一种多传感器数据融合技术的故障诊断系统.docxVIP

一种多传感器数据融合技术的故障诊断系统 1 数据融合技术的兴起,为数据视频监控系统的发展提供了新的语 在过去的20年里，传感器技术取得了迅速的发展，并在复杂的应用背景下开发了各种传感器数据系统。在这些系统中, 数据表现形式的多样性、数据容量以及数据的处理速度等要求已大大超过人脑的数据综合能力, 数据融合技术应运而生。由于数据融合系统本身所具有的良好性能稳健性、宽阔的时空覆盖区域、很高的测量维数和良好的目标空间分辨力以及较强的故障容错与系统重构能力等潜在特点, 因此, 自数据融合问题一开始提出, 就引起了各国国防部门的高度重视, 并将其列为军事高技术研究和发展领域中的一个重要专题。除此以外, 数据融合技术已成功地应用于众多的研究领域, 如机器人和智能仪器系统, 战场任务与无人驾驶飞机, 图像分析与理解, 目标检测与跟踪, 自动目标识别, 多源图像复合等。数据融合技术或信息融合技术也称为多传感器融合技术。它是利用计算机技术对来自多传感器的探测数据按时序和一定准则加以自动分析和综合的数据处理过程, 以完成所需要的决策和判定。 2 设计理念 2.1 振动监视与诊断 在本系统中, 多传感器数据融合的硬件基础是安装有加速度传感器和位移传感器的电动机, 加速度传感器和位移传感器在旋转机械的振动监视与诊断中应用十分广泛。前者用来测量旋转电动机的振动加速度, 后者属于非接触式传感器, 用于轴位移的测量。在本实验中加速度传感器水平安装于电动机的振动平台上, 位移传感器垂直安装于电动机转轴附近的一个固定位置。 2.2 故障诊断的方法—系统的组成及数据融合原理 图1是本系统所采用的多传感器融合系统的结构框图, 我们首先利用加速度传感器和位移传感器测量电机转动时振动的加速度和转轴的横向位移的动态信号。然后运用小波分析的方法, 提取出这两个传感器信号的适当特征值来辨识设备的故障类型。在本系统被测的三种故障类型中, 这两种传感器所提取出来的特征值有的很接近, 因此可能出现误判决。除此以外, 当某传感器发生故障时, 也可能出现误判决。如果让它们各自独立地识别, 则可能因一种特征出现误判别而产生矛盾的情况。针对这一问题, 引入模糊集理论。对于每一种传感器来讲, 被测故障属于那一种类型的可能性分别用隶属度值来表示, 这样就会得到两组共六个隶属度值。这时仍可能出现这样的情况:传感器系统得到的某故障属于各类的隶属度值不一致, 甚至出现较大的偏差或矛盾的情况。解决办法是:应用模糊概念与D-S证据理论相结合的方法进行数据融合。在故障诊断中, 我们利用位移传感器和加速度传感器得到所测故障属于各类的隶属度作为D-S证据理论中各个传感器的测度函数分配的相关系数, 并用D-S证据理论的联合规则联合每个传感器的测度函数分配, 形成融合的测度函数分配。最后利用融合后的结果, 并根据一定规则, 进行故障的判定与决策。 3 多传感器融合模型 当D-S证据理论用于多传感器融合时, 从传感器获得的相关系数值就是该理论中的证据, 根据这些证据, 可以构成新的测度函数分配, 它表示每一个目标假设的可信程度, 每一个传感器形成一个证据组。所谓多传感器融合就是通过D-S联合几个证据组, 形成一个新的证据组。即用D-S联合规则联合每个传感器的测度函数分配, 形成融合的测度函数分配。 3.1 对目标类型qj的测度 测度函数分配, 是表示人们对目标假设的可信程度的一种推理, 是一种人的判断, 这种判断受各种因素的影响, 不同的思想会构成不同的测度函数分配公式。文献的测度函数分配公式没有考虑到目标数的影响, 本文将目标类型引入算法, 定义: αi=max{Ci(qj) } j=1, 2…Nc(1) βi=Ncωi∑j=1NcCi(qj)?1Nc?1Nc≥2(2)Ri=ωiαiβi∑j=1Nsαjβjωj(3)βi=Νcωi∑j=1ΝcCi(qj)-1Νc-1Νc≥2(2)Ri=ωiαiβi∑j=1Νsαjβjωj(3) 这里Ci(qj) 是传感器i对目标类型qj的相关系数;Nc为目标类型数;Ns是传感器总数;ωi是传感器i的环境加权系数, 其值为[0, 1];αi是传感器i的最大相关系数;βi是传感器i的相关分配值;Ri是传感器i的可靠性系数。 则传感器i对目标qj的测度函数分配值mi(qj) 为: mi(qj)=Ci(qj)∑j=1nCi(qj)+Ns(1?Ri)(1?αiβiωi)(4)mi(qj)=Ci(qj)∑j=1nCi(qj)+Νs(1-Ri)(1-αiβiωi)(4) 传感器i的不确定性 (uncertainty) θ的测度函数分配值mi(θ) 为: mi(θ)=Ns(1?Ri)(1?αiβiωi)∑j=1nCi(qj)+Ns(1?Ri)(1?αiβiωi)(5)mi(θ)=Νs(1-Ri