基于联邦滤波器级联神经网络的多传感器信息融合.docVIP

基于联邦卡尔曼滤波器级联神经网络的多传感器信息融合 The Information Fusion of Multi-Sensor of Based on Federated Kalman Filter and Cascading Neural Networks 凌滨 于晓燕 摘要：提出了一种基于联邦卡尔曼滤波器级联神经网络的复合故障诊断方法。该方法采用卡尔曼滤波器来估计汽车发动机多传感器的可测参数的变化量，对故障信号进行信息重构，再由神经网络训练修正噪声误差，并据此进行发动机故障诊断。实验仿真表明，该方法是可行、有效。 关键词：信息融合；联邦卡尔曼滤波器；神经网络；汽车发动机 1、引言 汽车发动机中传感器的数量和种类越来越多，各传感器具有不同的测量值和噪声特性，需要将它们送来的信息综合处理，同时对估计精度和容错性等要求也越来越高。联邦卡尔曼滤波器是一种分布式滤波器，采用分块估计结构，对多传感器组合系统实现信息融合及系统整体状态的最优估计。该算法具有计算量小、实现简单、信息分配灵活、容错结构良好等诸多优点[1]，越来越受到研究者的关注。而神经网络由于其本身信息处理特点，如并行性、自学习、自组织性、联想记忆功能等，使其能够出色解决那些传统模式识别方法难以圆满解决的问题，目前神经网络是故障诊断领域中的一个研究热点。本文提出一种利用卡尔曼滤波器及神经网络相结合的复合故障诊断方法，，，。 i=1，…，N;全局滤波器相应为:则联邦滤波器的计算过程如下[4]。 (l)给定初始值:假设在起始时刻全局状态的初始值为，其协方差阵为，系统协方差阵为。将这一信息通过信息分配因子按以下规则分配到各局部滤波和全局滤波器。 (2-1) (2-2) i=1，2，…，N (2-3) 其中，满足信息守恒原则:， ，。 (2)信息的量测更新:第i个局部滤波器的量测更新为(2-4) i=1，2，…，N (2-5) (3)信息的时间更新 (2-6) (2-7) i=l，2，…，N，m. (4)最优信息融合 (2-8) (2-9) (5)进行下一次滤波递推。 可以看出，联邦滤波器实际上就是一种特殊的分散滤波方法，在通常情况下，将标准的卡尔曼滤波器并行处理，可以大大降低计算量，应用灵活方便，具有高水平的融合能力。 2.2神经网络处理器 神经网络处理器就是一个神经网络修正系统。现在一般采用BP算法，多层BP网络不仅有输入节点、输出节点，而且还有一层或多层隐含节点。三层BP网络的拓扑结构如图2.1所示。包括输入层、输出层和一个隐含层。各神经元与下一层所有的神经元联结，层间各神经元之间无联结，用箭头表示信息的流动。BP网络的产生归功于BP算法的获得[5]。 神经网络的学习方法采用BP算法，神经网络的精度和泛化能力分别由训练误差和测试误差两个指标来反映，训练误差反映的是网络对于训练集中的样本的映射精度，而测试精度是指经训练后的神经网络对于未在训练集中出现的样本的映射精度，，，，，，，，，。 图2.1 三层BP神经网络结构图 Fig2.1 The layout of three layers BP neural network 3基于联邦卡尔曼滤波器级联神经网络的压力传感器信号处理结构设计 汽车发动机系统中使用了大量的传感器，包括温度传感器、压力传感器、电流传感器、电压传感器等等[8]，这些传感器在测试过程中，深入现场采集信号，由于系统性能不稳定、外界干扰和噪声等因素的影响，使得采集到的数据或多或少地产生一定的误差。本文以联邦卡尔曼滤波器为信号估计重构工具、BP神经网络为修正系统，以汽车发动机多传感器系统中的进气歧管压力传感器为例，对采集的多个压力信号进行滤波信号处理，滤除噪声，使得经过滤波后的信号基本为现场所采集到的真实数据。 根据发动机多传感器的特点，首先选用联邦卡尔曼滤波器，以多个压力传感器为例，设计了用于汽车发动机压力传感器采集信号处理的总体结构，如图3.1所示。 图3.1汽车发动机多压力传感器联邦卡尔曼滤波器结构 信号处理的实际问题，就是要解决在噪声中提取信号的问题。图3.1中，局部滤波器(即标准卡尔曼滤波器)根据状态方程和测量方程来对汽车发动机系统中的每个压力传感器采集信号进行滤波处理，并将每步的滤波结果……传递给主滤波器。主滤波器完成信息的最优融合，形成全局系统的综合信息和。每个滤波阶段完成后，由主滤波器将合成的全局估计以及按照“信息分配”原则形成的信息分配量，向各局部滤波器进行信息反馈。 信号通过联邦卡尔曼滤波器模块处理后，进入神经网络模块进行修正处理。为使网络具备对测得参数进行滤波和修正处理能力，将信号不同时刻的数值送入神经网络，分别作为输入样本