基于多傳感器數據融合技術的電子設備故障診斷

吳蘇+吳文全+王薇

摘要：針對電子裝備故障診斷中單一類型故障特征量和診斷方法無法完成診斷任務，導致故障診斷率不高的問題，將多傳感器數據融合技術應用于多注速調管發射機裝備故障診斷。構建故障診斷模型，提出把故障診斷過程分為兩個層次。首先，借助不同的神經網絡實現多輸入信號的函數變換的功能，獲得各種故障基本概率分配值；然后，在決策層利用D-S證據理論的合成法則將各神經網絡診斷結果融合起來統一判決，得到最終綜合診斷結果，通過實例仿真，并與初步診斷結果進行比較，結果表明早期故障識別率大大提高。

關鍵詞：故障診斷；數據融合；發射機；神經網絡；DS證據理論

中圖分類號：TP391.9文獻標識碼：A

1引言

現代電子裝備結構日益復雜，自動化程度越來越高，一個故障部位常常引起多種故障現象，或者一個故障現象可能由不同的故障部位引起的，使得僅靠單一類型故障特征量和診斷方法往往無法完成診斷任務，從而導致故障診斷率不高的結果，必須運用多傳感器協同工作來實現故障檢測和定位，多傳感器數據融合技術特別適合解決電路中前后元件互相影響以至不能測準元件的故障以及由于容差、非線性及元件參數相互影響而出現的診斷不確定性[1，2]。

目前，數據融合技術在發動機故障診斷、電力系統故障診斷、智能交通、機電設備故障診斷等領域得到廣泛的研究和應用[3-8]，本文在以上研究成果的基礎上，嘗試將數據融合技術引入多注速調管發射機裝備故障診斷。

2故障診斷模型

由于故障與征兆之間關系很難用數學模型來表示，本文依據多源數據融合數據處理方式，結合電子裝備故障診斷的特點，建立了基于特征信息融合的電子裝備故障診斷決策模型，如圖1所示。

2.1特征層的數據融合

經過對采集的特征信號進行預處理后，得到p種故障特征，基于神經網絡的非線性映射特性，經過對大量樣本的學習，獲得每次測量結果對不同故障的基本概率分配值。經BP網絡的運算后，得到相應結果，由公式（1）算出BP網絡的實際輸出與理想輸出之間的誤差為

Ep=12∑Nj=1（tpj-ynj）2（1）

其中，Ep是第p個表征矢量的誤差；tpj是第j個輸出神經元的期望值；ynj是第j個輸出神經元的實際值。將以上面公式算出的網絡誤差做為不確定因素。

然后，對神經網絡的診斷結果進行歸一化處理，計算公式為：

m（Ai）=y（Ai）S（2）

式中：Ai表示故障模式，i=1，2，3，…，n；y（Ai）表示BP網絡的診斷結果；

S=∑ni=1y（Ai）+Ep

計算結果m（Ai）即為每個樣本中第i種故障模式的基本概率值。

2.2決策層的數據融合

決策層融合輸出是一個聯合決策結果，主要方法有貝葉斯推斷、模糊集理論、DS證據理論、專家系統等。Bayes方法曾是解決多傳感器數據融合的最佳方法，文獻[2]提出一種基于多Bayes方法的融合模型，但在應用的過程中Bayes決策理論不能將不知道和不確定嚴格分開，并且要求精確知道先驗概率，而在電子裝備的故障診斷的過程中，由于各種環境因素的影響，以及傳感器本身精度的限制，所得到的測量數據有很大的不確定性，因而不適宜采用Bayes方法。文獻[3]采用模糊故障診斷方法，通過隸屬函數和模糊關系矩陣的概念來解決故障與征兆的不確定關系，實現故障的檢測和診斷，但在應用過程中，構造隸屬函數是實現模糊故障診斷的前提，是人為構造的，具有主觀因素。DS證據理論憑借其能夠表示不確定性未知等概念的優點在數據融合中得到廣泛應用，特別是成功應用于圖像處理、機器人導航、醫療診斷決策分析等需要處理不確定信息的領域[4]。

計算技術與自動化2015年12月

第34卷第4期吳蘇等：基于多傳感器數據融合技術的電子設備故障診斷

2.3融合診斷的主要流程

依據融合故障診斷決策模型，本文分別提取多注速調管的陰極電流信號和溫度信號2種不同類別的信息做為故障特征，并分別輸入不同的神經網絡NN1和NN2進行初步診斷。由于將多維的測試信息同時輸入到同一網絡處理，將使得訓練時間長，診斷效果差，有時甚至導致網絡不收斂。因此，不同的測試信息應由各自的神經網絡來診斷。然而用神經網絡進行局部診斷后，從每一個或幾個診斷參數都可以得到各自的診斷結果，但這些結果不盡相同，難以確定準確結果。

針對這一不足，可利用DS證據理論提供的一種有效證據組合的方法，對同一狀態的不同神經網絡診斷結論分別看作是對同一現象的不同證據體，那么就可以利用DS證據理論的證據組合規則將不同神經網絡的診斷結論融合，完成決策級的融合診斷工作，得到最終的綜合診斷結果。

3診斷實例

發射機是雷達中的重要組成部件，也是雷達故障率最高的模塊，其中多注速調管是發射機的核心部件，多注速調管發射機的組成如圖2所示。由于電子元器件老化和發射機使用時間的增加等因素，多注速調管的陰極電流會逐漸改變，造成信號各頻帶能量所占比重的變化，反映了發射機健康狀態的發展趨勢，本文通過對多注速調管陰極電流早期故障檢測估計發射機的故障狀況[9，10]。3.1故障模式及特征樣本的確定

由雷達發射機的工作原理可知，速調管陰極電流主要是由線性調制器產生的脈沖信號通過脈沖變壓器耦合到速調管陰極，作用于速調管的加速電場后產生的電流。

脈沖變壓器簡化示意圖如圖3所示，R2為多注速調管的等效電阻，本質上是非線性電阻，其阻值的變化反映了速調管的故障狀態[11]。

在實驗中選擇該電阻的變化模擬速調管的故障漸進狀態。設置該電阻正常容差為±5%，當阻值超過標稱值±50%時，設備失效，其中，設置阻值變化超過標稱值20%為故障狀態一，超過30%為故障狀態二，超過40%為故障狀態三，超過50%為完全故障狀態，這樣就共有正常、狀態一、狀態二、狀態三、完全故障五種狀態。用Matlab對每種狀態做仿真，結果如圖4所示，可以看出隨著電阻值偏移度增加，脈沖起伏程度略有增大，但增大并不明顯。endprint

本文通過小波變換，將時域范圍難以區分的信號分解到頻域。首先通過小波變換獲取特征信息，對采集到的陰極電流信號選取“db1”小波包對其進行3層正交分解，并分別提取第3層低頻到高頻共8個頻段的信號特征。

設置線性調制器的脈沖信號參數為脈沖重復頻率500Hz，脈沖寬度4μs的電壓脈沖串，通過高變比為10.0的脈沖變壓器，要求脈沖變壓器耦合脈沖滿足脈沖上升時間小于等于0.3μs，脈沖頂降小于等于1.5%，脈沖過沖小于等于25%。采集每種狀態下多注速調管的陰極電流1s，分100幀（每5個周期采集到的點組成1幀），對每幀進行小波能量分析，獲得100個特征向量。周期采集到的點組成1幀），對每幀進行小波能量分析，獲得100個特征向量。

將每種故障狀態獲得100個8維特征向量取50個作為訓練訓練序列樣本，剩余50個特征向量組成50組測試觀測序列。

另外再建立一個新項目，在故障元件兩端加一直流電流源，其值為先前測各頻段下的陰極電流信號，然后，對其分別做Smoke電應力分析，即可得到此刻的溫度值，這樣便得到2種不同類別的故障信息。

3.2神經網絡診斷

本文分別提取五種狀態下電流和溫度作為故障特征，將兩種故障特征信號歸一理后分別輸入不同的NN1和NN2進行訓練。設計采用單隱層的BP網絡，用兩個網絡分別進行訓練，網絡結構均為8×17×5，初步診斷結果如表1所示。網絡訓練階段，神經網絡的輸出實質上就是對輸入數據空間的分類結果。如果輸出值取0或1的離散值，則輸出結果可作為該組數據屬于某一分類的判決。若如輸出取連續值，則輸出結果可以作為該組數據屬于某一分類的概率。由公式（2）歸一化處理各種故障模式的基本概率值，并把網絡誤差也作同樣的處理，作為DS證據理論中不確定度，這樣可以用DS證據理論做全局決策診斷。

3.3DS證據理論融合決策

現用BP網絡的診斷結果來建立DS證據理論模型。設信任函數Bel1對應于節點電流的診斷結果，信任函數Bel2對應溫度的診斷結果，這兩個信任函數的焦點元素都是A1、A2、A3、A4、A5。它們構成了信任函數Bel1、Bel2的共同分辨框Θ。由于A1、A2、A3、A4、A5相互獨立，即Ai∩Aj=Φ（Φ為空集，i≠j），利用DS證據理論組合規則（式3）及決策方法（式4）進行融合，得出計算結果如表2所示。

分析結果可知，得到表2中的最后診斷結果非常理想，系統的精度得到很大的提高，從總體上看，表1中，單一神經網絡輸出表征樣本類型的量的精度為0.01，而表2中融合結果表征樣本類型的量的精度為0.001，從而增大了診斷結果的準確性與可靠性；經過決策方法診斷所得故障模式的結果，與實際電路狀態是符合的，表明了綜合診斷的正確性。4結論

基于此，本文采用兩層數據融合模型，在特征層采用神經網絡模型，實現多輸入信號的某種函數變換的功能，輸出對應的基本概率分配，在決策層利用D-S證據理論的合成法則將各神經網絡診斷結果融合起來統一判決，是證據理論可信度不再依靠專家進行主觀化賦值，實現賦值客觀化。這兩種模型優勢互補，本文將其結合，處理電子裝備故障的高混疊樣本，實驗表明，效果優于單一的算法。

參考文獻

[1]何友，王國宏.多傳感器信息融合理論及應用[M].北京：電子工業出版社，2000.

[2]丁貝.基于Bayes方法的雷達系統可靠性評估[J].機械管理開發.2013，（3）：21-26.

[3]田慶民，王玉.利用多傳感器信息融合技術實現電子裝備的故障診斷[J].電光與控制，2008，15（1）：8-12.

[4]徐濟仁，劉敬之，牛紀海，等.電子設備故障診斷技術綜述[J].電子工藝技術，2008，29（5）：50-56.

[5]崔智軍，王慶春.基于DS證據理論的多傳感器數據融合[J].現代電子技術.2011，32（12）：94-100

[6]WANGPeiliang，HEWuming，YANWenjunFaultdiagnosisofelevatorbrakingsystembasedonwaveletpacketalgorithmandfuzzyneuralnetwork[C].Procofthe9thInternationalConferenceonElectronicMeasurement&Indtruments2009：1028-1031.

[7]劉占生，竇唯，王東華.基于遺傳算法的旋轉機械故障診斷方法融合[J].機械工程學報，2014，43（10）：227-233.

[8]ZHAORui，HEJianjun.Technologyofmultisensorinformationfusion[J].ComputerMeasurement&control.2009，15（9）：1124-1126，1134.

[9]鄭新，李文輝，潘厚忠.雷達發射機技術[M].北京：電子工業出版社，2006.

[10]邢海燕.多注速調管發射機結構設計[M].南京：南京理工大學，2013.

[11]許麗佳，王厚軍，黃建國.CHMM在發射機狀態監測與健康評估中的應用研究[J].電子科技大學學報，2012，39（6）：875-881.

第35卷第1期2016年3月計算技術與自動化ComputingTechnologyandAutomationVol35，No1Mar.2016第35卷第1期2016年3月計算技術與自動化ComputingTechnologyandAutomationVol35，No1Mar.2016endprint