, August 1996, pp. 365-372.H.D. Wu, M. Siegel