改进的D2S证据理论在液压故障诊断中的应用
时间:2019-02-09 13:23:35 来源:杏耀平台注册 作者:匿名


工程车辆的工作环境很糟糕。核心部件是液压系统。液压系统的故障是隐蔽的,难以判断和变化。很难找到故障位置并找出故障原因。因此,需要将液压系统的故障诊断引入决策中。参考。通常的故障诊断只是对某种特征参数(如:预处理后的压力信号)进行多角度和多层分析。由于获得了单一数量的信息,通常无法处理复杂和可变的故障。多传感器信息融合是对多个传感器信息中的时间和空间进行多层次,多层次的综合分析,以获得新的有意义的信息,然后根据一定的规则进行组合,决策达到了定位的目的。故障。

D2S证据理论在信息融合领域具有很强的理论基础,在处理不确定性方面具有独特的优势。促进D2S证据理论有两个主要原因。:是实施Dempster综合规则时存在的指数爆炸问题。对应特殊结构的证据,构??造快速算法,减少焦点元素数量,采用近似计算[1]等方面给出答案;其次,由于环境因素或人为干扰,证据高度冲突,Dempster组合规则无效。目前,解决这一问题的方法主要集中在组合规则的改进或数据模型的改进上,但数据模型的改进需要理解证据冲突的本质,对于解决实际问题具有更大的价值。本文的数据融合算法是基于文献[2]来考虑焦距的数量和类型与目标故障之间的关系。当证据冲突时,证据折扣定义了一种新的信息融合信任系数,时空域联合数据融合算法最终达到了定位故障的目的。

1 Multi2传感器信息融合算法

1.1 D2S证据理论

D2S证据理论由Dempster和Shafer提出并得到了扩展和发展。证据理论的领域称为识别框架。它被记录为U.U,这意味着X的所有可能值都记录为{X1,X2和Xn}。在故障诊断中,识别目标,即n个故障模式。 U中的元素互不兼容。定义1设U为识别帧,则函数m: 2U→[0,1](2U为U的所有子集的集合)满足以下条件: m()=0;

;然后m(A)是A的基本概率分配.m(A)表示命题A的精确信任度,表示证据对故障诊断中某一故障的影响程度。

定义2让BEL1和BEL2是同一识别帧U上的两个信任函数.m1和m2是它们对应的基本概率分配。焦点元素分别是A1,Ak和B1,以及Bk和:。

等式(2)是Dempster组合规则,K1表示m1()和m2()的两批证据的不一致因子,即证据之间的冲突程度。 K1越大,证据之间的冲突就越大。如果K1=1,则经典的D2S证据理论无效。

1.2修订了D2S证据理论和决策规则

当证据冲突时,基本上有两种方法可以解决D2S证据理论失败问题。:一个是修改Dempster组合规则,但是Haenni认为Dempster组合规则本身没有错[3],并且需要进一步处理冲突的证据;通过引入冲突因子k,参数K等来重新分配冲突的证据。然而,碰撞系数k通常被解释为分配给空集的合成概率指派,其不能解决冲突性质的问题。数据融合方法是Jousselme等人给出的距离函数[4],它指的是两个证据体mi()和mj()之间的距离,并根据距离的大小确定证据之间的冲突程度。 。当不同子集Ai中的元素数量不同时,例如A1={O1,O2},A2={O1,O2,O3},冲突因子k改变其目标识别,因此有必要考虑子集之间元素。交叉点度量用于校正k,即,基于证据与证据之间的距离之间的非包含程度。

如果mi和mj是U在完全识别框架上的基本概率分布,则可以根据Jousselme距离函数[4]获得两个证据之间的距离。其中D是2nX2n矩阵,其计算方法是:

是两个向量的内积,

=,然后根据原始冲突因子和距离dij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和距离dij,并计算新的冲突系数K'1;

(2)根据交叉点度量计算证据之间的折扣,并定义新的信任系数;

(3)结合公式(1)的Dempster组合规则;

(4)根据信赖系数: mc(C)=Am(C)校正融合结果;

(5)与下一组证据的收敛,等等。

在数据融合之后,选择基于规则的决策方法,基于基本概率分配:设置A1,A2的决定