一、建立診斷模型
　　數(shù)據(jù)融合分為像素級(jí)融合、特征級(jí)融合和決策級(jí)融合。本文采用特征級(jí)數(shù)據(jù)融合，其結(jié)構(gòu)如圖1。它既可以有效利用信息又可以減少信息損失。

　　設(shè)有M個(gè)傳感器監(jiān)視系統(tǒng)運(yùn)行，每個(gè)傳感器可以提取不同的特征信號(hào)，如：電壓、頻率、功率譜等。融合中心的輸入為：

　　R=[S1，S2,……SM]

　　Si [Si1，Si2，……SiN]其中：Si 為第i個(gè)傳感器的輸出特征向量，Sij為第i個(gè)傳感器第j個(gè)特征值，Ni為第I個(gè)傳感器的特征向量維數(shù)，通常，Ni各不相同。系統(tǒng)中還有一些重要信息是不可測的，可以將他們以觀察、記錄的形式輸入融合中心。

　　融合中心對不同傳感器的不同特征向量的敏感度是不同的，對不同傳感器的不同特征分別賦予不同的權(quán)值：

　　wij為融合中心對第i個(gè)傳感器第j個(gè)特征值的敏感度，I為M個(gè)傳感器中最大特征維數(shù)。w ij,可由專家打分、統(tǒng)計(jì)試驗(yàn)等方法確定。對于特征維數(shù)小于l的傳感器，用0補(bǔ)齊。

　　數(shù)據(jù)融合推理方式主要有貝葉斯推理、證據(jù)推理、模糊推理等。本文采用模糊推理技術(shù)，其結(jié)構(gòu)如圖2。

　　首先將不同的特征值進(jìn)行模糊化處理，對應(yīng)得到一個(gè)隸屬度，模糊化處理可以采用不同的函數(shù)，本文采用正態(tài)函數(shù)：

　　μ（x）=exp｛-[（x-a）/b]2｝ （l）

　　模糊推理器由模糊推理規(guī)則組成，推理規(guī)則的一般模型為：

　　Y=R·X （2）

　　Y為故障原因向量，X為故障特征向量，R為推理矩陣或推理器。模糊推理的關(guān)鍵就在于R的獲取，其一般表達(dá)形式為：

　　if（sl1，and s12） then f1

　　if（s21 and S22） then f2 and f3

　　if（s11 and s12 and s31） then f1 and f2這種形式易于表達(dá)專家知識(shí)，解釋性強(qiáng)。

　　最后經(jīng)過去模糊化，輸出診斷結(jié)果。去模糊化方法主要有重心法、最大隸屬度法、簡單平均法、水平重心法等。下面僅列出本文采用的重心法：

　　二、應(yīng)用實(shí)例

　　以某系統(tǒng)加溫系統(tǒng)為例。主要測試項(xiàng)目有平臺(tái)臺(tái)體加溫檢查、陀螺加速度計(jì)加溫檢查、溫控電路檢查。分別用3個(gè)溫度傳感器測量3個(gè)部位的溫度。硬件連接結(jié)構(gòu)如圖3。

　　將各個(gè)傳感器的輸出信號(hào)模糊化處理。由傳感器技術(shù)指標(biāo)及專家經(jīng)驗(yàn)確定模糊化函數(shù)的參數(shù)。傳感器1的模糊化函數(shù)為：

　　根據(jù)專家經(jīng)驗(yàn)和故障分析得到部分推理規(guī)則，見表1。

　　反模糊化函數(shù)采用中心平均反模糊函數(shù)。部分實(shí)驗(yàn)數(shù)據(jù)及診斷結(jié)果見表2。

　　由表2可知，對于符合已有規(guī)則的診斷結(jié)果完全正確，對于不在規(guī)則范圍內(nèi)的數(shù)據(jù)，診斷結(jié)果也令人滿意，只是診斷隸屬度有所降低。

　　三、結(jié)束語

　　采用多傳感器數(shù)據(jù)融合技術(shù)有以下優(yōu)勢：

　　1．充分利用傳感器信息，提高診斷可靠性；

　　2．利用模糊推理技術(shù)可以實(shí)現(xiàn)多故障同時(shí)性診斷，且可以充分利用專家知識(shí)；

　　3．規(guī)則易修改。專家知識(shí)的各個(gè)規(guī)則是相互獨(dú)立的，當(dāng)發(fā)現(xiàn)不正確的規(guī)則時(shí)，只需刪除或修改錯(cuò)誤規(guī)則，其他規(guī)則不受影響。

　　應(yīng)用中注意的問題：

　　1．專家知識(shí)的獲取。專家知識(shí)在融合過程中起關(guān)鍵作用，錯(cuò)誤的專家知識(shí)將導(dǎo)致錯(cuò)誤的診斷結(jié)果；

　　2．傳感器特征信號(hào)的選擇和提取是診斷的依據(jù)，應(yīng)充分分析傳感器信號(hào)形式。

　　轉(zhuǎn)載請注明來源：賽斯維傳感器網(wǎng)（www.jsxlzzp.com）