外文翻译范例2.docx
- 文档编号:8806565
- 上传时间:2023-05-15
- 格式:DOCX
- 页数:18
- 大小:299KB
外文翻译范例2.docx
《外文翻译范例2.docx》由会员分享,可在线阅读,更多相关《外文翻译范例2.docx(18页珍藏版)》请在冰点文库上搜索。
外文翻译范例2
基于DS证据理论的多传感器数据融合故障诊断方法
OtmanBasir,XiaohongYuan
DepartmentofElectricalandComputerEngineering,UniversityofWaterloo
电子计算机工程部滑铁卢大学加拿大
班级:
测控0701姓名:
韩静文学号:
200740030
发动机故障诊断是一种典型的多传感器融合的问题。
它涉及到多传感器信息的使用,如振动,声音,压力和温度,发动机故障检测和鉴定。
从证据理论的观点,从每个传感器取得的信息可以作为证据一部分,因此,多传感器的发动机故障诊断可被视为证据融合问题。
本文探讨用来为与发动机质量相关的多传感器的建模和融合的DS证据方法。
我们初步提出了一个证据理论的新观点并且解释多传感器发动机故障诊断问题如何可以下在错误辨识框架方面,质量函数和证据融合规则的背景下实行。
我们介绍了提高建模的效率和证据结合的新方法。
此外,我们提出一种可以做出理性决定的规则,即按照发动机的质量,并且做出一个可以评估信息整合体系好坏的准则。
最后,我们做了一个案例研究去演示这个系统在处理多传感器可能引起的不准确的线索和冲突这方面的效力。
1.引言
当应用到故障诊断和缺陷检查时,信息融合围绕着两个主要问题:
(1)如何在多传感器合并互补引起的潜在错误和冗余中获得高精度和高可信赖度的信息。
(2)如何融合基于多传感器数据而衍生的决策,它们也许是不准确而相互冲突的。
在发动机诊断方面,第一个问题是以提取故障有关,并说明它们在一个统一的表示方案当中。
此外,因为信息是从本身并不完备,确定和精确的传感器中获得,为了降低不精确性不确定性,融合机械设计原理是十分必要的。
这种机械原理的有效性很大程度上取决于从传感器中获得的信息线索是否是多余或者互补的。
同样重要的是整合进程发生的抽象水平等等。
如在测量水平,在特性水平,或是在决策水平.一般说来,获得精确和确定的发动机质量描述符可以在特性水平的传感器数据融合中获得。
参见,是一些这类型数据融合的例子。
第二个问题是关于发动机诊断的决策质量。
从不同的传感器中获得信息,导致了不同和可能的冲突决策,这是完全可以想象的。
如何检测传感器之间的冲突,并将它们的决策融合为一致的决策,是我们在这种情况之下所面临的挑战。
解决这个问题是这篇论文的主要内容。
在进行多传感器决策的融合时,这篇论文假设了一个有两个用于实时监视单活塞发动机质量的传感器的情景模式。
一个测量发动机发出的音质;另一个测量发动机振动。
这两种形式通常都受制于发动机装配流水线的最后阶段。
声音模式的监测时间和性能相关,而振动模式监测的性能指标和阀余隙相关。
整合这两个部分就可以得到关于故障存在与否的可靠决策。
围绕着决策融合领域有十分大量的研究工作,大部分都是根据贝叶斯理论进行的。
基本战略是如果先验概率和条件概率提前确定,那么后验概率(最优决策)可使用贝叶斯公式估计。
贝叶斯融合是用来改善动态范围的实时X射线成像系统,这个系统集成了在两种不同的信息获取条件下获取的信息线索。
贝叶斯网络是用来结合依赖时间概率决定的关键性参数与手工操作环境中的质量控制两个因素的。
这个方法应用于检测和诊断制造业中的不合格品。
介绍贝叶斯模型为基础的诊断方法,其中通过贝叶斯概率推理网络和逻辑推理提供基于一致性的诊断集成,以减少决策的不确定性。
以贝叶斯理论为基础,融合技术已被演变于过程控制等其他领域,如目标跟踪和识别物体。
然而,如果有足够和适当的先验概率和条件可供选择,才能达到有效的融合性能。
虽然,至少在某些情况下,可以根据先验和后验概率通作出设想,但这些设想在很多其它情况下会变得毫无道理。
作为贝氏理论的延伸,DS证据理论得用置信和似然函数去量化证据和不确定性。
DS证据理论模型如何在在不确定性减弱的给定的假设或证据中积累。
这一理论的一个重要方面是推理或决策制定可以在不完全或矛盾的证据中进行。
在故障诊断理论和缺陷检查方面的应用。
对于状态监测和发动机的故障诊断的决策级数据整合算法。
证据理论和模糊集理论相结合,从而提高了焊缝缺陷检测质量。
检测焊缝缺陷的不确定性建模为一个加权质量函数。
一个加权质量函数是用DS证据理论规则轮流整合一系列的产品缺陷而确定的。
证据理论来用来合并两个或两个以上的基础分级器输出,以改善整体分类性能。
这种方法的有效性是在柴油发动机冷却系统的静态调温装置的故障检测中展示的。
本文中,采用多传感器测量方法检测单活塞发动机的故障,如振动,声音,压力和温度。
我们认为每个传感器的测量都作为一个证据,反映了发动机状态的一些信息。
DS证据理论用于关联多传感器数据和发动机的状态指标。
本文的组织方式如下。
在第2部分,我们介绍了证据理论的基础概念。
依据故障识别的框架和质量分布函数,我们提出了发动机故障诊断的DS证据理论构想,证据结合,决策制定规则和性能评估融合。
第3部分描述关于证明故障检测有效性的案例研究。
第4部分添加了一些相关的附注。
2.故障诊断的证据理论
2.1证据理论的基本概念
证据的数学理论,正如Dempster所介绍和Shafer所延伸的那样,有关置信命题和系统的命题。
置信命题的概念并不与机会命题类似。
当建立一个命题时,我们以相似的方式理解证据,如,DS证据理论有证据,证据的有效性和证据的正确性相关。
证据的置信结构对应于经典概率模型[10]。
因此,这个理论可以看作是经典概率模型的一般化。
形式上,证据理论与以下的基本记法有关:
(1)辨识框架:
用Θ表示元素的有限集:
每个元素都可假设为目标或是我们案例中的错误。
Θ指的就是识别力框架;包含Θ全部元素的集合称为幂集,用Ω表示(Θ)。
例如,假设一个发动机引起了一个或多达三个错误a,b和c。
这个案例的辨识框架可以表示为:
Θ={a,b,c}
Ω(Θ)={φ,{a},{b},{c},{a,b},{a,c},{b,c},{a,b,c}}
φ是一个表示无错误发生的空集。
如果A={a,b}是Θ的一个元素,也就是A
Θ,则A表示错误既不是a也不是b,而Θ表示错误不是a,b和c.
(2)质量函数,焦点成分和核心元素:
当识别力框架建立时,质量函数m定义为幂集的映象,用0或1表示,如
质量函数m也被称为基本概率分布函数。
m(A)表示所有相关并且可用的证据的百分比,这些证据支持Θ的一个特定元素属于集合A但并不是A的一个特定元素。
在发动机故障诊断中,m(A)可被看作关于一次故障观察的置信度;对于一个已知的故障,不同的信息或证据可以产生不同置信度。
任意的幂集A,比如m(A)>0都被称为聚焦元素;
被称作是在Θ中的质量函数m的核心元素。
(3)置信和似然函数:
置信函数Bel被定义为
似然函数Pls定义为
置信函数Bel(A)测量了必然在A的元素中分发的概率总量;它反映了必然性和A的总置信度以及构成了A的概率的下限函数。
另一方面,似然函数Pls(A)测量了在A的元素中分发的概率的最大量;它描述了与A相关的总置信度并构成了A的概率的上限函数。
(4)置信区间[Bel(A),Pls(A)]:
置信区间反映了不确定性。
间隔长度Pls(A)-Bel(A)描述了A的不可知性。
如Table1所示,不同的置信区间代表了不同的含义。
(5)一些置信和似然函数的性质:
(6)证据融合的规则:
假设两个质量函数
m1和
m2,它们从同一辨识框架Θ内的两个不同信息源处得到;根据Dempster的下次规则,我们得到
K代表在不同的证据源中的冲突的基本的质量概率。
当交集为空时,它以所有集合的质量函数的总量确定。
通常把K理解为不同源之间的冲突。
在公式(5)中的分母1-K是标准化因数。
K值越大,源之间的冲突越大,它们融合的有效性则越不佳。
在同一辨识框架Θ中生产函数m也就是质量函数。
既然
,即m1和m2结合,携带着两源的共同信息。
以上的证据融合规则满足以下关系:
一般来说,对于在Θ内的n个质量函数
m1,m2,…..,mn,冲突的测量值K被这样给出:
表1置信区间的含义
且融合后的质量函数为:
2.2错误辨识框架
去建立一个我们所需的辨识框架来定义证据推理过程发生的目标。
符合诊断目标和与错误辨识框架一致是十分重要的,因为辨识框架中的元素就代表了诊断假设。
不同的假设与不同的测量需要和测量过程的方法一致;因此可能导致不同的辨识框架。
例如,如果我们想去知道错误是否存在,我们可能要建立一个如下的辨识框架:
Θ={h,-h},h可以代表错误的存在,-h可以代表错误不存在。
为了适应多个错误,辨识框架可被拓展为Θ={h0,h1,….,hn};在这个例子中,h0表示错误不存在,hi表示错误不存在。
在更高的程度上可以建立Θ={f,-f},来描述发动机的状态是否为错误f或正常-f.
下一步则是去建立基于认知和经验对可能的错误而做的错误融合的幂集。
在幂集中,根据基本概率函数,每一个元素都有不同的值。
辨识框架越大,幂集越大,相应的,证据推理过程就越复杂。
一旦辨识框架确定,DS证据理论的关键问题就是计算基于不同信息源(如多传感器)所得的信息的质量函数。
假设N代表错误的各类,M代表传感器,为了简单起见,假设所以的错误都相互独立,且每个错误都可以发生在任何给定的时间。
质量函数可被以两个方式给出。
一是从矢量特性的角度出发。
让X=[
X1,
X2,….,
Xn]X表示发动机的状态;X1表示发动机某一方面的状态特性;n是特性的数量。
这些特性从传感器所给的信息中提取。
例如,
X1可能代表从振动传感器中获得的信号的RMS(均方根)。
另一特性X2代表从同一传感器中所获信号的峰值。
因此,对于错误(或状态)的N种类型(包括无错误状态),发动机条件可以用矩阵H来描述:
表示第j个描述发动机错误(或状态)的特性,
,且
表示第i个错误的特性,i=1,2,….,n,j=1,2,…,n.我们可把这个矩阵看作是错误的技术原型的代表。
用
SK代表从传感器中获得的第k个矢量测量值:
Ski是Sk的第i个元素,i=1,2,….,mk,
是从第k个传感器中获得的元素,
。
问题是计算基于特性矢量的概率分布。
直观上,Sk和
若相似,第j个错误越可能发生,第k个传感器越会被考虑。
相反的,Sk和
若并不相似,第j个错误越不可能发生,第k个传感器越会被考虑。
有很多测量值来量化特性测量值和错误原型之间的距离。
我们提出用闵可夫斯基距离测量[19],它可被定义为:
是Sk和
之间的距离,α为一常数,假设α=2,然后距离聚合为欧几里德距离。
另一方面,如果α=1,距离会聚为边缘距离。
所有传感器测量值之间的距离和错误都可被如下矩阵表示:
在矩阵D中的每一行都代表从同一传感器中获得的测量值之间的距离和错误;D中的每一列代表从所有传感器测量值中一个错误的距离。
dkj距离越小,第j个错误越可能发生,这是以从第k个传感器中所获得的信息为基础的。
定义pkj=1/dkj,标准化后写为矩阵形式,我们得到:
当pk=[pk1,pk2,…,pkn],k=1,2,…,M;可以被看作由第K个传感器分配给错误集合的质量函数。
二者择一,故障的描述可以用概率分布来表达。
如果N个错误的可能性以概率矢量给出,,且传感器测量值的概率矢量为
;传感器测量值和故障之间的距离可被看作是多形式的概率距离测量。
[20]描述了两个概率分布之间的概率距离测量的一般形式。
当f为在一个正实空间内的连续的凸函数。
g是实空间的增函数。
E是期望函数。
g和f服从于不同的概率距离测量。
我们需要经验或统计知识去估计错误概率,如果它们不足,就可能导致不精确或不可信赖的结论。
为了避免这些困难,我们采取了第一种方法。
2.3故障诊断的证据融合
一旦我们得到了基本概率函数(质量分布函数),最终的质量函数m在公式(10)的规则下就可以很容易的建立。
质量函数如被表达如下:
这里mj表示由M个传感器提供的第j个故障最终的概率分配。
如上所述,所有类型的故障都假设为相互独立。
因此,最终的概率分配可被归纳为公式(9)和(10):
在使用这个方法时我们要考虑两方面的条件:
1.故障的互斥:
除了互相独立,只有一个故障也可能发生在任何给定的实例中,如多于一个故障的概率可能同时为零。
2.传感器加权:
在有关故障检测任务时,传感器的能力是不同的。
不同的能力可能会导致变化的增加或敏感。
例如,当两个振动传感器用于检测发动机阀门和轴承的故障,一个传感器可能会检测到阀门盖,另一个可能会检测轴承座。
很显然,第一个检测阀门比检测轴承更加敏感。
但是,第二个检测轴承更加敏感。
考虑到这一情况,为了反映传感器各相关的检测能力,我们要进行加权。
权重与我们对一些传感器的已知来决定。
质量函数在公式(20)可以用来反映加权的传感器检测能力和公式(16)的概率组合。
2.4决策制定的规则
一旦全部传感器的故障的辨识框架和质量函数确定,就可以推断得到每个错误的置信区间。
基于置信区间,故障的决策制定就可以完成。
通常,决策制定基于以下规则:
(1)最大支持规则,当选择最大置信函数做出假设。
(2)最大似然规则,当选择最大似然函数做出假设。
(3)绝对支持规则,当选择最大置信函数做出假设;当证据的间隔大于两个最大的支持值之差时,这条规则无法做出结论。
(4)最大支持和似然规则,当选择最大置信函数和最大似然函数做出假设时;这条规则在某些条件下不可用。
对于相同的传感器给出的测量值,不同的方法可以得到不同的结论。
例如,如果“故障A存在”的置信区间为[0.3,0.8],“故障B存在”的置信区间为[0.5,0.6]。
根据规则
(1),“故障B存在”;但是,根据规则
(2),“故障A存在”。
显然,这两个结论是冲突的,在任何给定的实例中,都只可能出现其中一个。
因此,哪一个结论是正确的(至少是更加合理的)呢?
我们仍旧用置信区间来反映一个假设的忽略度。
置信区间越短的,对于假设我们越不可确定。
因此,合理的制定规则应当如下:
来自最大置信函数和最短置信区间的假设是最可信的;另外,这个假设必须和最大置信函数相关联。
我们称这种规则为理性规则。
根据这一规则,决策应当支持故障B。
2.5性能评估
在DS证据理论中,一个证据,如一条传感器线索,可以表示置信结构。
换言之,从一条证据中获得的信息是一个在一个辨识框架中的基本的概率分布函数。
因此,置信结构是证据在辨识框架中的反映。
例如,空洞结构:
m(Θ)=1,代表相关证据中没有信息;确定结构:
m(Xi)=1,代表在Θ中的Xi等于1,反映了Xi存在的确定性。
但是,从置信结构中,能得到多少有关故障的辨识框架呢,或者在证据融合后,怎样去量化测量的性能这晨,我们使用Yager(14)提出的测量方法。
这处测量我们称之熵的证据,它用来量化从一条证据中取得的信息。
这种测量定义如下:
代表从框架Θ中得到的质量函数m的熵的证据。
m可从原始证据(融合前的传感器证据)或是从已融合的证据(多传感器)中得到。
因此,如果证据被融合为一,
就可表示多传感器信息融合组合的性能。
从公式(22)中,很容易得到
(1)
,n是Θ中的一个元素。
(2)
=1,如果存在两个焦点成分
和
,如
。
(3)
,如果
,
Θ,i=1,2,….,n.
越接近1,置信结构就越可信。
因此,我们可以得用
去测量证据融合的有效性,如,信息融合。
3.案例研究
在这个部分,我们给出解释已提出的传感器融合系统的两个例子。
在第一个例子中,我们证明提出的方法可以用来解决决策冲突。
我们用两个传感器去完成发动机的在线检查:
一个加速度传感器和一个麦克。
我们在生产线上收集了大量的发动机信号。
然后应用于时域,频域,然后用统计方法去检测和归纳故障。
在大量案例中,两个传感器(振动传感器和声敏传感器)的结果产生了相同的诊断结论。
然而,在一些情况下,两个传感器却产生了不同的结论。
例如,在一些情况下,从振动信息中发动机产生了定时故障;但声敏信息却反映了气门间隙故障。
在这种情形下,我们需要融合信息去解决决策冲突。
考虑在Table2中的数据,这些数据来自于两个传感器的信息。
X1表示“气门间隙故障”,X2表示“定时故障”。
m1表示和“气门间隙故障”相关的质量函数,m2表示和“定时故障”相关的质量函数。
根据两个传感器来客观的推断故障的类型。
因此,故障的辨识框架Θ={X1,X2
},且Ω(Θ)={{
X1},{
X2},{X1
X2}}。
如果X1或({X1,X2})=0且m2({X1,X2})=0。
应用证据理论原则,我们可以推断出以下:
从(23)中我们可推断X1存在,从(24)中我们可推断X2存在。
这可以导致我们所假定的互斥的故障。
如果我们把两个传感器的信息线索融合,我们得到:
表2基于两个传感器的两个故障的质量函数评估
即是融合的质量函数。
标准化后,我们得到:
和
是置信函数和似然函数的结合。
从(26)和(27)中我们可以得到最终的诊断结果,X1置信度为0.69。
这个结果是两个相冲突的决策的结合,比从一个传感器得到的结果更可信。
在第二个例子中,我们证明了与从单传感器中获得的信息相比,多传感器信息融合提高了故障诊断的准确性。
我们得到了三种状态:
“无故障发动机:
X0”,“排气阀故障:
X2”,“活塞环故障:
X2”。
使用了三种传感器:
两个加速度传感器和一个声敏传感器。
一个加速度传感器安装在排气阀的缸盖上,标记为S1;另个加速度传感器安装在进气阀的缸盖上,标记为S2。
声敏传感器安装在缸盖上,标记为S3。
为了得到加速度信号,我们在时域中计算出它们的峰值的间隔(P-to-P),以及频域的最大频谱(FMAX)。
为了得到声音信号,我们计算出平均压力水平(MPL)以及频率的重心校正的光谱(FC)。
Table3至Table5列举了不同情况下9个来自传感器S1和S2。
每个表格的最后一行给出了平均值。
相似的,来自传感器S2的特性值也可得到。
Table6给出了每种特性的统计学平均水平。
根据公式(12),发动机的状态可用下以矩阵表示:
表3在发动机正常状态(X0)下从传感器S1和S2中提取的特征
表4发动机排气阀故障状态(X1)从传感器S1和S2中提取的特征
表5发动机活塞环故障状态(X2)从传感器S1和S2中提取的特征
表6从三个传感器中提取的发动机特征
在此案例中,故障的辨识框架为Θ={X0,X1,X2,}.一旦Θ和H确定,基于上部分所介绍的公式化表达法的证据理论,可以很容易的得到。
在这个例子中,假设三个传感器灵敏度相同,权重则分别为1/3。
Table7举出了不同信息源的相关性能。
应用公式(14)做出关于距离测量的决策制定,这里α=2。
当把从两个或三个传感器中得到的信息进行融合时,应用到了信息融合方法和相关规则。
从这个表格中,我们可以知道故障诊断的准确性是传感器融合方法的提高。
表7不同传感器融合后的故障诊断准确性
在每个案例中,融合进程的熵的证据可以用公式(22)进行计算。
例如,计算传感器
的
(熵的证据)是0.438,
的
为0.537.
的
为0.354,融合
,
和
的
为0.69。
这表明熵的证据通过信息融合提高了,因此这也带来了更好的诊断性能。
4.结论
本文描述基于发动机故障诊断系统的证据理论的多传感器实现方法。
本文讨论了在证据理论的背景下,依照辨识框架,质量函数和证据融合。
我们提出了两种计算质量函数的方法,并提出了改进的质量函数去提高融合质量。
进一步的,我们还得到了理性诊断决策制定规则和介绍了熵的证据来估计融合的性能。
应用我们所提出的方法于实践,我们得到了实验数据来证明如何解决决策的冲突以及通过多传感器的信息融合,我们可以提高故障诊断的准确性。
参考文献
[1]J.M.Richardson,K.A.Marsch,Fusionofmultisensordata,InternationalJournalofRoboticResearch7(1988)78–96.
[2]R.C.Lou,M.G.Kay,Multisensorintegrationandfusioninintelligentsystems,IEEETransactionsofSystem,ManandCybernetics19(1989)901–931.
[3]X.E.Gros,ApplicationsofNDTDataFusion,KluwerAcademicPublishers,2001.
[4]H.X.Liu,Extractionandintegrationofdiagnosisinformationfromaccelerationsignals,Ph.D.Thesis,XianJiaotongUniversity,Xian,1997.
[5]H.Sun,Studyonanalgorithmofmultisensordatafusion,in:
IEEEProceedingsoftheNationalAerospaceandElectronicsConference,Piscataway,NJ,vol.1,1994,pp.239–245.
[6]S.Park,C.S.G.Lee,Fusion-basedsensorfaultdetection,in:
IEEEInternationalSymposiumofIntelligentControl,Piscataway,NJ,1993,pp.156–161.
[7]A.Dromigny,Y.M.Zhu,ImprovingthedynamicrangeofrealtimeX-rayimagingsystemsviaBayesianfusion,JournalofNondestructiveEvaluation16(1997)147–160.
[8]M.A.Rodrigues,Y.Liu,L.Bottaci,D.I.Rigas,LearninganddiagnosisinmanufacturingprocessesthroughanexecutableBayesiannetwork,in:
13thInternationalConferenceonIndustrial
andEngineeringApplicationsofArtificialIntelligenceandExpertSystemsIEA/AIE-2000,NewOrleans,June2000,pp.390–395.
[9]P.Lucas,Bayesianmodel-baseddiagnosis,InternationalJournalofApproximateReasoning27(2001)99–119.
[10]G.Shafer,AMathematicalTheoryofEvidence,PrincetonUniversityPress,NewJersey,1976.
[11]J.A.Barnett,Computationalmethodsformathematicaltheoryofevidence,in:
ProceedingsofIJCAI-81,Vancouver,BC,1981,pp.868–875.
[
- 配套讲稿:
如PPT文件的首页显示word图标,表示该PPT已包含配套word讲稿。双击word图标可打开word文档。
- 特殊限制:
部分文档作品中含有的国旗、国徽等图片,仅作为作品整体效果示例展示,禁止商用。设计者仅对作品中独创性部分享有著作权。
- 关 键 词:
- 外文 翻译 范例