傳感器的簡介

1、基于傳感器的引擎故障診斷1. 緒言 信息融合，當應用故障診斷和缺陷檢測時，主要圍繞著兩個產要問題：（1） 怎樣通過整合多傳感器獲得的有可能多余的信息中得到對潛在故障有價值的信息。（2） 怎樣結合由傳感器獲得并不精確的可能有沖突的數(shù)據(jù)做出決策。在引擎故障診斷方面，首要問題是將從傳感器數(shù)據(jù)中揭露的引擎特征在方案中有條理的表達出來。此外，由于傳感器信息具有不完整性，不確定性，不精確性，結合機械裝置使這些不利因素最小化是迫在眉睫的。機械裝置的有效性很大程度上依賴于怎樣篩選傳感器中存在的潛在的數(shù)據(jù)。同樣重要的是決定在多大程度上融合過程是抽象的。例如，在測量級，在特征級，在決策級。一般來說，通過傳感器在特

2、征級獲取的數(shù)據(jù)，可以準確的描述引擎的質量。詳細可參見文獻【4-6】。其中有對目前這種類型的數(shù)據(jù)融合的例子。第二個在于有關引擎診斷方面做出決策的質量問題?；诓煌瑐鞲衅鲾?shù)據(jù)做出的決策可能是不同的甚至是相互沖突的。這種現(xiàn)象是可以理解的。在這種情況下面臨的挑戰(zhàn)是如何察覺傳感器之間的沖突，并綜合它們做出一個有效的決策。這就是本次論文的中心。在制定決策分析的基礎上，本文通過假設論述兩種傳感器形態(tài)，對單活塞發(fā)動機進行實時監(jiān)控。一種從聲學特征方面進行監(jiān)控，一種則從機械振動方面進行監(jiān)控。這兩種方式通常運用在發(fā)動機裝配生產線的最后階段。聲學模態(tài)監(jiān)控是與時間相關的，而振動模式的監(jiān)控性能與氣門間隙有關。融合兩種模式

3、可有效避免錯誤從而獲得可靠的決策。在此方面已經有大量的基于貝葉斯理論的研究工作，基本策略是：如果先驗概率事先確定，那么后驗概率可使用貝葉斯公式，這些例子可以參考文獻【7-9】。貝葉斯融合是用來提高集成信息條件下，兩種不同的線索獲得的X射線成像系統(tǒng)的動態(tài)。貝葉斯網(wǎng)絡是常用來將聯(lián)合概率推理及時參數(shù)與關鍵制造環(huán)境下質量控制相結合【8】這種方法適用于制造缺陷檢測與診斷，文獻【9】中描述了以貝葉斯模型為基礎的診斷方法，其中提供概率推理與邏輯推理，以盡量減少決策的不確定性?；谪惾~斯理論的融合技術已經在其他領域，如進化過程控制，目標跟蹤和目標識別，發(fā)生了演變。盡管如此，也只有在足夠的和適當?shù)南闰灨怕屎蜅l件

4、可供選擇的情況下，假設就可以通過先驗概率和后驗概率獲得。但這些假設在許多其他情況下會變成不合理的。作為貝葉斯理論的擴展，Depmster-Shafer證據(jù)理念使用信息和可信性功能。以量化證據(jù)和不確定性【10-15】，Depmster-Shafe證據(jù)理念模型用于在給定一個假設的前提下，減弱推理過程中由不確定性所帶來的積累誤差。此理論的重要性在于推理或決策都可以進行與證據(jù)不完全符合甚至相矛盾的例證。此理論在故障診斷及缺陷檢測中的應用，可參閱【16-18】，有關柴油機引擎的決策級數(shù)據(jù)融合算法的狀態(tài)監(jiān)測和故障診斷應用可參閱文獻【16】，文獻【18】描述了主持理念與模糊理念結合，可用來提高檢測焊接缺陷的

5、質量。檢測焊接缺陷的不確定性建模為一個加權質量函數(shù)。有關利用證據(jù)理論來合并兩個或多個分類的產出以改善整體分類性能的描述可參閱【18】這種方法的有效性表現(xiàn)在柴油發(fā)動機冷卻系統(tǒng)中有關靜態(tài)恒溫故障檢測中。在本文中，有關單活塞發(fā)動機的故障診斷采用的是多傳感器測量，其中包括振動，聲音、壓力、溫度等，我們將每個傳感器的測量數(shù)據(jù)單獨做為一項提示引擎狀態(tài)信息的證據(jù)。Depmster-Shafe理念常用來關聯(lián)多傳感器測量的有關引擎質量的數(shù)據(jù)，本文結構如下：在第二章中我們將介紹一些初步的證據(jù)理念方面的概念；第三章中介紹該故障檢測方法在案例中的應用；第四章為總結。2. 故障診斷中的證據(jù)理念3. 2.1 證據(jù)理念的初

6、級概念數(shù)學理論隨后Depmster提出，隨后由Shafe擴展，關注的是有關命題系統(tǒng)的問題。在信仰方面相信一個命題與在機遇方面相信一個命題是不同的概念。證據(jù)理論的信仰結構與古典概率模型【】因此這個理論可以看作是一個經典的概率論的推廣，從形式上看，證據(jù)理論關注以下初步符號：（） 識別框架：假設是一個有限集合中的元素，一個元素可以是一個假設，一個對象，或者是我們案例中的一個故障，我們以為是一個識別框架，的子集為的冪集用（）表示，作為一個例子，我們假設某個發(fā)動機可能存在，或三種故障的一個或多個，在這種情況下可將識別框架定義為：是一個空集，如果是的一個子集，那么，我們就可以得出故障是工，或。（） 質量函

7、數(shù)，局部元素和主要元素：當識別框架確定下來之后，的質量分布函數(shù)被定義為在與之間的函數(shù)：，即：質量分布函數(shù)稱為基本分配函數(shù)。在發(fā)動機診斷中，可看作一個由某個基于故障觀測的可信度，不同的信息或證據(jù)可以產生特定的可信度不同的故障信息。這樣的任何一個子集稱為集合元素，稱為在中集元的子集（） 可信度概率函數(shù)功能：Bel函數(shù)被定義為：和函數(shù)Pls被定義為：函數(shù)的功能用于測量A中元素的總的可信性概率，它反應了必然性與可信性的程度，并構成對A概率較低的限制功能。另一個方面，概率函數(shù)，可用于測量概率A分布中最大值，它描述了可信度的概率。（4） 可信度區(qū)間反映了可信度的不確定性，間隔時間跨度描述了A的不可預知性。

8、（5） 可信度函數(shù)的性質：如果，那么并且（6） 證據(jù)理論組合規(guī)則：假設、是基于不同的信息源得到的有關質量分布函數(shù)的數(shù)據(jù)，因此我們可知：此時K代表一個基本的概率系數(shù)，用來表示證據(jù)與數(shù)據(jù)來源之間的沖突關系，由質量分布函數(shù)確定的。K通常被看作各個信息源之間的沖突系數(shù)，5式中的分母是標準化因數(shù)。K值越大，名個源之間的沖突越明顯，信息結合度越小，m產生的功能同樣是一個同一識別框架下的質量分布函數(shù)，既然，同樣可代表現(xiàn)的結合性，并且產生兩個信息源之間的鏈接屬性，上面的規(guī)則結合滿足下列關系：一般而言，中的質量分布函數(shù)測量沖突因子K被定義為：結合質量分布函數(shù)后為：2.2 故障識別框架要建立識別框架，我們需要圍繞

9、證據(jù)推理過程定義對象，涉及到診斷對象和相應的故障識別框架是非常重要的，因為在識別框架中的元素表示診斷假說。例如，如果我們想知道存在于引擎中的某一特征故障，我們可自用發(fā)下識別框架：，其中，h代表該故障的存在，-h代表此故障不存在。為了容納更多的故障信息，識別框架應可擴展為；在此案例中，表示無故障，表示第i個故障不存在。下一步要構建的的動力裝置故障組合對可能存在的故障的了解之上。發(fā)動機組中的每個元素都有一個不同于基本概念分配的職能，識別框架越大，權力集越大，因些，更復雜的計算是護理的依據(jù)。在DempsterShafer理論中一旦建立了識別框架，最關鍵的問題是對信息源所需做的大量的計算。N種故障，M

10、個傳感器，為了簡化，假設所有的故障都是獨立的，并且同一時間只有一個故障存在。質量分布函數(shù)可有兩種方式獲得，一種是基于特征向量。假設 （11）X引擎的狀態(tài)，描述引擎第i個方面的特征；n是描述總數(shù)。這些手生都是從傳感器中獲取而來的。例如，可能是從代表有效值(均方根)信號的一種振動傳感器中獲得的。另一個值可能是來自同一傳感器獲取的信號峭度。這樣，對于種故障，引擎狀態(tài)可用下例矩陣描述：是第個故障特征的矢量，與是第個故障的第個特征描述。，；，；我們可以查看這個矩陣作為原型機故障的參考。假設代表第個傳感器測量的數(shù)據(jù)：是中第個特征，第個傳感器提供的元素數(shù)，。問題是，對提取的特征向量的基本概率賦值計。直觀來說

11、，與越相似，第個故障的可能性越大，第個傳感器的就越遠。相反的，與越不相似，第第個故障的可能性越小，第個傳感器的就越近。有許多措施為量化特征之間的距離測量和故障的原型機。我建議使用閔可夫斯基距離度量(19),這些可以被定義為:是與之間的距離，是常量，比如如果，那么，距離收斂到歐氏距離。同樣，如果，距離收斂到角落距離。所有傳感器測量的差距和故障，都可以由下列矩陣獲得：矩陣的每一行代表傳感器間的差異，每一列代表的是某個故障相對與傳感器的差異。基于第個傳感器的數(shù)據(jù)差異越小，第個故障存在的可能性就越大。最典型的是并且在一個矩陣的形式表達后規(guī)范，我們得到：可以看作為依據(jù)第個傳感器得到的質量分布函數(shù)。另外,

12、故障描述從理論上來講是可能的分布。如果由矢量函數(shù)確定的種故障的可能性，并且，而作為載體的傳感器測量的概率分布；在故障與測量之間的差異就有很多種取值。文獻【】描述了一個兩者之間差異的通用形式：是一個在正實數(shù)集上連續(xù)的凸函數(shù)，是在正實數(shù)集上連續(xù)的增函數(shù)。與的差異主要是測量帶來的。2.3 故障診斷中的證據(jù)結合一旦基本概率密度函數(shù)的表達式確定，最終很容易就確定，可表示為：最終的基本概率值由與之相關的第個故障上的質量傳感器獲得，=1,2,M如前面提及的，所有的故障都是相對獨立的。這樣,最終的基本概率可以基于式（9）和式（10）計算：兩個條件時，應考慮使用此方法。. 故障的相斥性：除了相對獨立性外，在給定

13、的實例下只的一個故障是期望的，即多個故障同時出現(xiàn)的概率是零。2. 加權傳感器：傳感器對信息的敏感度與檢測故障的電路設置有關。它們在能力上的差異,可以歸因于諸如安裝變化因素以及靈敏度，例如,當兩種振動傳感器是用來檢測發(fā)動機的閥門和軸承的故障時,一個傳感器可以安裝在閥蓋上,其他的傳感器可以連接到軸承上。很明顯,相對與對軸承狀態(tài)監(jiān)測，閥門處的傳感器比較敏感。為了對此現(xiàn)象做出解釋，由傳感器提供的質量分布函數(shù)應當加權，這樣可以反應相關傳感器的監(jiān)測能力。這可以通過在前期對傳感器設置權重做到。質量分布函數(shù)式(20)可以修改為式（16）以反應權重。3. 決策規(guī)則：一旦所有傳感器的故障的識別框架和質量分布函數(shù)框

14、架已經確定,就可以對不同的故障設置不能的可信度區(qū)間?；诖?，可以滿足決策需求。（1）.選擇最高可信度時的最大支持規(guī)則。（2）.最高可信度選用時的最高核對規(guī)則。（3）.絕對支持統(tǒng)治,假設最大限度的選擇;這是可性度功能，如果證據(jù)的間隔寬度比之間的差異較大，此規(guī)則將不會給一個決定。(4).最大可性度規(guī)則：假設最大可信度函數(shù)選擇，將不能以此評定產出質量。對于不同的傳感器數(shù)據(jù)，采用不同的決策方式，可得出差異很大的結論。不同的規(guī)則可能導致不同的結論，例如，根據(jù)規(guī)則（1），故障B存在。然而，根據(jù)規(guī)則（2），故障A存在。很明顯的，這兩個結論是沖突的，應為在給定的條件下只有一個故障可以發(fā)生。這樣，那一個結論才是

15、正確的呢？我們保持那個觀點差異來反映一個假設的無知程度，看法差異越短缺，這個假設就越不確定。因此，一個合理的結論定理得出，遵循一下原則，對于一個觀點最大的自信來源于假設的最大的看法作用和最下的看法差異;否則，這個決定將和最大觀點作用的假設有關。我們把這個規(guī)則說成基本原理定理。根據(jù)這個定理，這個決定將贊成故障B，】2.4 功能評價在這個Dempster-Shafer證明原理中，一個提示，可以代表來一個可信度情況。換句話說，來源于證據(jù)論的信心是一個基本可能的幫助功能在故障識別框架上，這樣，一個看法開（）是證明故障框架識別的反映，例如，空洞的成分；m()=1，意思是沒有信息來自相關的證明；確定函數(shù)：

16、m(x)=1，意思是在函數(shù)（）里的x等于1，這就是反映x的存在確認。 但是，關于故障識別框架上的子信息可以用函數(shù)來表示，或者，怎樣在（）上測出功能在證明別結合之后。在這里，我們使用一個測量提議，這個提議由Yager提出來的，這個測試被叫（）他過去是（）。證明上為量化信息。這個測試唄解釋為 代表在框架下質量分布函數(shù)中熵的存在；m從原始的證據(jù)（在融合之前的傳感信息）或者來自融合后的數(shù)據(jù)（多傳感器的融合信息）中獲得，因此，如果這證明是可融合的，那么可用來表征多傳感器信息的融合性能，這一點從式（22）中可以很容易得到。.，是集合中的元素；.，如果存在兩個焦點成份和，那么。.，如果。越接近于，在信仰結構

17、中就包含越多的信息?？偨Y本文介紹了一種多傳感器實現(xiàn)的以證據(jù)理論為基礎的發(fā)動機故障診斷系統(tǒng)。探討了在發(fā)動機診斷問題背景下的證據(jù)理論的角度,大眾的識別故障框架功能和證據(jù)組合。我們提出了兩種計算方法,并提出了一種改進的質量分布函數(shù)來提高質量證據(jù)結合性能。此外,我們提出了合理的診斷決策規(guī)則,并介紹了有關熵在證據(jù)信息融合中的性能。我們在實例中運用了所提出的方法。我們展示了如何解決決策沖突問題的實驗結果,以及如何進行故障診斷的準確性判斷,可改善多傳感器融合信息。參考文獻：1 J.M. Richardson, K.A. Marsch, Fusion of multisensor data Internati

18、onal Journal of Robotic Research 7 (1988) 7896.2 R.C. Lou, M.G. Kay, Multisensor integration and fusion intelligent systems, IEE Transactions of System, Man an Cybernetics 19 (1989) 901931.3 X.E. Gros, Applications of NDT Data Fusion, Kluwer Academic Publishers, 2001.4 H.X. Liu, Extraction and integ

19、ration of diagnosis information from acceleration signals, Ph.D. Thesis, Xian Jiaotong University, Xian, 1997.5 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. 239245.6 S. Park, C.S.

20、G. Lee, Fusion-based sensor fault detection, in: IEEE International Symposium of Intelligent Control, Piscataway, NJ, 1993, pp. 156161.7 A. Dromigny, Y.M. Zhu, Improving the dynamic range of realtime X-ray imaging systems via Bayesian fusion, Journal of Nondestructive Evaluation 16 (1997) 147160.8 M

21、.A. Rodrigues, Y. Liu, L. Bottaci, D.I. Rigas, Learning and diagnosis in manufacturing processes through an executable Bayesian network, in: 13th International Conference on Industrial and Engineering Applications of Articial Intelligence and Expert Systems IEA/AIE-2000, New Orleans, June 2000, pp.

22、390395.9 P. Lucas, Bayesian model-based diagnosis, International Journal of Approximate Reasoning 27 (2001) 99119.10 G. Shafer, A Mathematical Theory of Evidence, Princeton University Press, New Jersey, 1976.11 J.A. Barnett, Computational methods for mathematical theory of evidence, in: Proceedings

23、of IJCAI-81, Vancouver, BC, 1981, pp.868875.12 H.E. Kyburg Jr., Uncertain inferences and uncertain conclusions,in: Twelfth Conference on Uncertainty in Articial Intelligence,Portland, OR, August 1996, pp. 365372.13 H.D. Wu, M. Siegel, R. Stiefelhagen, J. Yang, Sensor fusion using DempsterShafer theory, in: IEEE Instrumentation and Measurement Technology Conference, Anchorage, AK, USA, 2002,pp. 2123.14 R.R. Yager, Entropy and specicity in a mathematical theory of evidence, International Journal of General Systems 9 (1983) 249260.15 R.R. Yager, On the DempsterShafer framework and new com