信息融合课件

《信息融合课件》由会员分享，可在线阅读，更多相关《信息融合课件（71页珍藏版）》请在金锄头文库上搜索。

1、信息融合在电机故障诊断中信息融合在电机故障诊断中 的应用的应用 目录 研究背景 电机故障信息分类及传统方法 基于信息融合的电机故障诊断技术 D-S证据理论的应用及算例分析 总结与展望 参考文献 研究背景 自20世纪80年代以来，尤其是随着计算机技术的迅速发 展和普及，电机设备故障诊断技术已成为一门跨学科的综 合信息处理技术，它以可靠性理论、信息论、系统论为理 论基础，涉及到诸多学科与技术，是一门实用性很强的新 兴技术，正受到越来越多行业的重视。电机故障诊断过程 的根本目的就是获取电机运行时的状态信息，并对电机性 能进行评价，在电机故障诊断过程中，如何对大量信息进 行处理和综合利用是电机故障诊断

2、技术需要重点研究的问 题。 信息融合技术是当前迅速发展起来的一个热门技术，目 前在电机故障诊断领域，这一技术得到了广泛的关注。 电机故障信息分析 电机故障诊断的首要问题在于指出不同故障的各自特 征，这需要对电机故障信息进行分析。在故障诊断过程中 ，根据电机状态信息的物理特征来划分： （1）电机振动（如电磁振动, 机械振动等）； （2）电机噪声（如电磁噪声、空气动力噪声、机械噪声 、轴承噪声和电刷噪声等）； （3）电机运行中的过程量和过程参数 （如电机工作时的 电流、电压、频率、阻抗、输入输出功率、转速、转矩等 过程量和过程参数等）； （4）其它信息（如电机表面温度、漏磁等）。 这些信息从不同侧

3、面、程度和层次反映了电机运行情况。 传统的电机故障诊断系统结构图 该诊断是基于单个参数、单个特征的。该故障诊断系 统通过对某个可观测参数的特征提取判断是否存在故障特征 从而做出诊断。诊断的可信度由模型的精度和信号处理的分 辨率决定。在电机故障诊断领域中，由传感器所反映出的信 息包含了大量的不确定性。不确定性主要有： 传感器信号的不确定性 信号采集和信号处理中的不确定性 电机运行环境的不确定性和诊断过程的不确定性 基于信息融合的电机故障诊断技术 电机故障自电机发明以来一直是研究人员和制造商关 心的问题。同时传统的电机故障诊断技术存在本身固有的 不确定性，尤其是对于大型复杂的电机机组。在电机故障

4、诊断领域尚处于起步阶段，之所以能将数据融合技术应用 于故障诊断，是基于下面原因： 1.传感器类型和数量多，需要处理的信息量增大； 2.信号与特征之间的非线性； 3.故障诊断中的不确定性。 电机故障的信息融合方法综述 利用信息融合技术进行电机故障诊断的方法很多，主要可 归纳如下： （1）信号处理 包括加权平均、自适应滤波、时域相关技 术、频谱分析、时频分析、高阶谱分析、神经网络等技 术，可对信号进行变换和重构，在不同的分析域中观察提 取信号中蕴含的不同特征。 （2）参数优化 将不同的过程参数和信号指标进行重新组 合和优化，产生更好的反映诊断对象的参数，其中的方法 包括：尺度共轭法、遗传算法、多变

5、量分析等。 （3）统计和模式识别 包括人工神经网络、统计决策理论 、聚类分析等。 （4）智能诊断 这是一个决策级的融合过程，神经网络、 贝叶斯推理、D-S证据理论、模糊推理等可被用于电机的 智能诊断。 使用D-S证据理论 对于不确定性信息的处理，D-S证据理论方法提供了有 效的手段。 D-S证据理论是一种数据融合方法，其具有坚实的数学基 础直观性强易于描述广泛用于信息融合和不确定推理等领 域它能依据不确定性的信息进行推理因此更加准确全面地 认识和描述诊断对象增加电机故障诊断的信任度 。 D-S证据理论具有很强的处理不确定信息的能力，它不需 要先验信息，对不确定信息的描述采用“区间估计”而不是“

6、 点估计”的方法，解决了关于“未知”即不确定性的表示方法 ，在区分不知道与不确定方面以及精确反映证据收集方面 显出很大的灵活性。 D-S证据理论 u定义 1 令某条件E(或证据)下所有假设的有限集合U = x1 , x2， ，xn为识别框架,U的所有子集所构成的集合为幂集 ，记为 2 U。 u定义 2 给定一识别框架U，U的幂集 2U 上的一个映射 m:2U0,1在满足下列条件: (1) (2) 时，称 m( A)为A的基本概率分配函数或概率赋值。它表 示对命题A的精确信任程度。 u定义 3 AU，如果 m( A) 0，则称A为信任函数Bel的焦元 。 u定义 4 设信任函数Bel的焦元为 A

7、1, A2, An，则称 为Bel的核。 u 定义 5 给定一识别框架U，m:2U0,1是U上的基 本概率赋值(或可信度分配)，定义函数： Bel：m:2U0,1 称函数Bel是U上的信任函数。 其中， 表示A的所有子集的可能性度量之 和，也就是表示对A的总信任度，从而可知： u 定义6 给定识别框架U，称 为A的似然函 数，记为pl ( A)。也即 那么，称 Bel ( A), pl( A)为A的信任区间。 u 定义 7 【Dempster组合规则】设 Bel1 和 Bel2 是同一识 别框架U上的两个信任函数，m1和m2分别是其对应的基本 概率赋值，相对应的焦元分别为A1，A2，.，Ak和

8、B1，B2 ，.，Bk。又设 那么，合成后的基本可信度分配函数m: 2U0 ,1表示如 下： 在上式中，若K1,则m确定一个基本概率赋值;若 K =1， 则认为 m1 和 m 2矛盾，不能对基本概率赋值进行组合。由 定义7给出的证据组合规则称为Dempster组合规则。对于多 个证据的组合，可对证据进行两两综合，最终得出组合结 果。 D-S 证据理论的推理过程 在数据融合中应用D-S证据理论进行推理的基本过程如图所示，主要 分为以下几个步骤： 1.在深入分析决策问题的基础上，构造系统的命题集，即系统识别框 架； 2.针对目标信息系统，构造基于识别框架的证据体 Ei , i= 1,2,.,N；

9、3.根据所收集各证据体的资料，结合识别框架中各命题集合的特点， 确定各证据体的基本可信度分配 mi (A j), j= 1,2,.,k; 4.分别计算单证据体作用下识别框架各命题的信度区间Beli ,pli； 5.用 D-S 合成规则计算所有证据体联合作用下的基本可信度分配 m( A j)和信度区； 6.根据具体问题构造相应的决策规则； 7.根据该决策规则得出决策结论。 证据理论在信息融合中的推理过程图 D-S证据理论的应用及算例分析 对于一台电机，假如发现振动情况，那么振动的类型 可能是机械振动或电磁振动，那么是哪一种情况还是兼而 有之呢？ 分析 我们选取用三个独立的传感器来检测电机的两种可

10、能故 障，且假设机械振动为故障A,电磁振动为故障B, 那么： 识别框架为：故障A和故障B; 幂集为：故障A、故障B、故障A，故障B; (其中故障 A，故障 B表示可能是故障 A 也可能是故障 B ，实际上就是无法准确区分这两种故障，故用不确定代替) 假定经过三个传感器某次检测后判断得到关于故障A和B的可 信度分配如表1所示 表 1. 三个独立传感器所测结果可信度分配 故障A故障B不确定 传感器1m1(A)=0.84m1(B)=0.1m1()=0.06 传感器2m2(A)=0.6m2(B)=0.3m2()=0.1 传感器3m3(A)=0.75m3(B)=0.2m3()=0.05 根据定义7的公式

11、，我们可以计算传感器1和传感器2融合后 的各故障的可信度分配 按照D-S证据理论的合成规则，将传感器1和传感器2融合 后的结果与传感器3的判定结果再进行融合，得到最后的 融合结果： 融合结果见表2所示 同样方法我们可以计算出： 表2.三个独立传感器所测结果可信度分配与融合结果 可以看出，每经过一次证据理论的融合，诊断结果的准确 度都得到了一定程度的提高，而不确定度大大降低。所以在 一定程度上采用传感器数量的增多能进一步提高诊断 应用中发现，尽管D-S证据理论的应用有一定的优势，但 也发现了一些不足之处，具体表现总结如下。 优点在于： D-S 证据理论具有比较强的理论基础，即能处理随机性 所导致

12、的不确定性，又能处理模糊性所导致的不确定性； D-S 证据理论可以依靠证据的积累，不断缩小假设集； D-S 证据理论能将“不知道”和“不确定”区分开来； D-S 证据理论可以不需要先验概率和条件概率密度。 小结 缺点在于： l 证据理论具有潜在的数据复杂度； l在推理链较长时，使用证据理论很不方便； l当基本概率赋值有一个很小的变化都可能导致结果很大的 变化，甚至出现矛盾 ； l当 D-S 证据理论在处理两个相互矛盾的基本概率分配函数 时，得到的结果不理想。 神经网络和D-S证据理论 由于单纯使用D-S证据理论，仍然存在一些缺陷，于是 提出了一种基于神经网络和 D-S 证据理论相结合的电机故

13、障综合诊断模型, 这样可以提高故障诊断的判决精度，有效 的减少误判和漏报。神经网络的结构选取还可以根据具体 的研究对象选择更合适的结构形式。比如可以采用BP 网络 、径向基网络、自组织网络、集成神经网络等。 比如在测点很多的情况下，将各测点的信号可由各自 对应的神经网络先诊断，这就将所测到的高维征兆信息空 间分解成若干低维的征兆空间，从而完成单测点的局部诊 断，而后将各神经网络的诊断结果利用D-S证据理论进行 决策融合，最终得到综合诊断结果。 参考文献 1侯新国，夏 立，吴正国.电机故障诊断中的信息融合利用问题研究. 海军工 程大学学报,2004,6 2孙向作,潘宏侠.基于多传感器数据融合的电

14、机故障诊断. 微计算机信息(测控 自动化),2008, 9 3付 华,冯爱伟,单亚峰,徐耀松,王传英.基于信息融合技术的电机故障诊断. 辽 宁工程技术大学学报,2006,8 4稽 斗，王向军.一种电机故障信息融合诊断方法研究. CSCAS 2007 5倪国强,梁好臣.基于 Dempster-Shafer 证据理论的数据融合技术研究.北京理 工大学学报.2001.26(3).610 6王 琳.多传感器信息融合技术及其应用.硕士学位论文，华北电力大学,2002 7王耀南,李树涛.多传感器信息融合及其应用综述.控制与决策,2001,16 8 刘青松,钱苏翔,严拱标.基于多传感器的信息融合技术在电力系

15、统中的应用. 微计算机信息，2006，3 9 张建文电气设备故障诊断技术中国水利水电出版社,2006 10马志刚,张文栋,王红亮D-S改进算法在数据融合中的应用.微计算机信息 ，2007，23 基于多传感器信息融合 的红外小目标识别 第1组成员：安婷婷 黄萍萍 纪 洁 融合方法 研究实例 改进方案 针对红外小目标难以识别且可 信度低的问题， 我们结合已有的识别算法， 提出了一种基于D-S证据理论的 多传感器信息融合的红外小目 标识别方法， 将小目标的灰度和速度信息作 为主要识别证据, 并在此基础上加入小目标的轨 迹信息作为补充证据,以提高识 别置信度。 通过多传感器信息融合的方法 达到证据积累

16、的效果， 大大提高了红外小目标的识别 可信度。 对复杂场景下的红外小目标探测 识别技术 一直是监视和告警技术 的重要组成部分。 当目标距离较远时，目标在光学 系统中所成的像是小目标(点和斑 点目标)形态， 而且目标的对比度比较低。 小目标与面目标相比， 由于成像面积小、信号弱、信噪 比低、背景复杂、具有一定的运 动性， 所以检测识别小目标成为当前一 个既热门又困难的课题 。 背景介绍 一般的，空中小目标包括：真实目标(T)、诱饵(D)、 随机噪声(N)和红外辐射星体(S)四种。 空中小目标可以用来作为识别证据的信息主要是 运动信息和灰度信息。 首先利用运动信息区分出真实目标和诱饵与随机噪声 、红外辐射星体的不同，这样识别框架为TD，N，S， 再利用红外小目标平均灰度之比的信息区