英语原文共 13 页，剩余内容已隐藏，支付完成后下载完整资料

使用健康管理信息融合技术改进的诊断和预后评估

Dr. Michael J. Roemer, Impact Technologies, (7 16) 424- 1990, mike.roemer@impact-tek.com

Gregory J. Kacprzynski, Impact Technologies, (7 16) 424- 1990, greg.kacprzynski@impact-tek.com

Michael H. Schoeller, Impact Technologies, (7 16) 424- 1990, mike.schoeller@impact-tek.com

摘要

在过去几年中已经开发了各种数据，特征和知识融合策略和架构，用于改进异常，诊断和预测技术的准确性，鲁棒性和总体有效性。已证明融合相关传感器数据，维护数据库信息和各种诊断和预测技术的输出可有效地降低假警报率，增加早期故障检测中的置信水平，以及预测故障时间或维护操作的降级条件。

本文讨论的数据融合策略主要是概率性的或基于AI的，并且用于帮助直接识别与特定组件故障识别和预测相关联的置信界限。Dempster-Shafer融合，贝叶斯推理，模糊逻辑推理，神经网络融合和简单权重推理是本文讨论的算法方法。在数据融合架构，如集中式融合，自主融合和混合融合，在其对故障诊断和预后的适用性方面进行了描述。最终目标是找到测量的系统数据，数据融合算法和相关联的架构的最佳组合，以获得与特定应用相关联的最高总体预测检测置信水平。在论文中提供了燃气涡轮发动机测试单元传感器验证示例，它是使用Dempster-Shafer融合的单元测试传感器验证的数据融合方法。

关键字：数据融合。诊断，预测，安全管理，贝叶斯，dempster-shafer，神经网络，模糊逻辑

1.简介

从健康管理角度来看，数据融合的共同目标是以最有效的方式结合相关系统信息，以提高诊断或预后方法的置信度和准确性。多传感器数据融合是指具有协作，互补和竞争性特点的2个或更多传感器的阵列智能处理。只要传感器阵列不包含完全独立的传感器，阵列通常包含这三个质量的各种级别。协作传感器是一起工作以创建新的诊断信息的传感器，而互补阵列更全面的了解问题。 最后，竞争阵列提供相同物理现象的不相关测量，以提高可靠性[2]。

在健康管理系统中，有三个主要领域融合技术可以发挥作用。这些区域如图1所示。在最低层，数据融合可以用于组合来自多传感器数据阵列的信息，以验证信号和创建特征。 数据融合的一个示例是组合速度信号和振动信号以实现时间同步平均振动特征。

在较高级别（区域2），融合可以用于以智能方式组合特征，以便获得最佳可能的诊断信息。例如轴承润滑油中的颗粒数量和尺寸相关的特征与诸如峭度的振动特征熔合，组合的结果将产生关于轴承的健康的可靠的信息。最后，知识融合（区域3）可用于将基于经验的信息（例如遗留故障率或物理模型预测）与基于信号的信息相结合，以提供更准确的预后评估。

任何融合技术中的主要关注点之一是产生的融合系统的结果实际上表现得比最好的单个工具差。这是因为估计不佳可能拖累更好的估计。这个问题的解决方案是事先根据它们的能力和性能对这些工具分配权重。先验知识是对物理系统的固有理解和对系统的实际经验的函数。对于给定应用的理想知识融合过程应当基于先验系统形态的特性。

2.融合架构

在每个级别确定最佳融合架构和方法是确保系统真正实现增强健康监测能力的重要因素。 这里将提供对融合架构简要解释。

集中式融合架构融合多传感器数据，同时它仍处于其原始形式，如图2所示。在该架构的融合中心中，在第一阶段期间数据被对齐和相关。这意味着数据的竞争或协作性质被立即评估和采取行动。理论上，这是最准确的数据融合方式; 然而，其具有迫使融合处理器操纵大量数据的缺点。这对于相对较大的传感器网络实时系统是不切实际的[3]。

图2.集中融合架构

图3所示的自主融合架构通过在融合过程之前进行特征提取来解决大多数数据管理问题。在实际融合处理之前创建特征提供了降低要处理的信息的维度的显着优点。纯自主融合弧线结构的主要不良影响是特征融合可能不如在原始数据融合的情况下那样精确，因为原始信号的显著部分已被消除。

图3.自主融合架构

混合融合架构充分利用两者的优点，并且通常被认为是最实用的，因为如果融合中心需要，原始数据和提取的特征可以融合并“挖掘”出原始数据的能力之外的东西（图4）。

图4.混合融合架构

图5展示出在该部分中描述的最后一个架构，它类似于先前讨论的混合架构，但是仅作用于各种分类或故障检测算法的输出。在这种情况下，先验地执行适当的信号调节和特征提取，以提供具有用于执行其工作所需的信息的独立故障分类算法，即故障隔离。一旦执行了故障分类的独立评估，评估结果将使用融合算法组合在一起，以指示基于独立方法最可能的故障。

图5. 混合分类融合架构

2.1融合算法

可能有数百种用于处理数据，提取特征或知识融合的技术。因此，对特定应用选择最适合的技术进行排序是令人生畏的任务。此外，关于什么融合技术或体系结构对于任何特定应用最佳，没有又快又普适的规则。之后的部分将描述一些常用的融合方法，如贝叶斯判决，Dempster-Shafer组合，加权，神经网络融合和模糊逻辑技术。

2.2 贝叶斯判决

给定一段先验信息，贝叶斯判决可用于确定诊断是正确的概率。 分析这个过程描述如下：

(1)

=给定诊断输出（0）的故障概率（f）,=诊断输出（O）与故障相关联的概率,=故障f发生的概率。

贝叶斯定理仅能够从诊断分类器分析离散的置信度值（即它是否可以观察到）。贝叶斯定理仅能够从诊断分类器分析离散的置信度值（即它观察到或不是）。因此，已经实现了使用三个不同的信息源的修改的方法。在时间t的故障概率（），从诊断分类器（））数据确定的故障概率，以及独立于时间的特征可靠性（）。 必须注意防止零除。

(2)

2.3 Dempster-Shafer 策略

Dempster-Shafer策略解决了上面讨论的一些问题，并且通过保持跟踪缺少信息的显式概率测量来具体地解决先验概率问题。该方法的缺点是该过程对于大的融合问题中的时间关键操作可能变得不切实际。因此，正确选择方法应基于要解决的具体诊断/预后问题。

在Dempster-Shafer策略中，考虑条件概率的不确定性。 Dempster-Shafer策略依赖于一个集合的构造，称为辨别框架，其包含每个可能的假设。每个假设具有由质量概率（m）表示的信念。以下方式组合：

(3)

通过使用以下示例可以最好地解释该技术。

假设：

诊断分类器以以下概率和相关不确定性检测故障A：

发生故障A的先验概率（基于当前条件和先验信息）:

因此

m(A)=0.65 m()=0.05

m(A,)=0.30

m(B)=0.20 m()=0.60

m(B,)=0.20

并且 m(A) m(B){正确}=(0.13 0.13 0.16)/(1-(0.01 0.39))=0.53

这个结果被称为“确信”，它是融合概率的下限。 该结果的不确定性如下：

m(A,) m(B,)=0.06/(1-(0.01 0.39))=0.10 /-0.05

因此，给定诊断输出和现场经验，故障A实际发生的概率为0.58 /- 0.05。

2.4 加权

对于实时应用，贝叶斯和Dempster-Shafer技术都是计算密集型。简单的加权平均或投票技术是可以利用的另一种方法。在这两种方法中，基于所使用的诊断/预测技术的准确性的先验知识来分配权重。 唯一的条件是权重的总和必须等于1。然后将每个置信值乘其相应的权重，并且对于每个时刻在时间上求和。权重也可以随时间而变化。

(5)

其中i是特征的数量，C是置信度值，W是该特征的权重值。 虽然实现简单，但选择适当的权重对于突出各种操作模式下的适当特征是至关重要的。

2.5 模糊逻辑技术

模糊逻辑推理是一种融合技术，它利用隶属函数法来扩展和组合特定的输入量，以产生一个组合输出。组合输出的基础来自于基于规则库中开发的一组规则扩展开发的从属函数。一旦完成该缩放，则通过诸如求和，最大或“单最佳”技术之类的各种方法之一来组合缩放的隶属函数。最后，缩放和组合隶属函数通过采用组合函数的质心，最大高度或中点来计算融合输出。

使用模糊逻辑的特征融合处理的示例在下面的图6中示出。在该示例中，来自图像的特征被组合以帮助确定原始图像中是否存在“外来”对象。 图像特征例如色调平均值，中间色调，峰度和许多其它特征被组合以给出排序图像中存在异常特征的概率的单个输出。

图6.模糊逻辑识别的示例

2.6 神经网络融合

人工神经网络（ANN）的公认应用是数据和特征融合。为了达到融合的目的，网络将实时信息与自主再学习的附加能力（如果必要）组合使得其对于许多融合应用非常有吸引力。

人工神经网络（ANN）是利用具有少量的本地存储器的简单处理单元组成的网络。这些单元通过携带数字数据的“通信”链路连接。这些单元仅对其本地数据进行操作，这些数据作为通过连接的单元的输入被接收。大多数ANN具有某种训练规则，通过该训练规则，基于一些优化准则来调整连接的权重。因此，ANN从例子中学习，并显示出某些超越训练数据（例子）的泛化能力。ANN代表人工智能技术的一个分支，已经越来越多地被接受并广泛的运用于航空航天应用中的数据融合和自动诊断。他们融合特征，识别模式和从样本中学习的能力使ANN对于融合来自复杂系统的大型数据集具有吸引力。

ANN结构即其架构，其表示处理单元的数量和这些单元之间的连接的数量。多数处理单元被布置成层（层是针对相同计算序列对齐的单元的集合），并且ANN通常由层的数量和每层中的单元的数量来引用。节点之间的连接称为权重的数值，表示两个互连单元之间的连接强度。每个圆是一个单元，它执行三个顺序计算：第一个是将权重乘以连接另一端的单元的输出;第二个是对来自所有连接的加权输出求和;第三个是将加权应用于称为激活函数的函数（通常是非线性的和有界的）。最常见的激活函数之一被称为sigmoid函数，binary函数f（x）（0至1输入）和双极性g（x）（-1至1输入）。因为导数的简单形式减少了训练期间的计算负担所以他们很有用。

(6)

加权和的功能值被称为输出（或单位的阈值）。对于每个单元和每个层执行这个计算序列，直到达到ANN的输出层。

训练用于融合应用的神经网络涉及调整权重和评估输入和输出层之间的许多互连的动态的过程。有两种基本类型的用于特征融合的学习方法：无监督和监督。在无监督的方法中，网络发现数据集和记录的属性以在其输出中反映这些属性，即其用于将类似的输入模式分组以促进大量训练模式的处理。在监督的方法中，在训练阶段期间存在“教师”，其告诉网络它正在执行有多好或什么行为是正确的，即它被用于指定什么目标输出应该对应该输入模式。

示例：发动机测试单元融合验证

将混合融合架构应用于在如图7所示的发动机测试单元数据上实现传感器验证模块。通过以下步骤对从整个传感器阵列接收的原始数据执行传感器验证的初始阶段：首先，以确保它们的大小位于预期的操作范围内;其次，应用一些使输入传感器阵列中的各种信号相关的通用信号处理技术。这些方法与两个人工智能方法结合使用，构成第二层。在最后一层中，然后必须编译从信号处理评估中获得的结果，并且进行评估以考虑所接收的信号的有效性。传感器验证融合提供了在其中进行该评估的后处理框架。传感器验证融合过程的输出不仅包括确定接收的信号的有效性的确定，而且在一些情况下包括检测到的传感器故障类型的诊断。这种诊断的能力应该包括传感器串扰，噪声，尖峰，饱和和信号丢失。

混合数据融合方法的结果

该引擎测试单元数据融合示例在混合融合架构中采用Dempster-Shafer融合算法。 在本应用中，来自协作诊断算法的输出被融合在一起以提供增加的传感器故障检测。 图8和9展示出了将Dempster-Shafer融合法应用于被识别为稳态的数据集（图8所示）的区域所获得的结果。这里，融合算法的输入是来自应用于TF-39引擎数据集的传感器验证模式中利用的两个独立的人工智能模块的输出。两种方法都被赋予等于0.2或0.1的不确定性。 Dempster-Shafer方法需要对称的不确定性，并且不确定性的置信度的组合值保留在区间[0 I]中。

图7 发动机测试单元传感器验证的数据融合示例

必须注意防止融合输出被AI传感器验证方法中的任一种支配。这可能源于在Dempster-Shafer算法中具有对称不确定性的必要性。例如，当与AI方法中的任一个相关联的输出置信度值取大于0.9的值时，不确定性的值必然减小以维持上边界要求，即值小于1。当置信度值低于0.1时，对不确定性进行类似的调整。不确定性的下降等于融合算法中的约束，其将把低不确定的输出的权重调整的很高。虽然这不是毫无理由的，但是我们可能不希望基于融合过程的边界的任何特定算法的不确定性下降到零。因此，保持所需的不确定性水平通常更合理，并适当地调整置信度值。图9示出了在校正算法不确定性减少之后获得的来自Dempster-

全文共8294字，剩余内容已隐藏，支付完成后下载完整资料

资料编号：[143204]，资料为PDF文档或Word文档，PDF文档可免费转换为Word