基于神经网络的信息融合技术.doc

基于多传感器信息融合的数控机床故障诊断研究引言数控机床具有加工柔性好、加工精度高、加工质量稳定、生产率高等诸多特点,但其结构与运行工况也很复杂,一旦机床发生故障,引起故障的因素众多,有机械方面的,有电气方面的,同时同一种故障往往有不同的表现,同一种症状又常常就是几种故障共同作用的结果,故障的多样性、复杂性与各故障之间的复杂联系构成了数控机床故障诊断中的重点与难点。每个传感器都有一定的功能与测量范围,单个传感器的数据从某个侧面反应被测对象或系统的情况,难免带有一定的局限性。仅仅通过单一传感器的特征提取与诊断分析将无法成功完成对数控机床的故障诊断任务。因此多传感器数据融合技术显得尤为重要,它能克服传感器使用的局限性与传感器信息的不准确性,充分地、综合地、更有效地利用多传感器信息,减少信息的模糊性,增加决策可信度,提高对数控机床的故障诊断的准确率。多传感器数据融合就是一种重要的传感器信息处理方法,它起源于20世纪70年代,最早被应用于军事领域,用于解决目标识别与跟踪、状态与身份估计、态势与威胁估计等技术问题。它能充分利用不同时间与空间的多传感器数据资源,在一定准则下进行分析、综合、支配与使用,得到对被测对象的一致性解释与描述,并做出相应的判断、估计与决策。多传感器数据融合有多种算法,其中,D-S证据理论方法的应用最为广泛。本文主要建立了基于多传感器信息融合的数控机床二级故障诊断系统:基于自适应加权算法的一级融合,基于D-S证据理论的二级融合。然后利用某一论文中的数控机床的测量数据,通过MATLAB软件对其进行分析计算,最后得出结论。 本文介绍了一种基于多传感器信息融合的二级故障诊断系统:基于自适应加权算法的一级融合,基于D-S证据理论的二级融合,如图1所示。图1数控机床二级故障诊断系统2、1基于自适应加权算法的一级融合传感器就是自动化领域一种重要的检测与测量装置,当传感器出现故障时,其测量值有可能严重偏离实际值,而此时仍对传感器的测量数据进行融合,就会影响数据融合的精度,因此有必要在传感器数据融合之前确保数据的有效性,对其进行一致性检测。2、1、1传感器数据一致性检测 假设有N个同类(同质)传感器测量同一目标,其中任意两个传感器i、j的测量值分别为、(),且,均服从正态分布。为检测传感器测量值,之间的偏差大小,引入一个新概念—相融距离测度。反映了i、j两个传感器之间的融合程度。值越大,则i、j两个传感器的测量值,偏差越大;越小,则偏差越小。的计算公式如下:(1)其中F(X)为标准正太分布函数。 所有N个传感器两两之间的相融距离测度构成一个多传感器数据融合度矩阵:(2) 设的临界值为,则(3)则多传感器相融矩阵为(4) 为i、j两个传感器之间的融合度,当时,说明i、j两个传感器测量值偏差较大,互不支持;反之当=1时,说明i、j两个传感器测量值偏差较小,互相支持。如果一个传感器与其她大多数传感器都互不支持,其测量值极有可能为无效数据,应予以剔除。如果该传感器的测量值经常无效,技术人员应该考虑检查就是否易发生故障,如果就是,应予以更换或维修。相反,一个传感器被大多数传感器所支持,则该传感器数据有效,可以用于后期的融合。2、1、2自适应加权算法 在实际使用中,各个传感器的测量精度不同,导致其置信度也各不相同。局部融合中也采用自适应加权融合算法,其核心思想就是:为了获取最优融合结果,基于所有传感器的测量值,自适应地查找总体方差最小情况下各个传感器所对应的最优加权因子。 设有n个传感器对某一对象进行测量,其方差分别为,所要估计的真值为X;各传感器的测量值分别为都就是X的无偏估计,且彼此相互独立;各传感器的加权因子分别为,则融合后的值与各加权因子满足以下条件:(5) 则总体方差为(6) 由式(6)知,总体方差就是关于传感器各加权因子的多元二次函数,一定存在最小值,其最小总体方差为(7) 其对应的最优加权因子为(8) 对于单个传感器,可计算其历史时刻数据的均值,来估计其真值。第p个传感器连续测量k次的平均值为(9) 则融合后的计算值为(10)总体方差为(11) 此时最小总体方差为(12)2、1、3基于D-S证据理论的二级融合 全局融合中心就是基于多传感器信息融合的故障诊断系统的核心部分,它采用了一种混合的D-S证据理论算法,即将基于典型样本的信度函数分配方法与改进的D-S证据组合规则相结合。 基于典型样本的信度函数分配方法为局部融合后的各传感器数据信息分配基本概率值,利用D-S证据组合规则得到各目标故障模式在所有证据信息联合作用下的基本概率分配,最后在一定的决策规则下,选择支持度最大的故障假设。D-S证据理论设Ω为X的识别框架,框架内所有元素之间互相排斥。如果存在集函数m:2Ω[0,1],满足一下两个条件: