（信号与信息处理专业论文）车辆发动机气门间隙故障振动信号融合技术研究.pdf

中北大学硕士学位论文 车辆发动机气门间隙故障振动信号融合技术研究 摘要 发动机作为汽车的动力源，其运行状态的好坏，直接影响到整车的工作状况。发动 机广生的故障占全车故障的比例很高，维修费用较高，花费时间也较长。在发动机不解 体的情况下，若能及时准确地对其当前的技术状况做出判断，判明故障部位，指出故障 原冈和排除方法，这无疑将提高汽车使用的可靠性和安全性。 汽车发动机的振动能够反映其零部件的运行状况。本文以d a 4 6 2 一l a d 型电喷汽油机 为研究对象，通过分析比较采集到的发动机缸体振动信号对气门间隙故障进行诊断，并 根据小波多分辨率分析技术，提取了发动机故障信号特征值。 前馈型b p 神经网络具有极强的模式识别和分类能力。本文从应用角度分析了网络 设计巾刚绍的层数、隐含层的神经元数、初始权值、学习速率、期望误差等的选取问题， 并提出了相应的改进方法。 本文将神经网络技术引入到发动机故障诊断中，结合小波多分辨分析理论，提出了 一种适于发动机故障诊断的b p 神经网络模型。在所建立的b p 神经网络的基础上，设计了 一套能进行发动机故障诊断的实验系统，并通过模拟气门间隙故障进行了实验验证。 实验研究结果表明：本文基于小波分析的神经网络所建立的发动机故障诊断实验系 统能够对发动机。气门间隙故障进行有效的诊断，诊断结果非常理想。 关键词：发动机故障诊断：神经网络：小波分析：信息融合 中北大学硕士学位论文 v i b r a t i o ns i g n a lf u s i o nt e c h n i q u ea n d i t ss t u d yi nv a l v ec l e a r a n c ef a u l td i a g n o s i so fe n g i n e a b s t r a c t a sp o w e rs o u r c eo fa u t o m o b i l e ，t h er u n n i n gc o n d i t i o no fe n g i n ec a nd i r e c t l ya f f e c tt h e w h o l ew o r k i n gc o n d i t i o no fa u t o m o b i l e e n g i n ef a u l t sc o n s t i t u t em o s tp r o p o r t i o no f a u t o m o b i l ef a u l t s a n di tl a k e sh i g hc o s ta n dl o n gt i m et om a i n t a i ni t t h er e l i a b i l i t ya n d s e c u r i t yo fa u t o m o b i l ew i l lb ee n h a n c e di fw ec a ne x a c t l yj u d g et h ee n g i n ec u r r e n tc o n d i t i o n i nt i m e d i s t i n g u i s ht h ep o s i t i o n so ft h ef a u l t sa n dp o i n to u tt h er e a s o na n ds o l v i n gm e t h o d w i t ht h ee n g i d eb e i n gn o td i s a s s e m b l y e n g i n e v i b r a t i o nr e f l e c t st h e r u n n i n g c o n d i t i o no fi t s p a r t s 1 1 h ep 印e rs t u d y s d a 4 6 2 1 a dg d i g a s o l i n ee n g i n ea n dd i a g n o s e s t h ev a l v ec l e a r a n c ef a u l tt h r o u g h a n a l y z i n ga n dc o m p a r i n gt h ec o l l e c t e dv i b r a t i o ns i g n a l s f r o mc y l i n d e rb l o c k a l s ot h ep a p e r e x t r a c t st h ef a u l t sc h a r a c t e r sb a s e do nw a v e l e tn l u l t i r e s 0 1 u t i o na n a l y s i st e c h n o l o g y t h eb pn e u r a ln e t w o r ko ff o r w a r dt y p eh a st h ev e r ys t r o n gm o d ei d e n t i f i c a t i o na n d c l a s s i f i ca b i l i t y f r o ma p p l i a n c ea s p e c tt h i sp a p e ra n a l y z e sn e t w o r kl a y e rn u m b e r ，n e r v ec e l l n u m b e ro fi n s i d el a y e r ，o r i g i n a lw e i g h ，t r a i ns p e e d ，e x p e c t i n ge r r o rm a ds oo nw h e nd e s i g n i n g b pn e t w o r ka n do u t sf o r w a r dt h ei m p r o v e m e n tm e t h o d s f h i sp a d e ri n t r o d u c e sw a v e l e tm u l t i r e s o l u t i o na n a l y s i st h e o r ya n dn e u r a ln e t w o r kt o d i a g n o s et h ef a u l t so fe n g i n e p u t sf o r w a r dam o d e lo fb pn e h t a ln e t w o r kf o re n g i n ef a u l t d i a g n o s i s w ed e s i g na ne x p e r i m e n ts y s t e mt h a tc a nd i a g n o s et h ee n g i n ef a u l t sb a s e do nt h e e s t a b l i s h e db pn e m - a ln e t w o r k a n dv a l i d a t et h es y s t e mt h r o u g hs i m u l a t i n gt h ef a u l t so l v a l v ec l e a r a n c e ，w h i c ha r eo n eo f m o s tc o m m o nf a u l t so f e n g i n e t h ee x p e r i m e n t a lr e s u l t ss h o wt h a tt h ee s t a b l i s h e dd i a g n o s t i cs y s t e mb a s e do nn e u r a l n e t w o r ku s i n gw a v e l e ta n a l y s i sc a ne f e c t i v e l yd i a g n o s et h ev a l v ec l e a r a n c ef a u l ta n di t s r e s u l t sa r ea c c u r a t e k e y w o r d s ：e n g i n ef a u itd i a g n o s is ，n e u r a ln e t w o r k ，w a v e l e ta n a l y s is i n f o r m a t i o i lf u s i o n 中北大学硕士学位论文 原创性声明 本人郑重声明：所呈交的学位论文，是本人在指导教师的指导下，独 立进行研究所取得的成果。除文中已经注明引用的内容外，本论文不包含 其他个人或集体已经发表或撰写过的科研成果。对本文的研究作出重要贡 献的个人和集体，均已在文中以明确方式标明。本声明的法律责任由本人 承担。 论文作者签名：型! 壹垂墨日期：翌1 2 ：兰2 关于学位论文使用权的说明 本人完全了解中北大学有关保管、使用学位论文的规定，其中包括： 学校有权保管、并向有关部门送交学位论文的原件与复印件；学校可 以采用影印、缩印或其它复制手段复制并保存学位论文；学校可允许学 位论文被查阅或借阅；学校可以学术交流为目的，复制赠送和交换学位 论文；学校可以公布学位论文的全部或部分内容( 保密学位论文在解密 后遵守此规定) 。 签名：叠墨亟墅日期： 导师签名：日期： z ! 立：! ! 圣2 互垒1 2 ! 兰2 肾 中北大学硕士学位论文 1 1 概述 1 前言 近年来，我国汽车保有量迅速增长，发动机作为汽车的动力源，其运行状态的好坏 直接影响到机动车辆运行的动力性、经济性、可靠性、环保性乃至安全性。由于发动机 结构复杂，工作条件差，因而出现故障的机率较高，一般占整车故障的4 0 左右，单位 里程的配件消耗在全车中约占7 5 6 、保修工时消耗在全车中约占2 4 0 ，也占首位。因 此，在发动机不解体的情况下，及时准确地对其进行状态监测和故障诊断，判明故障部 位，指出故障原因和排除方法，这无疑将提高汽车使用的可靠性和安全性，同时也能减 少修理工作的盲目性，提高修理质量，缩短维修时间，降低修理费用。 发动机故障诊断，是对汽车发动机的故障现象与原因间的复杂性和模糊性运用先进 的传感技术、工程数学、故障物理、电子学、计算机科学等方法的综合性边缘学科。发 动机在运行时产生的振动、冲击和噪声含有丰富的故障信息，是获取诊断信息的重要来 源，它能实时地反映发动机的工作状态“，”。根据发动机振动信号监测其机械状态并诊断 故障“”，是行之有效的手段之一。 汽车发动机运动形式复杂多样，激励源多，既有旋转运动，也有多缸往复运动，同 时还存在着不平衡冲击。燃烧爆缸，经过缸套、机体等的传递，各阶谐波形成极为复杂 的振动。机体振动信号是由一系列频率、幅值差别较大的顺态响应所组成，构成成分极 其复杂。其实质是发动机在稳定运行时其振动信号为平稳随机信号且各态历经；但当启 动、加速时为非平稳信号，其振动信号中往往包含大量的系统状态信息；而振动响应信 号识别技术的关键在于建立激励源特征与故障特征之间的关系。因此，如何抓住往复机 械振动信号的自身特征，高效、准确地提取真正的故障信息，一直是往复机械故障诊断 的难题。 现代发动机故障诊断技术可分为：人工诊断、系统诊断和专家系统诊断( 智能化诊断 法) 。故障诊断中常用的数学方法有：基于模式识别的诊断方法，基于模糊数学的诊断方 法，故障树分析诊断方法，以及神经网络、小波分形变换等新发展的诊断方法等。 中北大学硕士学位论文 多传感器信息融合是针对使用多个或多类传感器的系统而产生的一种信息处理的 新方法，是对多源信息进行处理的理论和方法，可以把不同时间和空间的数据进行综合 处理，从而得到对现实环境更精确、可靠的描述。其基本原理和出发点是：充分利用多 个信息源，通过对它们及其提供信息的合理支配和使用，把多个信息源在空问或时间上 的冗余或互补信息按照某种准则进行组合，以获得对被测对象的一致性解释或描述，使 该信息系统由此获得比它的各组成部分的子集所构成的系统更优越的性能。信息融合不 是- - f q 单一的技术，而是- - 1 9 跨越数学j 模式识别、决策论、不确定性理论、信号处理、 最优化技术、计算机科学、自动控制理论、人工智能、神经网络、通信技术、管理科学 等多种学科领域的综合理论和方法，并且是一个不很成熟的新的研究方向，仍然处在不 断的变化和发展过程中。信息融合的主要理论方法涉及知识表示、推理理论、人工神经 网络、贝叶斯规则、d - s 证据理论、小波分析理论、模糊集理论、模糊积分理论、粗糙 集理论、统计理论、聚类技术、熵理论、估计理论、数据库理论等等“。 多传感振动信号融合技术是在传统诊断技术的基础上经不断完善和发展，为适应发 动机故障诊断技术的高速发展而产生的。它以工程数学、可靠性理论、信息理论为基础， 以传感技术、电子技术、计算机技术、人工智能技术为手段，在汽车发动机不解体的情 况下，快速而准确地检测发动机各主要部件的机械状况。利用多传感振动信号融合技术 进行发动机故障诊断就是利用多个、多种类的传感器采集发动机多源振动和噪声信号， 然后利用信号分析处理方法进行分析处理，最终在发动机不解体的情况下诊断出故障。 多传感器信息融合的优势主要表现在以下几个方面：1 信息的冗余性：采用多个传 感器可以获得对环境和对某一特征信息的冗余表达。由于各传感器总存在一定的感知误 差，这种冗余信息就可以减小整个系统的不确定性。此外，当某个传感器失效时，对传 统的单一传感器系统来说，势必造成严重的影响，但多个传感器提供的冗余信息则可以 排除故障信息，从而提高系统的鲁棒性。2 信息的互补性：各传感器所感知的特征信息 不一定完全一致，把它们进行组合时就可能产生互补信息或新的信息，而这些信息也是 单个传感器所无法得到的。3 信息的实时性：单个传感器提供信息的速度是固定的，而 在多传感器系统中，对多传感器信息的协同运行可以根据任务的要求，得到满足精度要 求的快速输出。此外，多传感器系统的可并行运行性，也可使信息的获取速度得到大幅 度的提高。4 信息的低成本性：从表面上看，似乎多传感器要比单个传感器系统昂贵， 2 中北大学硕士学位论文 但对于获取同等的信息来说用单个传感器的方法实际上的耗费更多。 1 2 研究现状 1 2 1 发动机故障诊断的发展历史和研究现状 6 0 年代末和7 0 年代初汽车发动机故障诊断技术受到西方普遍重视，1 9 7 2 年在美国旧 金山召开的第一次国际汽车安全会议上，德国大众汽车具有微处理器的诊断装置对汽车 制造厂和维修机械制造厂商产生很大的震动。随后，美国的哈米顿公司生产的自动读出 诊断仪，日本三菱重工公司生产的综合诊断装置，德国伏克斯瓦根公司的诊断装置、法 国雷诺公司的诊断装置，德国奔驰诊断装置等应运而生。1 。由于这类装置或仪器资料存 贮量小，缺乏对检测数据的综合分析能力，因此对故障部位的推断能力有限。8 0 年代以 后，非车载诊断系统得到了很大发展。出现了固定的检测设备，能进行功率和转速检测、 尾气分析、润滑油油质分析等。此后，车载与非车载诊断设备开始综合起来使用，并采 用先进的信号处理技术，除传统的压力、温度、转速、功率等指标外，又采用了振动分 析( 时域、频域) 等方法。近几十年来，随着计算机技术的普及，以及人工智能技术的发 展，发动机故障诊断技术进入了智能化的阶段：检测项目增加，软件功能增强，诊断的 准确性大为提高。如1 9 8 6 年通用汽车公司推出的c a m s 系统和福特汽车公司的修理厂诊断 系统s b d s 等。1 9 8 6 年福特汽车公司开发了一个专家系统工具t e s t ( t r o u b l es h o o t i n g e x p e r t s y s t e mt 0 0 1 ) ，而加拿大太平洋铁路公司利用多年来积累的润滑油光谱分析经 验，1 9 8 7 年也开发了一个用于发动机油液分析的故障诊断的专家系统- - e d m s ( e n g i n e d i a g n o s i sm a i n t e n a n c es y s t e m ) 以及其它一些诊断专家系统。英国曼彻斯特大学的f g u 和a d b a l l 等人在实验的基础上，得出柴油机喷油器的振动主要是由针阀开启和落座 时的撞击和高压燃油流动引起的，他们通过在喷油器顶部或座上吸附振动传感器，采集 振动信号，利用时频分析，包络分析，对上述参数进行估计，从而实现了对燃油系统进 行故障诊断。1 。近几年来，诊断专家系统受到广泛重视，有关基于知识的诊断理论与系 统有了很大的发展。但是，在已开发的基于知识的诊断系统成功背后，也出现了困难， 这主要来自传统的基于知识的诊断理论的限制以及对不同车辆深层次诊断知识缺乏研 究和有效地获取，因此人们开始对基于知识、小波分析、神经网络、遗传算法、粗糙集 3 中北大学硕士学位论文 和信息融合等理论的智能诊断系统进行深入研究。如d o n g ，d w ，k h e r ，s 等人研究了基 于神经网络的发动机故障诊断“”“，l o n g h a nc h a o ，c h a n g x i uc a o 等研究了基于粗糙集理 论的柴油机供油系统神经网络故障诊断“”。 我国从7 0 年代术才开始对发动机故障诊断作探索性研究，8 0 年代以来，我国汽车发 动机诊断主要集中在专用的诊断与检测仪器研制上。1 9 8 3 年春，中国机械工程学会设备 维修分会在南京召开了首次“设各故障诊断和状态监测研讨会”，标志着我国诊断技术 的研究进入了一个新的发展阶段。武汉交通科技大学在柴油机振动监测与故障诊断的十 余年研究中，进行了大量的基础实验研究和诊断理论研究，证实了柴油机内部激励力与 零部件振动特性的可识别性：外表面振动信号对内部主要运动部件与故障程度的可诊断 性：综合故障存在时识别其中个别故障的可诊断分类性，为将振动监测与故障诊断技术 应用于内燃机的实际监测与诊断奠定了理论基础“。我国的许多高校和研究单位，如天 津大学、上海内燃机研究所等单位开展了利用发动机示功图判断其性能状态的基础研 究，如武汉水运工程学院的“对发动机气缸套振动特性分析”、“利用内燃机气缸盖的 振动信号识别缸内气体压力”、“发动机气缸盖系统响应，激励和传递特性的研究”等。 我国在9 0 年代中后期，也开始了发动机故障智能诊断系统的研究，如华中理工大学的吴 波等提出了种不解体燃油系故障诊断方法，用外卡式传感器外卡在高压油管上，用模 糊理论、波形识别理论和神经网络理论对喷油压力、喷油提前角，喷油量、喷油时问、 针阀行程等各参数进行了识别、诊断“”。西安交大的张家玺等应用模糊理论对发动机的 异响进行了实时诊断“”“。浙江大学的何勇等研究了基于神经网络的发动机故障多媒体 诊断专家系统的开发和诊断理论“”。华中科技大学的黄强，刘永长等提出了一种根据柴 油机气缸盖振动信号诊断进排气故障的方法“”。合肥工业大学的郑海波，中国科技大学 的贾继德等针对发动机异响故障振动信号的时变非平稳特性进行了特征分析及故障诊 断的研究“”。这些理论与诊断系统的研究对我国发动机智能诊断技术起到了很大的促进 作用。 1 2 2 故障诊断的发展方向 可见，设备故障诊断技术与当代前沿科学的融合是设备故障诊断技术的发展方向。 当今故障诊断技术的发展趋势是传感器的精密化、多维化，诊断理论、诊断模型的多元 4 中北大学硕士学位论文 化，诊断技术的智能化，具体来说表现在如下方面： ( 1 ) 与当代最新传感器技术尤其是激光测试技术的融合。近年来，激光技术己从军事、 医疗、机械加工等领域深入发展到振动测量和设备故障诊断中，并且已经成功应用于测 振和旋转机械等方面。 ( 2 ) 与最新信号处理方法相融合。随着新的信号处理方法小波分析在设备故障诊断领域 中的应用，传统的基于快速傅里叶变换的信号分析技术有了新的突破性进展。 ( 3 ) 与非线性原理和方法的融合。机械设备在发生故障时，其行为往往表现为非线性。 如旋转机械的转予在不平衡外力的作用下表现出的非线性特征，随着混沌与分形几何方 法的日趋完善，这一类诊断问题必将得到进一步解决。 ( 4 ) 与多元传感器信息的融合。发动机要求对设备进行全方位、多角度的监测与维护， 以便对其运行状态有整体的、全方面的了解。因此，在进行设备故障诊断时，可采用多 个传感器同时对发动机的各个位置进行监测，然后按照一定的方法对这些信息进行处 理，如小波分析方法。 ( 5 ) 与现代智能方法的融合。现代智能技术包括专家系统、模糊逻辑、神经网络、进化 计算等。现代智能方法在设备故障诊断技术中已得到广泛的应用。随着智能技术的不断 发展，设备状态的智能监测和设备故障的智能诊断将是故障诊断技术的最终目的。 1 3 本文研究重点 本文研究的主要任务有： 1 发动机振动信号时域、频域分析，并结合发动机气门间隙故障进行诊断。 2 分析研究汽车发动机的振动信号分析方法，利用小波多分辨率分析技术，寻找提 取发动机故障特征值的方法。 3 研究基于多传感信息融合的汽车发动机故障诊断人工智能理论，创建合适的神经 网络，将小波分析技术和b p 神经网络相结合对特征向量进行特征级融合，对发动机气门 间隙故障进行诊断。 本文的内容安排； 第一章：介绍课题研究的目的、意义和研究现状，指出课题研究的重点； 第二章：对信息融合技术做总体的概述，给出信息融合技术的定义、融合过程及其 5 中北大学硕士学位论文 特点：接着介绍多传感器信息融合的种类和方式，概括信息融合技术的关键问题和融合 的主要方法。 第三章：简单介绍小波分析理论基础，讨论正交多分辨分析、以及小波分析提取信 号特征向量的方法，为发动机故障诊断进行理论准备。 第四章：阐述神经网络的基本理论，介绍b p 神经网络的基本结构，训练、学习算 法及其步骤。针对标准b p 学习算法收敛速度慢，识别精度较差的问题，提出改进和优 化方法。 第五章：以哈尔滨东安发动机公司生产的d a 4 6 2 - 1 a i ) 型四缸四冲程电喷汽油机为实 验对象，针对发动机气门问隙8 种故障类型，通过时域、频域分析诊断。然后以小波多 分辨率分析为基础提取发动机振动信号特征向量，结合实验要求，研究b p 神经网络的创 建方法，并对比分析不同b 孵申经网络用于发动机气门间隙故障诊断的优劣和诊断性能。 第六章：结论。 1 4 本章小结 本章介绍了论文研究内容的背景和意义，回顾了国内外汽车发动机故障诊断发展历 史和研究现状，最后提出了论文的主要研究内容。 6 中北大学硕士学位论文 2 信息融合技术概述 2 1 信息融合技术的定义、融合过程及其特点 2 i i 信息融合的定义 信息融合技术主要研究对各种传感器的信息进行采集、传输、分析和综合，通过对 这些传感器及其观测信息的合理支配和使用，把多个传感器在时间和空自j 上的冗余或互 补信息依据某种准则进行组合，以获取被观测对象的一致性解释或描述。传感器之间的 冗余信息增强了系统的可靠性，互补信息扩展了单个传感器的性能。信息融合技术扩展 了时空覆盖范围、改善了系统的可靠性、对目标或事件的确认增加了可信度、减少了信 息的模糊性，它有着广泛的应用领域，它的表示和处理方法来自于通信、模式识别、决 策论、不确定理论、信号处理、估计理论、最优化技术、计算机科学、人工智能和神经 网络”“2 。 2 i 2 融合过程 信息融合过程主要包括多传感器信息获取、信息预处理、信息特征提取、信息融合 计算和结果输出等环节。由于被测对象多半为具有不同特征的非电量，如压力、温度、 色彩和灰度等，因此首先要将它们转换成电信号，然后经过a d 转换将它们转换为能由 计算机处理的数字量。数字化后的电信号由于环境等随机因素的影响，不可避免地存在 一些干扰和噪音信号，通过预处理滤除信息采集过程中的干扰和噪音，以便得到有用信 号。预处理后的有用信号经过特征提取，并对某一特征量进行信息融合计算，最后输出 融合结果。图2 i 为信息融合过程的一般过程示意图： 7 中北大学硕士学位论文 融合中心 多 据 特融 结 环传 = 臣卫亭 顸 征 合 果 境 感 处 提 计 输 器 理 取 算 出 2 1 3 多传感器信息融合的特点 l j 图2 1 信息融合过程 多传感器系统可以更大程度上的获得被探测目标和环境的信息量，在解决探测、跟 踪和识别等问题方面，具有以下特点： 1 ) 生存能力强。在有若干传感器不能被利用或受干扰，或某个目标不在覆盖范围内 时，总有一种传感器可以提供信息： 2 ) 扩展了空间覆盖范围。通过多个交叠覆盖的传感器作用区域，扩展了空间的覆盖 范围，总有一种传感器可以探测到其它传感器探测不到的地方： 3 ) 扩展了时间的覆盖范围。用多传感器的协同作用提高了检测概率，某个传感器可 以探测其它传感器不能顾及的目标： 4 ) 提高了可信度。一种或多种传感器对同一目标加以确认； 5 ) 降低了信息的模糊度。多传感器的联合信息降低了目标的不确定性： 6 ) 改进了探测性能。对目标的多种测量的有效融合，提高了探测的有效性。 2 2 信息融合的层次结构 多传感器信息融合所处理的多传感器信息具有更复杂的形式，而且可以在不同的信 息层次上出现，这些信息层次包括数据级( 即像素级) 、特征级和决策级1 。融合的层次 决定了对原始信号进行何种预处理，以及在信息处理的哪一层上实现融合。 1 ) 数据级融合 数据级融合是直接在采集到的原始数据层上进行的融合，在各种传感器的原始测报 8 中北大学硕士学位论文 未经预处理之前就进行数据的综合和分析。用于数据层融合的方法有经典的推测和估计 理论。这种融合的主要优点是能保持尽可能多的现场数据，提供其它融合层次所不能提 供的细微信息。但局限性也是很明显的：它要处理的传感器数据量太大，故处理代价高， 处理时间长，实时性差：这种融合是在信息的最低层进行的，传感器原始信息的不确定 性、不完全性和不稳定性要求在融合时有较高的处理能力：数据通信量较大，抗干扰能 力较差。 2 ) 特征级融合 特征级融合属于中问层次，它先对来自传感器的原始信息进行特征提取( 特征可以 是目标的边缘，方向，速度等) ，然后对特征信息进行综合分析和处理。一般来说，提 取的特征信息应是像素信息的充分表示量或充分统计量，然后按特征信息对多传感器数 据进行分类、汇集和综合。特征级目标状态数据融合主要用于多传感器目标跟踪领域。 融合系统首先对传感器数据进行预处理以完成数据校准，然后主要实现参数相关和状态 向量估计。 。 特征级目标特性融合就是特征层联合识别，具体的融合方法仍是模式识别的相应技 术，只是在融合前必须先对特征进行相关处理，把特征量分类成有意义的组合。用于特 征层数据融合的方法有神经网络、聚类算法或者模板法。 特征级融合的优点在于实现了可观的信息压缩，有利于实时处理，并且由于所提取 的特征直接与决策分析有关，因而融合结果能最大限度地给出决策分析所需要的特征信 息，但由于数据的丢失使其准确性有所下降。 3 ) 决策级融合 决策级融合是在融合之前，每个局部传感器相应的处理部件已独立完成了决策或分 类任务，决策级融合的工作实质是按一定的准则以及每个传感器的可信度进行协调，作 出全局最优决策。决策级融合是一个联合决策结果，在理论上这个联合决策比任何单传 感器决策更精确更明确。决策级融合是一种高层次融合，其结果为指挥控制决策提供依 据。因此，决策级融合必须从具体决策问题的需求出发，充分利用特征级融合所提取的 测量对象的各类特征信息，采用适当的融合技术来实现。决策级融合是三级融合的最终 结果，是直接针对具体决策目标的，融合结果直接影响决策水平。决策层融合所采用的 方法有b a y e s 推理、d e m p s t e r - s h a f e r ( d - s ) 证据理论、模糊集理论、专家系统等。 9 中北大学硕士学位论文 决策级融合的主要优点有：具有很高的灵活性：系统对信息传输带宽要求较低：能有 效地反映环境或目标各个侧面的不同类型信息：当一个或几个传感器出现错误时，通过 适当的融合，系统还能获得j 下确的结果，所以具有很强的容错性：通信量小，抗干扰能 力强：对传感器的依赖性小，传感器可以是同质的，也可以是异质的。但是，决策级融 合首先要对原传感器信息进行预处理以获得各自的判定结果，所以预处理代价高。 研究表明，对多个相似的传感器宜采用特征级融合，不同类型的( 或独立的) 传感器， 建议采用决策级融合。以下图2 2 a , 2 2 b ，2 2 c 分别为三种融合层次上的结构示意图。 图2 2 a 数据级融合图2 2 b 特征级融合 2 3 信息融合系统的联结方式 田 圈2 2 c 决策级融合 信息融合的联结方式指传感器采用什么方式联结来进行信息融合，出发点是传感器 和融合中心信息流之间的关系。目前研究的结构主要有串联结构、并联结构和混联结构。 1 ) 串联融合方式：在串联融合方式中，当前传感器接收前一级传感器传来的结果， 并把接收到的信息和自身得到的环境信息综合起来，得出它对环境的解释并传送到下一 级融合中心。这个过程将持续下去，直到得到的结果达到某个给定的可信度或者达到最 后一级融合为止。其优点是融合效果较好，缺点是对线路的故障非常敏感，若中间的某 一级融合发生了故障，整个融合都将终止。串联融合方式的结构如下图2 3 a 所示。 2 ) 并联融合方式：在并联融合方式中，所有传感器都把各自的数据信息传输给融合 中心，融合中心按一定准则综合各传感器的信息，然后才进行融合，作出最终的决策。 其优点是对线路不敏感，缺点是速度较慢。并联融合方式的结构如下图2 3 b 所示。 3 ) 混合融合方式：混联融合方式是串联和并联两种信息融合方式的结合，有多种形 1 0 辛甲 蚕 蕈 中北大学硕士学位论文 式，例如总体是并联的，局部是串联的；或者总体是串联的，局部是并联的：或者串并联 交叉等等。 图2 3 a 串联融合方式 2 4 信息融合的关键问题 u 图2 3 b 并联融合方式 从信息融合的功能可以看到，融合的基本功能是相关、估计和识别，重点是估计和 识别。因此，信息融合的关键问题是：数据转换、数据相关、状态估计、目标识别、数 据库、融合推理等。 1 ) 数据转换 由于各传感器输出的数据形式、对环境的描述和说明等都不一样，信息融合中心为 了综合处理这些不同来源的数据，首先必须把这些数据转换成相同的形式、相同的描述 和说明之后，才能进行相关处理。数据转换的难度在于，不仅要转换不同层次之间的信 息，而且同样需要转换环境或目标的描述或说明的不同之处和相似之处。即使是同一层 次的信息，也存在不同的描述或说明。 2 ) 数据相关 数据相关就是对多传感器或多源测量信息的相关性进行定量分析，按照一定的判别 规则，将信息分为不同的集合，每个集合中的信息都与同一源( 目标或事件) 关联。数据 相关技术的核心问题是如何克服传感器测量的不精确性和干扰等引起的相关二义性，即 保持数据的一致性；如何控制和降低相关计算的复杂性，开发相关处理、融合处理和系 统模拟的算法和模型。目前主要的相关算法有，粗细门限法、多门限判别法、模糊函数 1 1 中北大学硕士学位论文 法等。 3 ) 状态估计 状态估计又称目标跟踪。每次扫描结束时就将新数据集与原有的( 以前扫描得到的) 数据进行融合，根据传感器的观测值估计目标参数( 如位置、速度) ，并利用这些估计预 测下一次扫描中目标的位置。预测值又被反馈给随后的扫描，以便进行信息识别及念势 评定，若各传感器数据中没有公共的性质，则将难以融合。 4 ) 目标识别 目标识别亦称属性分类或身份估计，即根据不同传感器测得的目标特征形成一个n 维的特征向量，其中每一维代表目标的一个独立特征。若预先知道目标有历个类型，以 及每类目标的特征，则可将实测特征向量与已知类别的特征进行比较，从而确定目标的 类别。目标识别可看作是目标属性的估计。识别技术有许多种，比较成熟的有贝叶斯法、 证据推理( p e m p s t e r - s h a f e r ) 法、神经网络法、专家系统等方法。 5 ) 融合推理 融合推理是多传感器融合系统的核心，它需要解决下列问题：决定传感器测报数据 的取舍：对同一传感器相继测报的相关数据进行综合及状态估计，并参照其它信息源的 测报对数据进行修改验证；对不同传感器的相关测报数据验证分析、补充综合、协调修 改和状态跟踪估计；对新发现的不相关测报数据进行分析和综合；生成综合念势并实时 地根据测报数据的综合对综合态势进行修改；态势决策分析等。融合推理所要解决的关 键问题是如何针对复杂的环境和目标时变动态特性，在难以获得先验知识的前提下，建 立具有良好稳健性和自适应能力的目标机动与环境模型，以及如何有效地控制和降低递 推估计的计算复杂性。 2 5 信息融合的一般方法 多传感器是信息融合的硬件，多传感器的观测数据是信息融合的对象，融合的算法 则是信息融合的核心。如果从融合级别上分类，用于决策级的融合算法有：经典推理法、 b a y e s 推理法、d e m p s t e r - s h a f e r 证据推理法”1 等。特征级和数据级的融合算法主要有： 模板法、聚类分析、模糊集和可能性理论、自适应神经网络、专家系统等。 1 神经网络 1 2 中北大学硕士学位论文 神经网络可根据当前系统所接收的样本的相似性，确定分类标准。这种确定方法主 要表现在网络权值分布上，同时可采用神经网络特定的学习算法来获取知识，得到不确 定性推理机制。 基于神经网络的多传感器数据融合具有如下特点： 1 ) 具有统一的内部知识表示形式，通过学习算法可将网络获得的传感器信息进行融 合，获得相应的网络参数，并且可将知识规则转换成数字形式，便于建立知识库。 2 ) 利用外部环境的信息，便于实现知识自动处理及并行推理。 3 ) 能将不确定环境的复杂关系，经过学习推理，融合为系统能够理解的准确信息。 4 ) 神经网络具有大规模并行处理信息的能力，使得系统信息处理速度很快。 2 小波变换”删 小波变换是一种新兴的信息处理方法，具有“数学显微镜”之称。它同时在时域和 频域具有高分辨力，对高频分量采用逐渐精细的时域和频域步长，可以聚焦到分析对象 的任意细节，对于剧烈变化的边缘，比常规的傅里叶变换具有更好的适应性。小波变换 的这些特点，使其在图像处理中得到广泛的应用。 小波变换在信息处理中的方法为： 1 ) 选择具有紧支集的正交小波及对应的小波滤波器，对正交小波基的选取，既要考 虑到它的局部性要求，又要考虑到它的光滑性要求： 2 ) 对源信号采用分解算法分别进行适当层次的小波变换： 3 ) 在变换域进行特征抽取并进行数据融合，如果信号中感兴趣的分量相似于一个或 少数几个小波基函数，则这些分量相应于的小波函数有明显的变换系数，这些系数在变 换中很容易被发现，当融合的目的是尽可能保留源信号细节时，则提取并用以生成融合 结果图像，当融合的目的是去除源信号的噪声，则把相应的小波变换系数置零，再重构 融合结果信号： 4 ) 采用重构算法对处理后的小波系数进行反变换重建信号。 2 6 本章小结 本章对信息融合技术做了总体的概述，首先给出了信息融合技术的定义、融合过程 及其特点：接着将多传感器信息融合划分为数据级融合、特征级融合和决策级融合：在融 1 3 中北大学硕士学位论文 合的联结方式上，将其按结构分为：串联结构、并联结构和混联结构：最后分别概括了信 息融合技术的关键问题和融合的主要方法。 1 4 中北大学硕士学位论文 3 小波分析理论基础及其在振动信号处理中的应用 小波变换在故障诊断中的应用主要体现在：( 1 ) 运用小波变换进行信号分析来诊 断故障，包括利用小波变换检测信号的突变，利用观测信号的小波变换提耿系统波形特 征进行故障诊断：( 2 ) 利用小波变换提取故障特征进行故障分类和识别；( 3 ) 利用基于小 波分析的神经网络进行故障诊断。 3 1 小波分析 小波变换的基本思想类似于f o u r i e r 变换，就是用信号在一簇基函数张成的空间上 的投影来表征该信号。经典的f o u r i e r 变换是把信号按三角正、余弦基展开，将任意函 数表示为具有不同频率的谐波函数的线性迭加，能较好地刻划信号的频率特性，但它在 时域上无任何分辨，不能作局部分析，这在理论和应用上都带来了许多不便。虽然加窗 f o u r i e r 变换通过引入一个时间局部化“窗函数”改进了f o u r i e r 变换的不足，但其窗 口大小和形状都是固定的，没有从根本上弥补f o u r i e r 变换的缺陷。而小波变换优于 f o u r i e r 变换之处在于，它在时域和频域同时具有良好的局部化性能，有一个灵活可变 的时问、频率窗，是局部变换，具有变窗口，平移和正交性等特点。因而小波变换能有 效的从信号中提取信息，通过平移伸缩等功能实现对信号进行多尺度细化分析，也克服 了窗口傅立叶变换的窗口固定不变等缺点1 。 3 1 1 小波分析原理简介 小波函数的确切定义为：设妒( f ) 为一平方可积函数，即： f ，( f ) r ( 月) ，若其傅立叶变 籼满足条件l 哗卯 o ? c 朦祥零实数全体， - ， 则称p ) 为一个基本小波函数或小波母函数，称式( 3 1 ) 为小波函数的可容许性条件。 将小波母函数妒( f ) 进行伸缩和平移，设其伸缩因子( 又称尺度因子) 为口，平移因子 为b ，令其平移伸缩后的函数为忆。( f ) ，则有 1 5 中北大学硕士学位论文 嘣归口洋) ( 3 2 ) 称甄。( f ) 为依赖于参数口，6 的小波基函数。由于尺度因子口，平移因子6 是取连续变化 的值，因此称虬。( f ) 为连续小波基函数。 对于任意的函数或者信号f ( t ) ，其小波变换定义为 6 ) _ 工厂( f ) _ ( 2 南歹( 等渺 ( 3 3 ) 小波变换的反演公式为 加) = 击f c 。f 帅，6 ) 蹦。等 ” 3 1 2 二进小波和二进小波变换 c 其中。= 工铎m a ， 小波函数 f ，( f ) ，若存在常数a 、b ，当0 a b 一1 【一l ，若酶 o ； x 0 ；埘 砰( 力 o ( 4 2 0 ) a 和b 是常量。它对砰( ) 的导数为 3 2 中北大学硕士学位论文 f ( 砰( 胛) ) = a b s e c h 2 ( 6 砰( n ) ) = a b ( 1 一t a n h 2 p 砰( 甩) ) ) ；罢 口一谚( 挖) 】+ 母( ) 】 口 对图4 - 5 所示b p 网络，当l = p q = p ) 时，即对输出神经网络p ： ( 4 2 1 ) 彤( 帕= ( 功( 甜；( 栉) ) ：尝【吒( 栉) 一蚱( 功】 口一( 行) 】k + 蚱( 功】 ( 4 卫2 其中( “；( 砌= 鲁 口一( 聆) 】【o + 哆( 聍) 】= 皇陋一( 胛) 】 d + y p ( 押) 】 口 a 当l = j ( 1 = _ ，) 时，即对隐层l ，上的神经元_ ，： ( 刀) = ( 衫( 甩) ) 彩( 撑) ( 栉) ( 4 2 3 ) 其中 厂( 彰伽”= 告一哆( 哟】+ ( 功】 当l = z ( t = 0 时，即对隐层，上的神经元i ： 彰( 功= ，“( 胛) ) 6 j ( n ) w , j ( n ) ( 4 2 4 ) ，( 一( ”) ) = _ h i 口一一0 ) 】+ 一( 玎) 】 ( 6 ) 在b p 算法第五步需要判断误差e ( ) 是否满足要求，这里的要求是：对顺序方式， 误差小于我们设定的值占，即f 以刮 s ；批处理方式，每个训练周期的平均误差e 二其 变化量在0 1 到1 之间，我们就认为误差满足要求了。 ( 7 ) 在分类问题中，我们会碰到属于同一类的训练样本有几组，在第一步设置变量 时，一般使同一类的训练样本其期望输出相同。例如设输入的训练样本有工类， l = 【f l ，2 ，厶，l 】，输入样本霹表示l 类的第k 组训练样本， 研；嘭，破，镌，矗】对应的实际输出为矿= ，或，瑶，罐，】，期望输出为 4 = 【珥。，码：，d 0 ，如，】。 3 3 中北大学硕士学位论文 4 3 4b p 学习算法的改进 在实际应用中b p 算法存在两个重要问题：收敛速度慢，目标函数存在局部极小点。 因此人们提出了一些改善b p 算沦的方法，下向将介绍一些主要的改进措旌。“蚓： ( 1 ) 加入动量项。在b p 算法中学习步长，7 的选取很重要，7 值大，网络收敛快，但 过大会引起不稳定；，7 值小，虽然可以避免不稳定，但收敛速度就慢了。要解决这一矛 盾最简单的方法是加入“动量项”，即令 4 ( 玎) = a 6 嘞o 一1 ) + 鸦( 坊v a n ) ( 4 2 5 ) a 为动量项，通常是常数。 将( 4 2 5 ) 式写成以r 为变量的时间序列，t 由0 到终。则式( 4 2 5 ) 可以看成是a 。( n ) 的一阶差分方段： a ( 咖= 玎口“1 乞o ) v j ( f ) 因为 v a n ) = 厂( 刀) ) 可蚴州炉一器删式( 4 2 6 ) 可以驰 吲力。叼扩器 由上述推导可知： ( 4 2 6 ) ( 4 2 7 ) ( 4 2 8 ) 1 ) 本次修正量a 嘞( 功是一系列加权指数序列的和。当动量常数满足o h o ( 4 2 9 ) 咖胁m ，若嚣爰”1 ) 。成立的条件是参数置的相邻两次梯度的方向相同，这说 明参数置上一次的调整方向是有效的，也就是说置的调整还是沿着使误差减小的方向 进行的，此时应增大置的学习率，以加速误差函数在平坦区域向极小值靠拢或者使得误 中北大学硕士学位论文 差函数跳出原来的极小值邻域： 2 ) 爰( 一) 爰 - 1 ) 。成立的条件是参数置的相邻两次梯度的方向不同，这说 明参数置上次调整幅度过大，以至参数置在误差函数的某极小值的邻域内震荡或者 使得误差函数进入另一个邻域，此时应该减