基于多源數(shù)據(jù)融合的積放鏈電機狀態(tài)檢測方法

摘要：為了對積放鏈輸送汽車駕駛室時的驅(qū)動電機運行狀態(tài)進行檢測，分別檢測積放鏈驅(qū)動電機的振動、溫度和繞組的數(shù)據(jù)值，采用一種基于多源異類數(shù)據(jù)融合技術(shù)的方法。該方法先對同類數(shù)據(jù)進行融合計算，剔除高沖突和異常數(shù)據(jù)，再采用D-S證據(jù)融合規(guī)則，對積放鏈電機狀態(tài)進行預(yù)測判斷。通過實例驗證與不同算法間對比分析，表明該方法融合結(jié)果置信度更高，能有效提高預(yù)測結(jié)果的可靠性和準確性。

關(guān)鍵詞：多源數(shù)據(jù)融合;汽車駕駛室;電機狀態(tài);D-S證據(jù)

中圖分類號：U471

文獻標識碼：A

1 同類數(shù)據(jù)融合算法分析

1.1 最優(yōu)融合集的算法

由于積放鏈電機運行是一個多變量和多因素耦合的過程，積放鏈運行時，輸送的汽車駕駛室數(shù)量、總質(zhì)量和環(huán)境溫度等的變化，都會造成積放鏈電機的振動、溫度及繞組數(shù)據(jù)也隨之變化。即使積放鏈電機運行狀態(tài)正常的情況下，在不同日期時間檢測出的數(shù)據(jù)值也會相差巨大，存在高沖突和異常數(shù)據(jù)，對技術(shù)人員的預(yù)測判斷帶來干擾。因此，根據(jù)檢測儀器在不同時間與不同狀態(tài)下的檢測數(shù)據(jù)，采用最優(yōu)融合集的同類數(shù)據(jù)融合算法[1]，對積放鏈電機運行狀態(tài)變化預(yù)測判斷。最優(yōu)融合集算法把某個檢測儀器在不同時間測得的積放鏈電機狀態(tài)數(shù)據(jù)進行局部處理，通過定義最優(yōu)融合集來獲取不同時間和不同狀態(tài)下的積放鏈電機的振動、溫度及繞組數(shù)據(jù)值。在融合過程中進行數(shù)據(jù)對比，將強沖突和異常數(shù)據(jù)值進行剔除，得到t時段內(nèi)數(shù)據(jù)值的最優(yōu)融合集為Φ。融合估計表達如公式（1）所示。

式中：xi（t）表示融合后的數(shù)據(jù)值;ωi（t）表示Δti時刻的權(quán)重系數(shù);Si（t）表示Δti時刻的檢測數(shù)據(jù)值。若檢測數(shù)據(jù)Si（t），Sj（t）的絕對距離越小，則說明數(shù)據(jù)融合度越高，兩檢測數(shù)據(jù)一致性就越高。反之，則稱該時段的檢測數(shù)據(jù)相互偏離，其數(shù)據(jù)一致性就越低。

1.2 仿真分析

選用技術(shù)人員實際檢測記錄的積放鏈電機溫度數(shù)據(jù)庫，與其他常用同類數(shù)據(jù)融合算法進行對比分析，實例驗證最優(yōu)融合集算法的有效性和可靠性（表1）。

表1中，前3個都是某時段下，積放鏈電機運行過程中，檢測電機接觸器和繼電器溫度的正常值，而Δt4和Δt5是隨機出現(xiàn)的誤差值，即高沖突和異常數(shù)據(jù)。再分別應(yīng)用最優(yōu)融合算法、平均值算法以及可靠性算法[2]對檢測數(shù)據(jù)進行融合，得到的融合結(jié)果如表2所示。

表2中，相對誤差是指融合結(jié)果與Δt1時刻的實測值進行對比。從表2融合結(jié)果值可看出，平均值算法的相對誤差是18.7%～20.0%，可靠性算法的相對誤差是16.9%～17.6%，而最優(yōu)融合算法的相對誤差小于4.8%，說明最優(yōu)融合算法的結(jié)果更逼近實測值，反映出此算法的可靠性。

為了對比各算法的穩(wěn)定性，再利用matlab軟件進行仿真實驗。根據(jù)設(shè)備管理系統(tǒng)里記錄的2015—2018年間的積放鏈電機檢測數(shù)據(jù)值，分別運用上述3種算法進行數(shù)據(jù)融合，得到各融合算法的相對誤差分布趨勢如圖1所示。在數(shù)據(jù)庫中，實際檢測記錄的數(shù)據(jù)肯定有很多異常和誤差數(shù)據(jù)。根據(jù)圖1融合結(jié)果可知，最優(yōu)融合集算法的相對誤差最小，且波動幅度較小，說明此算法的融合精度及穩(wěn)定性更強。而可靠性算法和平均值算法，沒有將強沖突信息數(shù)據(jù)預(yù)先剔除，導(dǎo)致融合結(jié)果波動大，會給技術(shù)人員的預(yù)測判斷造成困難。因此采用最優(yōu)融合集算法對同類數(shù)據(jù)融合更具優(yōu)越性。

2 異類數(shù)據(jù)融合算法分析

所謂異類數(shù)據(jù)，是指具有不同物理屬性和不同測量范圍的檢測儀器數(shù)據(jù)[3]。積放鏈電機的振動、溫度及繞組就屬于異類數(shù)據(jù)?，F(xiàn)行人工判斷方法沒有結(jié)合積放鏈電機多源異類數(shù)據(jù)值的變化特點，存在判斷準確率低的缺點。因為多源異類信息融合的特殊性，本文采用D-S證據(jù)理論對積放鏈電機的異類數(shù)據(jù)進行融合，根據(jù)融合結(jié)果對積放鏈電機狀態(tài)進行預(yù)測判斷，并通過實例驗證方法的準確性。

基于D-S證據(jù)理論的算法。積放鏈電機狀態(tài)差、良、優(yōu)的分類就是命題。而振動、溫度及繞組檢測儀器分別檢測的數(shù)據(jù)，是對積放鏈電機運行狀態(tài)識別的證據(jù)。利用這些證據(jù)構(gòu)造相應(yīng)的概率分配函數(shù)，對積放鏈電機狀態(tài)賦予一個可信度，概率分配函數(shù)以及相應(yīng)的鑒別框架合稱為一個證據(jù)體[4]。

設(shè)有2個證據(jù)e1和e2，它們之間相互獨立，設(shè)e1和e2的基本可信度分配函數(shù)分別為m1和m2，對于e1和e2合成的命題X，e1和e2的基本可信度的D-S合成規(guī)則如公式（2）所示。

式中：k∈[0，1]，k為證據(jù)e1和e2的全局沖突信度，D-S證據(jù)融合方法充分挖掘檢測數(shù)據(jù)值的一致性和沖突性，在證據(jù)權(quán)重分配時，沖突性數(shù)據(jù)會被最大限度的降低其權(quán)重系數(shù)，同時，提高一致性數(shù)據(jù)的權(quán)重系數(shù)。

3 實例驗證與結(jié)果分析

3.1 積放鏈電機狀態(tài)檢測

目前，總裝廠的技術(shù)人員使用不同儀器分別檢測積放鏈電機的振動、溫度及繞組等數(shù)據(jù)，檢測頻次是1次/月，把數(shù)據(jù)輸入設(shè)備管理系統(tǒng)，依靠人工經(jīng)驗判斷積放鏈電機的運行狀態(tài)（差、良、優(yōu)）（圖2）。檢測數(shù)據(jù)相互獨立，系統(tǒng)無法識別振動、溫度及繞組數(shù)據(jù)間的關(guān)聯(lián)性，因此，人工經(jīng)驗判斷方法的準確率不高，可信度低，易出現(xiàn)誤判。

為了提高對積放鏈電機狀態(tài)判斷的準確性和可靠性，可采集積放鏈電機振動、溫度及繞組數(shù)據(jù)，作為檢測積放鏈電機狀態(tài)的外部響應(yīng)變量。根據(jù)上述最優(yōu)融合集算法，分別對振動、溫度及繞組數(shù)據(jù)進行局部融合，目的是對檢測數(shù)據(jù)的異常及虛假數(shù)據(jù)進行剔除。剩余的有效性數(shù)據(jù)用于后續(xù)多源異類數(shù)據(jù)的融合度計算和權(quán)重系數(shù)分配，建立積放鏈電機振動、溫度及繞組數(shù)據(jù)間的關(guān)聯(lián)性，對局部融合后的多源異類數(shù)據(jù)進行基本概率分配，形成初始證據(jù)源，再應(yīng)用D-S證據(jù)合成規(guī)則，得到積放鏈電機運行狀態(tài)預(yù)測結(jié)果。

3.2 融合算法的對比分析

應(yīng)用積放鏈電機的實際檢測數(shù)據(jù)進行實例驗算，對比分析D-S證據(jù)合成規(guī)則的準確性和可靠性。設(shè)定積放鏈電機狀態(tài)的辨識框架為Θ={a，b，c}={差，良，優(yōu)}，選取設(shè)備管理系統(tǒng)里5個不同日期的檢測數(shù)據(jù)值作為證據(jù)，如表3所示。

在表3中，T2時刻檢測的數(shù)據(jù)明顯與其他時刻數(shù)據(jù)相差較大，是高沖突證據(jù)。根據(jù)網(wǎng)格搜索與交叉驗證的支持向量機（SVM）算法[4]，結(jié)合相應(yīng)知識，得到上述5條證據(jù)的基本概率分配函數(shù)賦值，如表4所示。

在表4中數(shù)據(jù)可知，證據(jù)e2顯示積放鏈電機運行狀態(tài)差，而其余4條證據(jù)均顯示電機狀態(tài)良，e2屬于高沖突證據(jù)。如果總裝技術(shù)員根據(jù)此時刻的檢測數(shù)據(jù)做判斷，則容易出現(xiàn)誤判。根據(jù)融合算法及D-S證據(jù)融合方法[5-6]，分別對5條證據(jù)進行逐次合成，得到的融合結(jié)果如表5所示。

表5中，Θ是指全集;m（Θ）表示不確定的概率。由融合結(jié)果可知，隨著證據(jù)數(shù)量增加，孫全方法融合結(jié)果由m（b）=0.234增加到m（b）=0.378，鄧勇方法融合結(jié)果由m（b）=0.165增加到m（b）=0.403，說明在有沖突和隨機誤差證據(jù)時，上述2種方法不利于根據(jù)融合結(jié)果做出準確決策。而在設(shè)備管理系統(tǒng)檢測數(shù)據(jù)庫里，不可避免的存在誤差和異常數(shù)據(jù)，孫全方法對沖突性證據(jù)引入了證據(jù)可信度，按照加權(quán)和平均的形式進行權(quán)重系數(shù)分配，主觀性比較強，導(dǎo)致最終融合結(jié)果的差異會比較明顯;鄧勇方法是對單個證據(jù)先進行了多次合成，再應(yīng)用組合后得到的平均數(shù)據(jù)進行證據(jù)融合，此過程會導(dǎo)致一些有利證據(jù)數(shù)據(jù)丟失。

與上述方法相比，D-S證據(jù)合成方法對電機狀態(tài)良的預(yù)測結(jié)果由m（b）=0.405增加到m（b）=0.816，說明隨著證據(jù)量的增加，預(yù)測結(jié)果可靠性和準確性越來越高。此算法優(yōu)點是綜合考慮了證據(jù)間的一致性信息和沖突信息，對每條證據(jù)的mass函數(shù)進行權(quán)重系數(shù)分配，充分考慮積放鏈電機振動、溫度及繞組等檢測值之間的關(guān)聯(lián)性，最大限度的提高一致性證據(jù)的權(quán)重系數(shù)，有利于提高預(yù)測結(jié)果的可靠性和準確性。

4 結(jié)束語

根據(jù)積放鏈電機同類儀器檢測值存在樣本數(shù)據(jù)多和隨機誤差的特點，提出了一種最優(yōu)融合集的同類數(shù)據(jù)融合算法。該算法能有效剔除強沖突信息，具有更優(yōu)的融合精度和穩(wěn)定性，目前的方法沒有充分考慮積放鏈電機振動、溫度及繞組等檢測值之間的關(guān)聯(lián)性。因此，采用D-S證據(jù)融合規(guī)則對積放鏈電機數(shù)據(jù)進行融合，并通過實例驗證和對比分析，表明該方法能預(yù)先剔除高沖突和隨機誤差的檢測數(shù)據(jù)，融合效率更高，收斂速度更快，有利于提高預(yù)測結(jié)果的可靠性和準確性。

【參考文獻】

[1]杜許龍.基于信息融合方法的衛(wèi)星部件可靠性預(yù)測[D].西安理工大學(xué)，2018.

[2]杲玄玄.基于多傳感器信息融合的工業(yè)裝備故障預(yù)測方法研究[D].湖南工業(yè)大學(xué)，2018.

[3]鹿高娜.基于D-S證據(jù)理論的融合事件檢測算法研究[D].北京：北京交通大學(xué)，2016.

[4]羅小燕，陳慧明，盧小江，等.基于網(wǎng)格搜索與交叉驗證的SVM磨機負荷預(yù)測[J].中國測試，2017，01：132-135.

[5]孫全，葉秀清，顧偉康.一種新的基于證據(jù)理論的合成公式[J].電子學(xué)報，2000，04：178-181.

[6]鄧勇，施文康.一種改進的證據(jù)推理組合規(guī)則[J].上海交通大學(xué)學(xué)報，2003，08：534-536.