修正的D2S证据理论在液压故障诊断中的应用
    


工程车辆工作环境恶劣,其核心部件是液压系统,液压系统的故障具有隐蔽性、难于判断和可变性,对寻找故障的部位,查找故障产生的原因比较困难,因此液压系统的故障诊断需引入决策参考。通常的故障诊断只是对某一类特征参数(如:预处理以后的压力信号)进行多角度、多层面的分析,由于获得的信息量单一,往往不能应对复杂可变的故障。而多传感信息融合是对多个传感器信息进行多层次、多级别的时空域综合分析,从而获得新的有意义的信息,再按一定规则加以组合、决策已达到定位故障的目的。

D2S证据理论在信息融合领域中具有比较强的理论基础,在处理不确定性方面具有独特优势。困扰D2S证据理论推广的原因主要有两大方面:一是Dempster合成规则在实现时存在的指数爆炸问题,相应的在针对特殊的证据组织结构,构造快速算法以及减少焦元个数、采用近似计算[1]等方面给予解答;二是由于环境因素或人为干扰导致证据高度冲突时,Dempster组合规则失效问题,目前解决这一问题的方法集中在组合规则改进或数据模型改进两个方面,而对数据模型改进需了解证据冲突的本质,对解决实际问题进行故障诊断有更大价值,文中数据融合算法是基于文献[2]的基础上考虑焦元的个数、种类与目标故障的关系,根据证据冲突时证据的折扣定义新的信任系数进行信息融合,并采用时空域联合数据融合的算法最终达到定位故障的目的。

1 多传感信息融合(Multi2sensor informationfusion algorithm)算法

1.1 D2S证据理论

D2S证据理论是由Dempster提出,Shafer加以扩展和发展的。证据理论中的论域称为识别框架,记为U.U表示X所有可能取值,记为{X1,X2,,Xn},在故障诊断中对应识别目标,即故障的n种模式。U中元素是互不相容的。

定义1 设U为一识别框架啊,则函数m:2U→[0,1](2U为U的所有子集构成的集合)满足下列条件:m() =0;

;则称m(A)为A的基本概率赋值。m(A)表示对命题A的精确信任度,在故障诊断中表示该证据对某种故障的影响程度。

定义2 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,焦元分别为A1,,,Ak和B1,,Bk,又设:

式(2)为Dempster组合规则,K1表示m1()和m2()这两批证据的不一致因子,即证据相互冲突程度,K1越大,表示证据间冲突越大,如果K1=1时,则经典D2S证据理论失效。

1.2 修正的D2S证据理论及决策规则

解决证据冲突时的D2S证据理论失效问题,基本上有两种方法:一是修改Dempster组合规则,但Haenni认为Dempster组合规则本身并没有错误[3],需要对冲突的证据进一步处理;二是对冲突的证据重新分配,通过引入冲突因子k、参数K等。但冲突系数k常被解释为分配给空集的合成概率指派,该方法没有从冲突本质出发解决问题。数据融合方法是由Jousselme等人给出的距离函数[4],该距离是指两个证据体mi()和mj()之间的距离,根据距离的大小判定证据间的冲突程度。不同子集Ai中元素个数不同,如A1={O1,O2},A2={O1,O2,O3}时,冲突因子k对其目标识别是变化的,因此需考虑到子集元素之间的相交测度来修正k,即根据证据间的不包含程度和证据间的距离修正k.

若mi和mj是完备识别框架上U基本概率分配,据Jousselme距离函数[4]可得两证据间的距离:

其中D为2nX2n矩阵,其计算方法为:

<mi,mj>为两个向量的内积, < mi,mj>=,再根据原冲突因子与距离dij求和后的平均值来获得新的冲突因子K'ij,步骤如下:

(1)计算原始冲突系数K1与距离dij,并计算新的冲突系数K'1;

(2)根据相交测度计算证据间的折扣,定义新的信任系数;

(3)用式(1)的Dempster组合规则进行组合;

(4)根据信任系数修正融合结果:mc(C) =Am(C);

(5)和下一组证据体进行融合,如此循环。

数据融合后,选择基于规则的决策方法,根据基本概率赋值的决策:设A1,A2<U,满足m(A1) =
max{m(Ai),Ai<U},m(A2) =max{m(Ai),Ai<U,则A1即为判决结果,其中E1,E2为门限值。

2 液压系统的故障诊断

故障诊断中所需的数据需要一个完备的数据采集实验系统来采集原始数据,并对数据进行预处理。采用基于嵌入式信号采集系统,以TQS3C2440为主控芯片,在实验过程中通过编译Bootloader和Linux kernel,将程序烧写到目标平台,实现硬件上的故障诊断。将嵌入式系统与信息融合技术相结合,低成本,低功耗,高性能,并通过ARM控制后端的传输系统,大大减轻了远程PC的运算压力,利用最少的资源完成了相对最大的工作量。

数据的预处理工作完成后,根据影响液压系统的主要因素,包括液压油的污染度、温度、系统压力、液压泵转速等确定所需传感器种类。在设备工作现场,由于每一类传感器都会有50 ~100个监测点分布在机械的不同位置,因此空域跨度大,范围广,相应数据量会增大很多,文中根据其工作特性,诊断时在尽量保证精确度的情况下降低数据处理时间,因此采用多个测量周期的分时空域的融合方法。系统框图如图1所示。

根据图1,以掘进机液压系统为例,根据常见故障[6]选择压力、温度、流量三种传感器,对设备进行多点监测,产生所有故障即完备识别框架U ={O1,O2,O3,O4,O5},分别对应五种故障,O4为全集,O5为空集。根据经验,其中易发生故障O1为液压泵故障、O2泄流阀泄漏,O3为油温过高。采用时空域信息融合需对基本概率分配有两组参数设置,mij()表示第i个传感器第j个周期对某目标的影响程度,按图1所示流程,先对每个传感器分别进行时域信息融合,再对n个传感器时域融合后的结果再进行空域融合。根据相关性的定义获得基本概率分配[5],再结合修正的Dempster组合规则及基于基本概率分配的决策规则,进行故障定位。

3 实验结果与仿真

实验结果如表1、表2所示。

表2是对三个周期的测量结果用本文方法进行融合后总的概率分配,再根据决策规则,取E1,E2都为0.1,通过MATLAB仿真,得到m(o1) =0.082 1,m(o2) =0.690 8,m(o3) =0.227 1,因此定位最后故障为Type=泄流阀泄漏。

根据表1、表2基本概率分配,可计算得K1接近于1,即证据间冲突程度比较大,而用本文方法在经过多次仿真后仍能迅速得到相同的实验结果,说明该算法稳定性强,能准确定位故障。同时对第一周期测量结果按照经典Dempster组合规则时,当其证据组合情况不一致时,如按照m1,m1m2,m1m2m3,这三种组合方式,通过仿真,结果是m(o1)均为0,此结果表示m1,m2,m3这三种证据体对故障O1均无影响,即出现了否决情况,无论以后有多少支持的证据O1,m(o1)的结果始终为0,并且m(U)的值一直在增大,即未知情况概率分配在增大。未知情况概率越大,对故障的实时准确诊断率也越低,说明经典组合规则在此处(不同证据组合方式)已失效。

4 结论

在基于经典Dempster证据理论的基础上,分析了当证据冲突时组合规则对实际应用的影响,根据Jousselme距离函数考虑证据不包容和不同证据组合情况对冲突系数的影响,通过根据证据的折扣定义一种新的信任系数,修正了经典证据理论,在实际应用时采用时空域融合方法,对液压系统的故障进行定位,实验仿真表明在Dempster组合规则失效时,本文算法仍能准确定位故障。

摘自:中国计量测控网


相关阅读
  • 气动量仪在液压缸故障诊断中的应用
  • 人工智能在挖掘机故障诊断中的应用
  • 流程图在数控设备故障诊断中的应用
  • 人工智能在机械故障诊断中的应用
  • 频谱分析仪及其在故障诊断中的应用
  • 气相色谱分析在变压器故障诊断中的
  • 故障树分析法在汽油发动机故障诊断
  • 故障诊断专家系统在污水处理中的应
  • 信号波形在汽车故障诊断中的综合应
  • 信息融合技术在沥青搅拌设备燃烧系
  • PLC在数控机床故障诊断中的应用
  • PLC在数控机床故障诊断中的应用
  • 红外测温仪在电气系统故障诊断中的
  • 真空测量在发动机故障诊断中的应用
  • 铁谱监测技术在煤矿设备故障诊断中
  • 红外热成像技术在石化设备故障诊断
  • 传统诊断方法在小车故障判断中的应
  • 振动分析在滑动轴承故障诊断中的应
  • 差压变送器在应用中的故障诊断和分
  • 故障诊断技术及其在暖通空调系统中
  • [滚动轴承故障诊断][组图]时域指标
  •  



     
     
         

    收录时间:2017年01月06日 23:48:55 来源:国家标准物质网 作者:匿名
    上一篇:吃橄榄油可防癌、抗衰老、抗辐射?专家称“无证据”  (电脑版  手机版)
     
    创建分享人
    却上心头
    最新发布
     
    喜欢此文章的还喜欢
  • 修正的D2S证据理论在液压故障诊
  • 吃橄榄油可防癌、抗衰老、抗辐射
  • 仪器仪表出口折射高技术产业困境
  • 黑龙江将投5845万建51个空气自动
  • LED照明检测与节能评价研究
  • 美国研究员称调整酒发酵素基因
  • 黄海所海洋酸化研究取得新进展
  • 加热炉温度计量控制系统技术改造
  • 液位仪表常见故障有哪些?液位仪
  • 食品添加剂与食品安全
  • Copyright by www.chinabaike.com;All rights reserved. 联系:QQ:469681782