传感器的简介.doc

《传感器的简介.doc》由会员分享，可在线阅读，更多相关《传感器的简介.doc（9页珍藏版）》请在淘文阁 - 分享文档赚钱的网站上搜索。

1、【精品文档】如有侵权，请联系网站删除，仅供学习与交流传感器的简介.精品文档.基于传感器的引擎故障诊断1. 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：（1） 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。（2） 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

2、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。

3、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

4、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

5、【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

6、中的应用；第四章为总结。2. 故障诊断中的证据理念3. 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【】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，我们以为是一个识别框架，的子集为的幂集用（）表示，作为一个例子，我们假设某个发动机可能存在，或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：

7、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，或。（） 质量函数，局部元素和主要元素：当识别框架确定下来之后，的质量分布函数被定义为在与之间的函数：，即：质量分布函数称为基本分配函数。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Pls被定义为：函数的功能用于测量A中元素的总的可信性概率，它反应了必然性与可信性的程度，并构成对A概率较低的限制功能。另一个方面，概率函数，可用于测量概率A分布中最大值，它描述了可信度的概率。

8、（4） 可信度区间反映了可信度的不确定性，间隔时间跨度描述了A的不可预知性。（5） 可信度函数的性质：如果，那么并且（6） 证据理论组合规则：假设、是基于不同的信息源得到的有关质量分布函数的数据，因此我们可知：此时K代表一个基本的概率系数，用来表示证据与数据来源之间的冲突关系，由质量分布函数确定的。K通常被看作各个信息源之间的冲突系数，5式中的分母是标准化因数。K值越大，名个源之间的冲突越明显，信息结合度越小，m产生的功能同样是一个同一识别框架下的质量分布函数，既然，同样可代表现的结合性，并且产生两个信息源之间的链接属性，上面的规则结合满足下列关系：一般而言，中的质量分布函数测量冲突因子K被定

9、义为：结合质量分布函数后为：2.2 故障识别框架要建立识别框架，我们需要围绕证据推理过程定义对象，涉及到诊断对象和相应的故障识别框架是非常重要的，因为在识别框架中的元素表示诊断假说。例如，如果我们想知道存在于引擎中的某一特征故障，我们可自用发下识别框架：，其中，h代表该故障的存在，-h代表此故障不存在。为了容纳更多的故障信息，识别框架应可扩展为；在此案例中，表示无故障，表示第i个故障不存在。下一步要构建的的动力装置故障组合对可能存在的故障的了解之上。发动机组中的每个元素都有一个不同于基本概念分配的职能，识别框架越大，权力集越大，因些，更复杂的计算是护理的依据。在DempsterShafer理论

10、中一旦建立了识别框架，最关键的问题是对信息源所需做的大量的计算。N种故障，M个传感器，为了简化，假设所有的故障都是独立的，并且同一时间只有一个故障存在。质量分布函数可有两种方式获得，一种是基于特征向量。假设 （11）X引擎的状态，描述引擎第i个方面的特征；n是描述总数。这些手生都是从传感器中获取而来的。例如，可能是从代表有效值(均方根)信号的一种振动传感器中获得的。另一个值可能是来自同一传感器获取的信号峭度。这样，对于种故障，引擎状态可用下例矩阵描述：是第个故障特征的矢量，与是第个故障的第个特征描述。，；，；我们可以查看这个矩阵作为原型机故障的参考。假设代表第个传感器测量的数据：是中第个特征，

11、第个传感器提供的元素数，。问题是，对提取的特征向量的基本概率赋值计。直观来说，与越相似，第个故障的可能性越大，第个传感器的就越远。相反的，与越不相似，第第个故障的可能性越小，第个传感器的就越近。有许多措施为量化特征之间的距离测量和故障的原型机。我建议使用闵可夫斯基距离度量(19),这些可以被定义为:是与之间的距离，是常量，比如如果，那么，距离收敛到欧氏距离。同样，如果，距离收敛到角落距离。所有传感器测量的差距和故障，都可以由下列矩阵获得：矩阵的每一行代表传感器间的差异，每一列代表的是某个故障相对与传感器的差异。基于第个传感器的数据差异越小，第个故障存在的可能性就越大。最典型的是并且在一个矩阵的

12、形式表达后规范，我们得到：可以看作为依据第个传感器得到的质量分布函数。另外,故障描述从理论上来讲是可能的分布。如果由矢量函数确定的种故障的可能性，并且，而作为载体的传感器测量的概率分布；在故障与测量之间的差异就有很多种取值。文献【】描述了一个两者之间差异的通用形式：是一个在正实数集上连续的凸函数，是在正实数集上连续的增函数。与的差异主要是测量带来的。2.3 故障诊断中的证据结合一旦基本概率密度函数的表达式确定，最终很容易就确定，可表示为：最终的基本概率值由与之相关的第个故障上的质量传感器获得，=1,2,M如前面提及的，所有的故障都是相对独立的。这样,最终的基本概率可以基于式（9）和式（10）计

13、算：两个条件时，应考虑使用此方法。. 故障的相斥性：除了相对独立性外，在给定的实例下只的一个故障是期望的，即多个故障同时出现的概率是零。2. 加权传感器：传感器对信息的敏感度与检测故障的电路设置有关。它们在能力上的差异,可以归因于诸如安装变化因素以及灵敏度，例如,当两种振动传感器是用来检测发动机的阀门和轴承的故障时,一个传感器可以安装在阀盖上,其他的传感器可以连接到轴承上。很明显,相对与对轴承状态监测，阀门处的传感器比较敏感。为了对此现象做出解释，由传感器提供的质量分布函数应当加权，这样可以反应相关传感器的监测能力。这可以通过在前期对传感器设置权重做到。质量分布函数式(20)可以修改为式（16

14、）以反应权重。3. 决策规则：一旦所有传感器的故障的识别框架和质量分布函数框架已经确定,就可以对不同的故障设置不能的可信度区间。基于此，可以满足决策需求。（1）.选择最高可信度时的最大支持规则。（2）.最高可信度选用时的最高核对规则。（3）.绝对支持统治,假设最大限度的选择;这是可性度功能，如果证据的间隔宽度比之间的差异较大，此规则将不会给一个决定。(4).最大可性度规则：假设最大可信度函数选择，将不能以此评定产出质量。对于不同的传感器数据，采用不同的决策方式，可得出差异很大的结论。不同的规则可能导致不同的结论，例如，根据规则（1），故障B存在。然而，根据规则（2），故障A存在。很明显的，这两

15、个结论是冲突的，应为在给定的条件下只有一个故障可以发生。这样，那一个结论才是正确的呢？我们保持那个观点差异来反映一个假设的无知程度，看法差异越短缺，这个假设就越不确定。因此，一个合理的结论定理得出，遵循一下原则，对于一个观点最大的自信来源于假设的最大的看法作用和最下的看法差异;否则，这个决定将和最大观点作用的假设有关。我们把这个规则说成基本原理定理。根据这个定理，这个决定将赞成故障B，】2.4 功能评价在这个Dempster-Shafer证明原理中，一个提示，可以代表来一个可信度情况。换句话说，来源于证据论的信心是一个基本可能的帮助功能在故障识别框架上，这样，一个看法开（）是证明故障框架识别的

16、反映，例如，空洞的成分；m()=1，意思是没有信息来自相关的证明；确定函数：m(x)=1，意思是在函数（）里的x等于1，这就是反映x的存在确认。 但是，关于故障识别框架上的子信息可以用函数来表示，或者，怎样在（）上测出功能在证明别结合之后。在这里，我们使用一个测量提议，这个提议由Yager提出来的，这个测试被叫（）他过去是（）。证明上为量化信息。这个测试呗解释为 代表在框架下质量分布函数中熵的存在；m从原始的证据（在融合之前的传感信息）或者来自融合后的数据（多传感器的融合信息）中获得，因此，如果这证明是可融合的，那么可用来表征多传感器信息的融合性能，这一点从式（22）中可以很容易得到。.，是集

17、合中的元素；.，如果存在两个焦点成份和，那么。.，如果。越接近于，在信仰结构中就包含越多的信息。总结本文介绍了一种多传感器实现的以证据理论为基础的发动机故障诊断系统。探讨了在发动机诊断问题背景下的证据理论的角度,大众的识别故障框架功能和证据组合。我们提出了两种计算方法,并提出了一种改进的质量分布函数来提高质量证据结合性能。此外,我们提出了合理的诊断决策规则,并介绍了有关熵在证据信息融合中的性能。我们在实例中运用了所提出的方法。我们展示了如何解决决策冲突问题的实验结果,以及如何进行故障诊断的准确性判断,可改善多传感器融合信息。参考文献：1 J.M. Richardson, K.A. Marsch

18、, Fusion of multisensor data International 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,

19、 2001.4 H.X. Liu, Extraction and integration 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, vo

20、l. 1, 1994, pp. 239245.6 S. Park, C.S.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 Nondestr

21、uctive Evaluation 16 (1997) 147160.8 M.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/

22、AIE-2000, New Orleans, June 2000, pp. 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 mathematica

23、l theory of evidence, in: Proceedings 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, S

24、ensor 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 Dempst

25、erShafer framework and new combination rules, Information Sciences 41 (1987) 93137.16 H.F. Wang, J.P. Wang, Fault diagnosis theory: method and application based on multisensor data fusion, Journal of Testing and Evaluation 28 (2000) 513518.17 V. Kaftandjian, O. Dupuis, D. Babot, Y.M. Zhu, Uncertaint

26、y modeling using DempsterShafer theory for improving detection of weld defects, Pattern Recognition Letters 24 (2003) 547564.18 C.R. Parikh, M.J. Point, N.B. Jones, Application of DempsterShafer theory in condition monitoring systems: A case study, Pattern Recognition Letters 22 (2001) 777785.19 Y.L. Cai, Pattern Recognition, Press of University of Xian Electronical Science and Technology, Xian, China, 1986.20 M. Bassevelle, Distance measures for signal processing and pattern recognition, Signal Processing 18 (1989) 349369.