機電工程學院
畢業(yè)設計外文資料翻譯
設計題目: GD1091型商用車制動系設計
譯文題目: 多傳感器數據融合的汽車發(fā)動機故障診斷
學生姓名:
學 號:
專業(yè)班級:
指導教師:
正文:外文資料譯文 附 件:外文資料原文
指導教師評語:
簽名: 20xx 年 3 月 5 日
正文:外文資料譯文
文獻出處: 清華科技,2004(6),pp262- 265
多傳感器數據融合的汽車發(fā)動機故障診斷
王赟松,褚福磊,何永勇,郭 丹
(清華大學摩擦學國家重點實驗室,精密儀器和機械學,北京,郵編100084)
摘要:本文主要介紹了一種決策級數據融合技術的故障診斷長期地控制發(fā)動機工作。實驗在桑塔納AJR發(fā)動機數據融合方法提供良好的發(fā)動機故障診斷。在數據融合方法,數據級融合數據預處理負載小,精度高,但需要相應的傳感器數據和操作性能差。基于D-S證據理論的決策級融合過程可公度數據和強大的使用性能,可以減少圖片的模糊度,增加信心,并提高了系統的可靠性,但融合精度低和數據預處理成本高。特征級融合提供了兩種方法之間的良好折衷,逐漸成熟。此外,提供了獲取原始數據進行數據融合的前提,所以對信號的采集和處理系統對于汽車發(fā)動機的測試也設計了虛擬儀器技術。
關鍵詞:發(fā)動機;故障診斷;數據融合;D-S證據理論
簡介
近年來,多傳感器數據融合的應用已受到非軍事方面的關注。數據融合技術相結合的數據從多個傳感器和相關信息從相關的數據庫實現精度的提高,和更多的具體的推論可以通過使用單個傳感器。
汽車是由機械,電子,和液壓集成的復雜機器,所以汽車發(fā)動機故障診斷是在這一過程中多源傳感器數據監(jiān)控汽車操作條件所取得,組合,和應用的。在診斷方面,單源信息始終是模糊的,不精確的,不完全的。只有對汽車結合多源數據上提供更可靠和更正確的診斷,所以我們可以應用多傳感器數據融合技術來診斷汽車故障。
1信號的預處理和特征提取
1.1基于信號采集與處理虛擬儀器技術
獲取的原始數據,對數據的前提條件是融合。我們設計了一個用于信號采集系統處理用于汽車發(fā)動機試驗通過采用虛擬儀器技術。系統硬件主要由傳感器,信號調理電路,PCI-6023E數據采集板,及個人電腦。程序是軟件一個虛擬儀器開發(fā)平臺裝置—LabVIEW。系統的實時數據采集,顯示歷史的短暫的數據,實現了數據后處理的數字濾波,頻譜分析,并繪制波形。
1.2特征選擇和提取
在發(fā)動機故障診斷虛擬儀器系統獲取和處理數據從傳感器和執(zhí)行器獲得特征反映發(fā)動機工作條件。一些功能是多余的。這帶來了很多計算負荷數據的后處理,作為一個結果降低了診斷的效率。因此,數特征必須為數據融合的減少。
最簡單的特征選擇方法是在專業(yè)知識和經驗的基礎上的。怠速不穩(wěn)是一種常見的故障,是由于燃料噴射閥堵塞,較早的的點火或進氣歧管真空泄漏,汽車電子控制發(fā)動機。我們可以選擇四電子氧傳感器波形,點火系統,噴油閥,真空傳感器診斷故障。信息的傳感器和執(zhí)行器的數據體現在波形結構是由提取的特征表示的。例如,氧波形可以完全地被四電子氧傳感器表示最大,最小和平均電壓的特點,和響應時間和允許空燃混合物豐富的精益;點火波形表示穿刺,火花,和最小電壓,閉合角,火花持續(xù)時間,和點火剩余電壓振蕩次數線圈;噴油波形表示的最大和最小電壓,并加速時間;真空波形的最大,最小的表示,和平均電壓。
特征選擇后的特征向量有多重尺寸可通過變換降低—K-L變換。因此,幾個主要組件的線性獨立性是用來代表特征。例如,我們可以選擇的一階和二階作為氧的波形特征的主要成分。
2決策水平中的應用數據融合方法
觀測數據可以合并,或融合,在從原始數據中的水平變化(或觀察)水平的狀態(tài)向量的水平,或在決策層。原傳感器的數據可以直接結合,如果傳感器數據相稱的(即,如果傳感器測量相同的物理現象,如兩個溫度傳感器)。相反,如果傳感器的數據不等量,然后必須將數據在特征融合/矢量的水平或決策水平。特征級融合包括有代表性的特征提取來自傳感器的數據。在特征級融合,特征從多個傳感器的觀測中提取,和合并成一個單一的級聯的特征向量這是基于輸入模式識別方法神經網絡方法。決策級融合包括傳感器信息融合,在每個傳感器有了一個初步確定故障診斷。決策級融合方法的一個例子是Dempster-Shafer(D-S)證據理論,這是本文主要介紹了。
D-S證據理論提供了一個從多傳感器結合數據的有趣的工具。它廣泛用于目標跟蹤,目標自動識別,和有限的自動推理的應用,但是針對故障診斷。在這一節(jié)中我們將研究了D-S證據理論的故障中的應用桑塔納AJR發(fā)動機診斷。
D-S證據理論提出了一種識別框架的概念,即,一系列相互的獨家命題。相關命題假設被表示為框架,即一個亞群,有限集。基本概率賦值,或質量函數,超過是
當是空集時,A是一個子集,。
一系列集限的子集B稱為質量函數焦元。信念的措施,貝爾(B)和似然測度的PL(B)可以計算:
信念的措施,貝爾(B)量化的力量相信一個發(fā)生的事件。該函數m,貝爾,和PL來自上下的概念一套兼容的概率分布范圍。此外,D-S證據理論允許融合利用Dempster組合的幾個來源。它的定義是一樣的(交換和正交和關聯)在下列方程,
兩個來源,一個證據假說聚合體能表示為如下的式子:
其中:
現在研究D-S證據理論的應用發(fā)動機故障的診斷。假設有n個相互獨立的獨立的故障類型進行分類,和M類傳感器來監(jiān)測汽車發(fā)動機的條件。使用矢量HJ={?hj0,HJ1,…,Hjn} J?=?(1,2,…,N)表示的第j個故障特征, (k = 1, 2,… , M) 來表示第k個傳感器數據特征的測量,這里的n是在識別框架里的元素的數字。這兩個向量之間的關系程度較小,較大的概率故障看作由第j?k次傳感器分配。在兩個向量之間的關系的程度可以用歐氏距離表示:
這里的是第i個組成的向量,是第i個組成的向量
用式(6),我們得到的距離矩陣
經取代后為,規(guī)范每一行的矩陣我們可以得到另一個矩陣
元素 …,在(i=1,2,…,M)中的矩陣的行被視為顯著的價值質量功能,第i個傳感器分配給所有的故障。
D-S證據推理的過程中,我們可以定義一個質量功能在故障識別框架在這一證據的基礎上提供的信息。因此,一個信念結構可以通過在識別幀的相關證據的反映下得到考慮。例如,一個空洞的結構的質量函數為零,即,意味著相關的證據沒有提供信息;確定性結構其質量的功能為一,即,確定故障的存在。提供識別框架結構故障信息的能力可以由一個信念通過證據熵測量如下:
更大的或更接近一個證據熵為更多的信息提供了依據。所以我們可以說,證據熵反映實際決策信心相結合的證據。
通過對桑塔納AJR發(fā)動機大量實驗,我們得到三標準特征向量:
(1)當發(fā)動機在良好的條件下,{–823.9472, –442.2903, 3.2895, 5.1562, 35.3872, 7.7889, –53.0390};
(2)當由于燃料噴射閥堵塞引起怠速不穩(wěn)時,{536.5645, –649.1083, 3.9637, –7.9034, –32.2867, –97.1227, –21.0975};
(3) 當由于從進氣歧管真空泄漏引起怠速不穩(wěn)時,{90.1887, –601.0368, 5.5516, –5.2591, –32.3023, –80.4196, –13.5560};
在故障診斷中的數據融合技術的目標是正確的辨別每一個命題識別框架,即,正確地檢測和對故障進行分類。在這里,假設故障識別的框架是:從特征向量得到的觀測數據:
1)為氧傳感器;
2) 為點火系統;
3) 為燃料噴射閥;
4)為進氣歧管真空傳感器。
我們利用D-S證據理論從矢量AJR發(fā)動機推導出條件。從四個傳感器在決策層相結合的特征向量得到最終的融合結果如下:
根據以上結果,我們得出這樣的結論——有可能是一個失敗的燃料噴射閥堵塞。這一結論與實際實驗相符。
我們可以從方程計算證據熵(9)。數據融合過程中的證據的熵的變化被顯示在圖1。隨著程序數據融合,證據熵的增加。這意味著診斷決策的信心提高了。多傳感器數據融合在單傳感器數據的顯著優(yōu)勢,減少不確定性故障診斷,提高了分類性能故障模式的診斷系統。
圖1 數據融合證據熵的變化過程
3 結論
在數據融合中的數據級融合方法,有一個小的負載和高精度的數據預處理,但需要相稱的傳感器數據和操作性差性能。決策級融合方法可以處理非等量數據和具有強大的可操作性能,減少歧義,增加信心,提高了系統的可靠性,但融合精度高低、數據預處理成本高。特征級融合根據神經系統網絡改善在培訓樣品的故障識別率和提高在測試樣品時的故障識別性能, 利用從多個來源的信息補充其他傳感器,從而提高了系統的可靠性和診斷的準確性。特征級融合提供了與其他兩種方法好的妥協的方法, 逐漸成熟。實驗結果表明,決策級數據融合方法可用于發(fā)動機故障診斷。
對于一個特定的方法之間的選擇應用程序是一個系統工程問題,這取決于在可用的通信帶寬問題, 傳感器的特性,計算可用的資源,和其他的問題。沒有一個通用的方法是適用于所有情況或應用程序。
4 致謝
在目前的工作中的實驗數據由山東理工大學汽車實驗室提供。作者感謝楊中宇在實驗測試的幫助。
參考文獻:
1) Ampazis?N,Perantonis?S J--泰勒J?G動態(tài)多層神經網絡在臨時極小附近的網絡多人游戲.神經網絡,1999,12(1):43-58。
2)霍爾--介紹多傳感器數據融合。電氣和電子工程師協會程序,1997,85(1):6~23.
3)GanonlayA--多平臺傳感器集成模型,防空署郵編:079951。海軍研究實驗室,1999,31(12):1~62。
4)坦尼R--分布式傳感器檢測,電氣和電子工程師協會表。美國電化學協會,1981,17(1):98-101。
5)羅納德R Y--熵和特異性在數學理論的證據。Gen系統, 1983, 9(2): 249-260.
6)StephaneJ--在多傳感器融合形式化的貢獻。機器人和自主系統,1994, 13(2): 56-60.
7)VarshneyP K.--分布式檢測和信息融合。紐約:科學出版社,1996。
8)菲利普R D--一種新的故障檢測方法和GPS自主完好性監(jiān)測中的應用。電氣和電子工程師協會高級加密標準的交易,1995, 31(1): 499-506.
9)Philip L , BoglerH.--Shafer-Dempeter推理在多傳感器目標識別系統中的應用。電氣和電子工程師協會交易系統,人與控制論,1997, 17(6): 901-930.
10) Isermann R.--基于建模和過程故障檢測估計方法的研究。自動化,1984, 20(2): 47-54.
附 件:外文資料原文
12