西北工业大学--信息融合期末作业-课稿(共7页).doc

精选优质文档-倾情为你奉上多传感器信息融合技术综述以及关于航空发动机故障检测的一些问题姓名：何世明 学号： 班级：内容摘要：多传感器信息融合技术是一门新兴学科，它的理论和方法已被应用到许多研究领域。本文主要对多传感器信息融合的模型与结构、信息融合的主要技术和方法、信息融合理论体系以及信息融合技术的应用等内容进行了概要介绍和展开了综述。故障诊断技术是实现航空发动机视情维护、降低使用维护成本、保证飞行安全的重要手段，成为航空动力技术领域的研究热点。本文就信息融合技术开在航空发动机故障融合诊断研究中，传感器故障融合诊断的一些问题予以处理。关键词：航空发动机，故障诊断，多传感器；传感器故障诊断，信息融合；综述随着传感器技术、数据处理技术、计算机技术、网络通讯技术、人工智能技术和并行计算的软硬件技术等相关技术的发展，多传感器信息融合技术已受到了广泛关注。我国从20世纪90年代也开始了多传感器信息融合技术的研究和开发工作，并在工程上开展了多传感器识别、定位等同类信息融合的应用系统的开发，现在多传感器信息融合技术越来越受到人们的普遍关注。1 多传感器信息融合的主要技术和方法信息融合作为对多传感器信息的综合处理过程，具有本质的复杂性。传统的估计理论和识别算法为信息融合技术奠定了不可或缺的理论基础。但同时我们也看到，近年来出现的一些新的基于统计推断、人工智能以及信息论的新方法，正成为推动信息融合技术向前发展的重要力量。（1）信号处理与估计理论方法:信号处理与估计理论方法包括用于图像增强与处理的小波变换技术、加权平均、最小二乘、Kalman滤波等线性估计技术，以及扩展Kalman滤波（EKF），Gauss滤波等非线性估计技术等。（2）统计推断法:统计推断法包括经典推理，Bayes推理，证据推理（D-S），随机集（Random Set）理论以及支持向量机（SVM）理论等。（3）信息论方法:信息论方法有一个共同的特点，即目标实体的相似性反映了观测参数的相似性，因而不需要建立变量随机方面的模型。运用优化信息度量的手段融合多源数据，从而获得问题的有效解决。（4）决策论方法:决策论方法往往应用于高级的决策融合。可以借助决策论方法融合可见光、红外以及毫米波雷达数据用于报警分析。（5）人工智能方法:人工智能方法包括模糊逻辑、神经网络、遗传算法、基于规则的推理以及专家系统、逻辑模板法、品质因数法等，在信息融合领域的应用也取得了一定的成果。（6）几何方法:几何方法通过充分探讨环境以及传感器模型的几何属性来达到多传感器信息融合的目的。2 多传感器信息融合技术的应用“信息融合”一词出现的初期，未引起人们的重视，只局限于军事应用方面的研究，C3I系统率先采用多传感器信息融合技术来采集和处理战场信息并获得成功。80年代中期，信息融合技术在军事领域中取得了相当大的进展，在各类作战指挥自动化系统中都发挥着作用。美军已研制了几十个应用信息融合技术的情报收集和作战指挥系统，如空中目标确定和截击武器选择专家系统等。欧洲等国家联合制定了开展“多传感器信号与知识融合系统”（MSSKF）研究计划。信息融合的第二个最有成就的研究和应用领域是智能机器人，智能机器人需要依靠本身的感觉系统综合信息、识别环境、作出决策。Hailar移动机器人首次采用多传感器信息融合技术，使之能在未知环境中操作；Stanford大学将立体视觉、滑觉和超声波传感器用在移动机器人上，用Kalman滤波技术融合传感器信息取得成功。我国对多传感器信息融合的智能机器人、智能系统的研究日益重视。3 多传感器信息融合研究方向展望近二十年来，多传感器信息融合技术受到普遍关注和广泛应用，它的发展正处于方兴未艾的时期，并不断引入新的技术。在多传感器信息融合领域尚有许多工作要做，主要研究方向：（1）多传感器分布检测研究:分布式恒虚警率检测、异类传感器的分布式检测、非高斯杂波中的分布式检测、多传感器分布式检测的自适应融合、分布式检测中的反馈技术和多目标检测技术。（2）多传感器综合跟踪算法研究:多传感器的综合跟踪理论，许多单传感器多目标跟踪算法能否和如何推广到多传感器环境中有待于进一步研究。（3）异类传感器信息融合技术研究:异类多传感器信息融合由于具有时间不同步，数据率不一致及测量维数不匹配等特点，因而具有很大的不确定性。（4）多层估计的一般理论研究:随着信息融合系统层数的增加，会出现许多不同的拓扑结构，多层估计问题也将变得更加复杂，为此需要研究多层估计的一般理论，这种理论应能统一全面地描述各种结构的多层系统。（5）多目标跟踪与航迹关联的联合优化问题:分布式信息融合前端往往级联多目标跟踪数据处理机，现在需要考虑是多目标数据处理机和分布式信息融合在级联情况下的联合最优化问题。（6）多传感器跟踪中的航迹起始问题:多传感器航迹起始方法，对参与航迹起始的传感器数量进行研究，航迹起始对多传感器融合跟踪性能的影响。（7）目标识别及其融合技术研究:目标识别融合是实现自动目标识别的重要途径。在像素级、特征级和决策级进行目标识别及目标识别融合的方法。（8）图像融合技术研究:图像融合在自动目标识别、遥感、机器人视觉、智能制造系统、医学图像处理等领域有着广泛的应用潜力。（9）信息融合中的数据库和知识库技术研究针对应用背景，构造通用的信息融合支撑环境，建立信息融合中的数据库和知识库，研究高速并行推理机制。（10）传感器资源分配和管理技术研究:传感器性能预测，对目标分配方法，空间和时间控制准则，配置和控制策略，接口技术、对目标分配的优先级技术。（11）随机集理论在信息融合中的应用:对于处理复杂随机信息系统是一种有用的方法，随机集理论在不确定分析中显示出了越来越重要的作用。（12）人工智能技术在信息融合中的应用研究:成功的信息融合需要大量的认识功能，人工智能是用计算机处理一般通常由人来处理认识功能的技术。（13）基于粗糙集理论的信息融合方法研究:有效地分析和处理不精确、不一致、不完整等各种不完备信息，并从中发现隐含的知识，揭示潜在的规律。（14）信息融合系统的性能测试与度量:需要广泛开发大规模计算机模拟技术和融合算法测技术，针对具体的情况，正确地评价多传感器信息融合的结果。（15）信息融合系统的工程实现:将信息融合技术广泛地应用于军事和民事领域，不仅会使该领域的理论研究在更加坚实的基础上向前发展，对提高我国的国际声誉以及赶超世界先进水平均具有深远的历史意义和现实意义。4 关于航空发动机故障检测的背景和意义航空发动机工作在高温、高速、强振动、大应力的恶劣环境下，发动机的工作状态经常变换，承受变载荷，对安全性与可靠性要求极高。由于制造、工艺水平和材料，以及使用、维护和管理水平的限制，设计制造和使用维修成本高昂，对发动机的经济性也有较高的要求。发动机故障在飞行故障中占有相当大的比重，且常常导致飞行中的灾难性事故。在常规维修中，发动机的维修更换费用非常巨大，占到整个维修费用的 60%以上。为了发动机安全高效地运行，节省维修成本，就必须掌握其变化规律，对关键部件实时状态监测与故障诊断。 由于信息处理技术的发展和新型传感器的应用，发动机的监测数据越来越多，相应地进行信号采集、特征提取、状态识别和诊断决策的难度不断增长，激增的数据背后隐藏着许多重要的信息。在诊断过程中，多数处理的是传感器采集的实时数据，需要监测的原始物理量包括温度、压力、转速、燃油量、几何尺寸、振动等，这些原始的非电量信号与环境噪声信号由传感器拾取，仅依赖单一的故障特征和故障诊断方法很难实现有效的诊断任务；信息融合技术采集各种信息源、多格式信息以及辅助知识库的相关信息以获得比单个信息源更准确明晰的诊断和决策，因此，信息融合技术是解决问题的一种有效方法。 基于以上原因，本文以数据挖掘和信息融合为理论基础，研究航空发动机的故障诊断方法，研究对保证航空发动机安全可靠运行、实现发动机视情维修、降低维修更换费用、提高发动机健康管理水平有着十分重要的现实意义。5 航空发动机故障诊断的研究现状 航空发动机故障诊断是现代科学技术的综合体，是在传感器技术、计算机技术以及发动机结构与热力学性能分析和大量维护经验的基础上发展起来的，可以看成是对多源信息感知、传输和综合智能处理的过程。 目前国内外应用于航空发动机故障诊断的系统繁多，主要集中在系统结构划分、系统功能划分以及算法实现这三个方面。按系统结构分为机载嵌入式子系统、地面子系统，按系统功能分为气路分析和性能趋势跟踪、机械性能监控（滑油和碎屑监视、振动监视）和使用寿命监控。研究表明，气路部件故障约占发动机总体故障的 90%以上，国外绝大多数的发动机健康管理相关研究集中在气路性能监控方面。典型的故障诊断算法基于物理模型、基于数据、基于知识和以智能算法为基础的融合方法。5.1 国外研究现状 国外已将航空发动机故障诊断系统广泛用于各类先进的航空和非航空燃气涡轮发动机。在美国，GE 公司在 1969 年开始研制的 T700-GE- 700 和-701 涡轴发动机上装备了状态监视系统（CMS），1979 年为 F404-GE-400 涡扇发动机设计实时发动机监视和寿命跟踪系统（IECMS）。 美国空军的 ECMS 设计成可管理所有类型的军用发动机，其扩展型增加了发动机参数趋势分析，并向全世界 100 个空军基地提供发动机诊断和趋势分析功能软件。以查找故障为目的，还发展了发动机故障诊断的专家系统， 90 年代初，美国国防部和 NASA 联合推动实施了综合高性能涡轮发动机技术（IHPTET）计划，将发动机制造、维护费用降低 35。 近十年来，美国还同时进行多项航空航天系统的健康管理技术研究，NASA 在飞行安全计划（AvSP）中，将基于模型的控制与故障诊断以及先进传感器等技术作为实现 AvSP 的关键，提出了在 25 年内将现有飞行事故发生率降低 90%的目标；NASA、美国国防部和联邦航空局成立专门的课题合作组，进行推进系统控制与健康管理项目（PCHM）的研究；NASA 目前还在开展一项综合系统健康管理计划（ISHM），在 ISHM 中包括基于模型、数据驱动和基于知识规则的三种主要故障诊断方法。 在欧洲，英国在航空发动机健康管理方面以 MAAAP（Management, Affordability, Availability, Airworthiness, and Performance）为目标进行了研究。1975 年，英国发展了发动机使用情况监视系统（EUMS）和低周疲劳计数器（LCFC），并综合两者的经验发展了机群通用的单元体诊断系统。90 年代初，德国为了对液体火箭发动机进行故障诊断开发了基于模式识别的专家诊断系统。法国研究了一种用于阿丽亚娜5 火箭发动机的监测系统，具有诊断速度快、准确率高的特点。在俄罗斯，空军将发电机性能跟踪评价与故障诊断结合在一起，在如米-8 直升机的 TB2-117A 等上得到应用。日本的 Sakamoto 等人对 H-2 运载火箭的发动机实时监测技术作了分析。 5.2 国内研究现状 国内在飞行器健康监控技术研究方面起步较晚，从 80 年代末起，国内的主要院校和科研院所开始对其进行研究。1988 年，由北京航空航天大学、中国民航学院、北京机械维修工程公司和东方航空公司 4 个单位研制的发动机监测和诊断系统（EMD）具有趋势分析和故障诊断的功能。1992 年，国防科技大学研究了液体火箭发动机的健康管理系统 HMS，具有早期故障检测功能。北京航空航天大学与马里兰大学合作，完成了电子产品 PHM 软硬件系统的结构框图及关键技术、主要环节和实施方案的设计，与沈阳飞机设计研究所合作提出一种面向服务的开放式 PHM 体系结构。西北工业大学对可重复使用穿越大气层飞行器的健康管理系统开展较深入的研究，在基于支持向量机和信息融合的旋转机械故障诊断方面进行了一定的研究。中国民航学院通过数据挖掘技术对飞机飞行和维护相关数据资源进行分析，研制出一套具有监测、分类和预报故障的飞机健康管理系统。空军工程大学较早的研制了飞机发动机故障诊断专家系统。哈尔滨工业大学在航天器集成健康管理系统领域展开了颇有成效的研究。南京航空航天大学在利用机载自适应模型故障诊断及模糊诊断方面研究较为成熟，开展了通过滑油磨粒分析故障诊断的研究。在航空发动机故障诊断的算法理论研究方面，神经网络具有非线性拟合与模式识别能力，采用 BP、自联想、自组织、概率等神经网络结构的传感器和气路部件的故障诊断方法得到了广泛研究。以结构风险最小化为基础的支持向量机凭其在小样本的强泛化能力，使得其更适于发动机气路部件故障模式分类。还采用卡尔曼滤波器、遗传算法、数据统计分析方法、模糊算法、免疫算法、混沌算法。6 基于SPSO-SVR的传感器故障融合诊断研究 传感器作为航空发动机故障诊断系统的前端元件，工作环境恶劣，属于故障多发元件。在气路部件故障诊断中，一般假设传感器在无故障工作的前提下进行的。传感器故障直接影响了发动机控制系统和诊断系统的正常工作，开展传感器的可靠性验证及故障诊断具有重要的意义。 1974 年，Wallhagen 首先提出用传感器的解析余度技术来提高发动机控制系统的可靠性。1976 年，Willsky 将广义似然比方法用于线性随机系统的故障诊断，随后一些学者发展了该方法并将其用于发动机控制系统传感器故障检测中。70 年代末，Spang 提出故障指示适应系统（FICA），它利用扩展卡尔曼滤波器及发动机实时模型产生的残差与相应传感器阈值进行比较，以实现传感器硬故障检测和分离，但缺陷是不能检测软故障。80 年代中期，NASA Lewis 研究中心开展了对传感器故障检测、隔离、重构的各种算法的研究，并得到成功验证。Kobayashi 等人围绕发动机可能出现的传感器故障和执行机构故障对该诊断方法进行了扩展研究。近年来，专家系统、神经网络等人工智能算法为代表的故障诊断算法得到了深入研究并取得了一定成果。6.1 航空发动机传感器故障诊断研究 航空发动机故障诊断系统和控制系统中都包含了大量传感器，传感器是故障诊断系统和控制系统的前端元件，传感器故障与否直接决定了诊断精度和控制效果，因此设计集监测、隔离与恢复功能的发动机传感器故障诊断系统，对于保证发动机故障诊断系统和控制系统安全可靠工作至关重要。提出了基于支持向量回归机的自协调粒子群优化（SPSO-SVR）的发动机传感器故障诊断方法，SPSO-SVR 算法直接以 SPSO 训练 SVR 实现 SPSO-SVR 回归模型的构建，避免了已有的以Lagrange对偶原理求解二次规划问题建立SVR模型时遇到的高阶矩阵求解问题，且 SPSO 是对已有 SPO 算法进行改进，在粒子速度和位置同时自协调更新，提高了全局搜索能力，加快了收敛速度。 因此，在系统功能上，目前对发动机传感器分别实现监测、诊断、重构功能的系统设计较多，而设计综合监测、诊断和重构功能于一体的系统不多；在算法实现上，支持向量机虽然较神经网络算法等常用的智能算法有更好的泛化性能，但求支持向量过程较为复杂，会遇到求解高维矩阵问题。6.2 SPSO-SVR算法 支持向量回归机是基于统计学习理论、采用结构风险最小化原则的一种小样本学习方法。该方法将核函数映射到高维空间，解决了低维空间难以构造最优超平面的问题，使最优超平面具有最大的推广能力。传统的 SVR 采用对偶规则，构造 Lagrange 方程，求解最优超平面的凸二次规划问题，不仅算法复杂而且不能直接获得回归函数的权向量和偏置值。粒子群算法是模拟鸟群捕食行为的研究而形成的一种全局优化概率搜索算法，克服了传统优化方法的缺点，具有群智能化特点，可以较快地搜索到全局最优解。为了避免 PSO 陷入局部极小的问 题本文提出 SPSO 算法，是对标准粒子群算法改进后的一种寻优算法。将 SVR 回归函数的权向量和偏置直接作为 SPSO 算法的寻优参数，以此求得支持向量,从而在高维特征空间确定最优超平面的 SPSO-SVR 算法，具有更好计算效能。6.3 航空发动机传感器故障融合诊断系统 信息融合是将来自某一目标的多源信息合成，产生比单一信息源更精确更完全的估计和判决。通过多传感器信息融合，可以扩大时空覆盖范围，增加估计和判决的置信度，改善诊断系统的可靠性。利用信息融合结构对传感器进行综合诊断是解决航空发动机传感器故障诊断的有效途径，设计的传感器故障系统在功能上融合了监测、隔离、诊断和重构；在信源类型上融合了压力、温度、转速，以多传感器融合的方法实现融合诊断系统的功能。基本方法：PSO-SVR 传感器故障诊断系统首先利用小波消噪算法消去所有传感器输出参数的高频噪声，然后通过 SPSO-SVR 进行信号检测，如果传感器信号出现异常则经过相应的逻辑判断选择SPSO-SVR 重构单元，利用剩余无故障传感器测量值重构实现对单、双重传感器故障信号的恢复。 6.3.1 传感器故障 发动机可测信号类型较多，安装的传感器包括温度传感器、压力传感器、转速传感器和振动传感器等，各种类型传感器的精度不同，信噪比也有差别。为了模拟发动机故障测量数据，针对不同类型测量信号迭加不同噪声特性的白噪声，发动机传感器作为整个航空发动机状态监视和故障诊断的前端元件，其健康状况直接影响对发动机故障的诊断效果。发动机传感器按不同的故障特性划分为各种传感器故障类型。根据发动机传感器实际故障情况，冲击故障、偏置故障和漂移故障这三类典型故障较能反映出其故障模式。 由于航空发动机传感器类型、数量都较多，不同类型、不同气路截面传感器在某一时刻发生不同典型故障的模式将会是巨大的。在工程实际中，多个传感器同时发生故障的概率很小，一般只讨论某一时刻单个传感器、某一时刻两个传感器和在不同时刻两个传感器发生同种典型故障的情况。6.2.2 测量信号预处理 航空发动机传感器工作环境恶劣，测量信号中不可避免的混有噪声或者干扰信号，通常可以假设为高斯白噪声。为了更有效地获取发动机工作状态信息并进行正确的传感器故障诊断，需要对噪声进行预处理以提取出有用的测量信号。 由于小波变换同时具有时域和频域上的局部特性以及多分辩特性，能将交织在一起的不同频率组成的混合信号分解成不同频段子信号，按频段分别处理。利用小波阈值去噪方法对测量信号进行预处理具有较好的消噪效果。实现步骤如下 （1） 信号的小波分解。对测量信号归一化，选择合适的小波函数并确定分解的层次，尺度系数为 5，然后对传感器输出的测试信号进行分解计算； （2） 小波分解高频系数的阈值量化。对各个分解尺度的高频系数选择一个阈值，进行软阈值量化处理，阈值的选取采用启发式阈值(heursure)； （3） 一维小波重构。根据小波分解的底层低频系数和各层高频系数进行一维小波重构，以实现信号预处理。6.2.3 传感器故障检测、隔离、重构模型 在航空发动机整个工作范围内实现对传感器的故障检测、隔离和信号重构，以 SPS0-SVR预测算法作为该故障诊断的核心，设计三层传感器故障诊断模型。（1） 故障监视，构建 5 个h 输入单输出 SPS0-SVR 自回归预测单元，分别对应于每个传感器测量信号。（2） 故障决策隔离，SPS0-SVR 预测器的输出与测量输出值的之差和该传感器故障门限值相比较，若超过该传感器的门限值则输出为 1，否则为 0，（3） 故障传感器信号重构，对传感器测量信号进行相关性分析，利用与故障传感器具有强相关的无故障传感器信号作为重构单元训练输入，故障传感器无故障时的测量信号作为该单元的训练输出，以构建 SPS0-SVR 重构单元。6.2.4 结论与总结 主要研究了航空发动机传感器故障融合诊断。在粒子群算法的基础上提出的自协调粒子群算法（SPSO），通过对粒子速度和位置同时自协调更新，提高了全局搜索能力，加快了收敛速度。使得问题更直接、简化。将所提出的 SPSO-SVR 应用于航空发动机传感器单一故障和多重故障的诊断。经小波消噪的传感器信号通过 SPSO-SVR 预测器簇对传感器测试信号进行故障监测，隔离，产生相应的故障模式并实现对故障传感器信号的恢复。验证该传感器故障诊断模型能对由于单一传感器故障、多传感器故障都能进行诊断，对常见的传感器故障具有较强的诊断能力、较高的重构精度。1何友,王国宏.多传感器信息融合及应用M.北京:电子工业出版社,2000,112康耀红.数据融合理论与应用M.西安: 西安电子科技大学出版社,1997,1 3杨万海.多传感器数据融合及其应用M.西安:西安电子科技大学出版社,2004,4 4高隽.智能信息处理方法导论M. 北京:机械工业出版社,2004,65刘大响，金捷，21 世纪世界航空动力技术发展趋势与展望，中国工程科学。 6Jaiwon S, The NASA Aviation Safety Program:Overview.NASA/TM-2000-20987Eva L, Michael J, Robert N, Jet Engine Life Prediction Systems Integrated with Prognostics Health Management, 2004 IEEE Aerospace Conference Proceedings.8郝英，基于智能技术的民航发动机故障诊断和寿命预测研究，南京，南京航空航天大学，2006。 9Litt J S, Simon D L, Gary S, et al, A Survey of Intelligent Control and Health Management Technologies for Aircraft Propulsion Systems, NASA/TM-2005-. 10Garg S, Controls and Health Management Technologies for Intelligent Aerospace Propulsion Systems, AIAA-2004-0949. 11Greogory P S, Knowledge Discovery in Databases: 10 years after SIGKDD Explorations, ACM SIGKDD, 2000, 1(2): 59-61. 12Fayyad U, Piatetsky S, Smyth P, et al, Advances in Knowledge Discovery and Data Mining ( MIT Press, Cambrige, MA), 1996. 13Varshney P K, Distributed Detection Data Fusion, New York: Springer-Verlag, 1996. 14 He Y, Wang G H, Multisensors Information Fusion and Its Applications, Beijing: Publishing House of Electronics Industry, 2000.14王克昌，液体火箭发动机的健康管理系统，上海航天，1992（1）：27-35。 15曾声奎，Pecht M，吴际，故障预测与健康管理（PHM）技术的现状与发展，航空学报，2005，26（5）：626-632。 16孙博，赵宇，黄伟等，电子产品健康监测和故障预测方法的案例研究，系统工程与电子技术，2007，29（6）：1012-1016。 17赵冲冲，基于支持向量机的旋转机械故障诊断，西安，西北工业大学。 18龙兵，孙振明，姜兴渭，航天器集成健康管理系统研究，航天控制，2003（2）：56-61。 19左洪福，发动机磨损状态监控和故障诊断技术，北京：航空工业出版社，1996。 20 郝英，孙健国，白杰，航空燃气涡轮发动机气路故障诊断的现状与展望，航空动力学报，2003，18（6）：753-760。21 郝英，孙健国，杨国庆等，基于支持向量机的民航发动机故障检测研究，航空学报，2005，26（4）：434-438. 22 赵宗贵，信息融合技术现状、概念与结构模型，中国电子科学研究院学报，2006，1（4）：305-312。 23 潘泉，于昕，程咏梅等，信息融合理论的基本方法与进展，自动化学报，2003，Vol 29（4）：599-615。专心-专注-专业