I传感器的简介.docVIP

基于传感器的引擎故障诊断 绪言 　 信息融合，当应用故障诊断和缺陷检测时，主要围绕着两个产要问题： 怎样通过整合多传感器获得的有可能多余的信息中得到对潜在故障有价值的信息。 怎样结合由传感器获得并不精确的可能有冲突的数据做出决策。 　　在引擎故障诊断方面，首要问题是将从传感器数据中揭露的引擎特征在方案中有条理的表达出来。此外，由于传感器信息具有不完整性，不确定性，不精确性，结合机械装置使这些不利因素最小化是迫在眉睫的。机械装置的有效性很大程度上依赖于怎样筛选传感器中存在的潜在的数据。同样重要的是决定在多大程度上融合过程是抽象的。例如，在测量级，在特征级，在决策级。一般来说，通过传感器在特征级获取的数据，可以准确的描述引擎的质量。详细可参见文献【4-6】。其中有对目前这种类型的数据融合的例子。 　　第二个在于有关引擎诊断方面做出决策的质量问题。基于不同传感器数据做出的决策可能是不同的甚至是相互冲突的。这种现象是可以理解的。在这种情况下面临的挑战是如何察觉传感器之间的冲突，并综合它们做出一个有效的决策。这就是本次论文的中心。 在制定决策分析的基础上，本文通过假设论述两种传感器形态，对单活塞发动机进行实时监控。一种从声学特征方面进行监控，一种则从机械振动方面进行监控。这两种方式通常运用在发动机装配生产线的最后阶段。声学模态监控是与时间相关的，而振动模式的监控性能与气门间隙有关。融合两种模式可有效避免错误从而获得可靠的决策。 在此方面已经有大量的基于贝叶斯理论的研究工作，基本策略是：如果先验概率事先确定，那么后验概率可使用贝叶斯公式，这些例子可以参考文献【7-9】。贝叶斯融合是用来提高集成信息条件下，两种不同的线索获得的X射线成像系统的动态。贝叶斯网络是常用来将联合概率推理及时参数与关键制造环境下质量控制相结合【8】这种方法适用于制造缺陷检测与诊断，文献【9】中描述了以贝叶斯模型为基础的诊断方法，其中提供概率推理与逻辑推理，以尽量减少决策的不确定性。 　　基于贝叶斯理论的融合技术已经在其他领域，如进化过程控制，目标跟踪和目标识别，发生了演变。尽管如此，也只有在足够的和适当的先验概率和条件可供选择的情况下，假设就可以通过先验概率和后验概率获得。但这些假设在许多其他情况下会变成不合理的。 作为贝叶斯理论的扩展，Depmster-Shafer证据理念使用信息和可信性功能。以量化证据和不确定性【10-15】，Depmster-Shafe证据理念模型用于在给定一个假设的前提下，减弱推理过程中由不确定性所带来的积累误差。此理论的重要性在于推理或决策都可以进行与证据不完全符合甚至相矛盾的例证。此理论在故障诊断及缺陷检测中的应用，可参阅【16-18】，有关柴油机引擎的决策级数据融合算法的状态监测和故障诊断应用可参阅文献【16】，文献【18】描述了主持理念与模糊理念结合，可用来提高检测焊接缺陷的质量。检测焊接缺陷的不确定性建模为一个加权质量函数。有关利用证据理论来合并两个或多个分类的产出以改善整体分类性能的描述可参阅【18】这种方法的有效性表现在柴油发动机冷却系统中有关静态恒温故障检测中。 　　在本文中，有关单活塞发动机的故障诊断采用的是多传感器测量，其中包括振动，声音、压力、温度等，我们将每个传感器的测量数据单独做为一项提示引擎状态信息的证据。Depmster-Shafe理念常用来关联多传感器测量的有关引擎质量的数据，本文结构如下： 在第二章中我们将介绍一些初步的证据理念方面的概念；第三章中介绍该故障检测方法在案例中的应用；第四章为总结。 故障诊断中的证据理念 2.1 证据理念的初级概念 数学理论随后Depmster提出，随后由Shafe扩展，关注的是有关命题系统的问题。在信仰方面相信一个命题与在机遇方面相信一个命题是不同的概念。证据理论的信仰结构与古典概率模型【１０】因此这个理论可以看作是一个经典的概率论的推广，从形式上看，证据理论关注以下初步符号： 识别框架：假设Ｈ是一个有限集合中的元素，一个元素可以是一个假设，一个对象，或者是我们案例中的一个故障，我们以为Ｈ是一个识别框架，Ｈ的子集为Ｈ的幂集用Ｘ（ｈ）表示，作为一个例子，我们假设某个发动机可能存在Ａ，Ｂ或Ｃ三种故障的一个或多个，在这种情况下可将识别框架定义为： 是一个空集，如果是的一个子集，那么，我们就可以得出故障是工Ａ，Ｂ或Ｃ。 质量函数，局部元素和主要元素：当识别框架确定下来之后，ｍ的质量分布函数被定义为在０与１之间的函数：，即：　　质量分布函数ｍ称为基本分配函数。在发动机诊断中，可看作一个由某个基于故障观测的可信度，不同的信息或证据可以产生特定的可信度不同的故障信息。这样的任何一个子集称为集合元素，称为ｍ在中集元的子集 可信度概率函数功能： Bel函数被定义为： 　　 和函数