基于多传感器的多故障诊断研究.docx

《基于多传感器的多故障诊断研究.docx》由会员分享，可在线阅读，更多相关《基于多传感器的多故障诊断研究.docx（4页珍藏版）》请在淘文阁 - 分享文档赚钱的网站上搜索。

1、基于多传感器的多故障诊断研究fenghy导语：数据交融分为像素级交融、特征级交融和决策级交融。本文采用特征级数据交融一、建立诊断模型数据交融分为像素级交融、特征级交融和决策级交融。本文采用特征级数据交融，其构造如图1。它既可以有效利用信息又可以减少信息损失。设有M个传感器监视系统运行，每个传感器可以提取不同的特征信号，如：电压、频率、功率谱等。交融中心的输入为：R=S1，S2,SMSiSi1，Si2，SiN其中：Si为第i个传感器的输出特征向量，Sij为第i个传感器第j个特征值，Ni为第I个传感器的特征向量维数，通常，Ni各不一样。系统中还有一些重要信息是不可测的，可以将他们以观察、记录的形式

2、输入交融中心。交融中心对不同传感器的不同特征向量的敏感度是不同的，对不同传感器的不同特征分别赋予不同的权值：wij为交融中心对第i个传感器第j个特征值的敏感度，I为M个传感器中最大特征维数。wij,可由专家打分、统计试验等方法确定。对于特征维数小于l的传感器，用0补齐。数据交融推理方式主要有贝叶斯推理、证据推理、模糊推理等。本文采用模糊推理技术，其构造如图2。首先将不同的特征值进展模糊化处理，对应得到一个隶属度，模糊化处理可以采用不同的函数，本文采用正态函数：x=exp-x-a/b2l模糊推理器由模糊推理规那么组成，推理规那么的一般模型为：Y=RX2Y为故障原因向量，X为故障特征向量，R为推理

3、矩阵或者推理器。模糊推理的关键就在于R的获取，其一般表达形式为：ifsl1，ands12thenf1ifs21andS22thenf2andf3ifs11ands12ands31thenf1andf2这种形式易于表达专家知识，解释性强。最后经过去模糊化，输出诊断结果。去模糊化方法主要有重心法、最大隶属度法、简单平均法、程度重心法等。下面仅列出本文采用的重心法：二、应用实例以某系统加温系统为例。主要测试工程有平台台体加温检查、陀螺加速度计加温检查、温控电路检查。分别用3个温度传感器测量3个部位的温度。硬件连接构造如图3。将各个传感器的输出信号模糊化处理。由传感器技术指标及专家经历确定模糊化函数的

4、参数。传感器1的模糊化函数为：根据专家经历和故障分析得到局部推理规那么，见表1。反模糊化函数采用中心平均反模糊函数。局部实验数据及诊断结果见表2。由表2可知，对于符合已有规那么的诊断结果完全正确，对于不在规那么范围内的数据，诊断结果也令人满足，只是诊断隶属度有所降低。三、完毕语采用多传感器数据交融技术有以下上风：1充分利用传感器信息，进步诊断可靠性；2利用模糊推理技术可以实现多故障同时性诊断，且可以充分利用专家知识；3规那么易修改。专家知识的各个规那么是互相独立的，当发现不正确的规那么时，只需删除或者修改错误规那么，其他规那么不受影响。应用中留意的问题：1专家知识的获取。专家知识在交融经过中起关键作用，错误的专家知识将导致错误的诊断结果；2传感器特征信号的选择和提取是诊断的根据，应充分分析传感器信号形式。