【正文】 分類(lèi)器，并對(duì) 分類(lèi) 器 進(jìn)行訓(xùn)練，最后，對(duì)訓(xùn)練好的 分類(lèi)器 進(jìn)行測(cè)試，確定 其分類(lèi) 性能，以為融合診斷決策做準(zhǔn)備。 技術(shù)完全依賴(lài)數(shù)學(xué)理論，其 缺陷是用于目標(biāo)分類(lèi)的變量的密度函數(shù)很難獲得， 當(dāng)用于多變量統(tǒng)計(jì)時(shí)， 具有 要求先驗(yàn)概率密度 的 限制。 DS 證據(jù)理論是經(jīng)典概率理論的擴(kuò)展，首先由 Dempster 于 1967 年提出構(gòu)造不確定推理模型的一般框架，將命題的不確定問(wèn)題轉(zhuǎn)化 為集合的不確定問(wèn)題，之后， Shafer對(duì)該理論進(jìn)行了補(bǔ)充，于 1976 年給出了針對(duì)一般情況的通用合成法則，從而形成了故 障 子 集 待診斷設(shè)備信息 BP神經(jīng)網(wǎng)絡(luò) 特征子空間 3 決 策 融 合 單分類(lèi)器初步診斷層 融合診斷層 圖 基于單分類(lèi)器 的融合 雙層故障診斷模型 特征子空間 2 特征子空間 1 Grnn神經(jīng)網(wǎng)絡(luò) 結(jié) 果 沈陽(yáng)航空航天大學(xué)畢業(yè)設(shè)計(jì)（論文） 21 處理不確定信息的證據(jù)理論。可以 看出，這些改進(jìn)的方法都是通過(guò)與其他理論結(jié)合而產(chǎn)生的。 聚類(lèi) 算法將特征空間的數(shù)據(jù)劃分為自然集合，以確定它們是否代表一定意義的目標(biāo)類(lèi)別。 而且可以把 信息融合中的很多 其它方法 引入到神經(jīng)網(wǎng)絡(luò)中來(lái)，比如 在目標(biāo)識(shí)別中， 各種 網(wǎng)絡(luò)類(lèi)型都有一定的局限性， 但是這些 網(wǎng)絡(luò)類(lèi)型對(duì) 相同目標(biāo)的識(shí)別結(jié)果可能具有互補(bǔ)性，可以 利用信息 融合中的 DS 證據(jù)推理理論對(duì) 它們的識(shí)別結(jié)果進(jìn)行融合 判斷 ， 以 提高整個(gè)系統(tǒng)的識(shí)別率。 基于專(zhuān)家系統(tǒng)的融合方法是以規(guī)則為基礎(chǔ)的傳統(tǒng)的物理及符號(hào)表示方法，它以規(guī)信息融合技術(shù)在飛行器故障診斷中的應(yīng)用 22 則表示形式并構(gòu)成知識(shí)庫(kù)，運(yùn)用適當(dāng)?shù)慕鉀Q問(wèn)題的推理方法，在計(jì)算機(jī)上得到解決問(wèn)題的推論。模糊集合論允許知識(shí)表示的不確定性，為那些信息不精確或不完全的事物。專(zhuān)家系統(tǒng)最終的輸出結(jié)果是給用戶的推薦結(jié)果集。 邏輯模板 是基于邏輯的識(shí)別技術(shù)的總稱(chēng) ，它利用存儲(chǔ)的各種模式對(duì)觀測(cè)數(shù)據(jù)進(jìn)行匹配，以識(shí)別目標(biāo)的意圖或估計(jì)態(tài)勢(shì)。 神經(jīng)網(wǎng)絡(luò)輸 入 數(shù)據(jù) 矢量可通過(guò) 非線性 變換 產(chǎn)生輸出矢量， 這說(shuō)明 神經(jīng)網(wǎng)絡(luò)具有數(shù)據(jù)分類(lèi) 的 功能， 因 此，我們可以用 神經(jīng)網(wǎng)絡(luò) 來(lái)提取 多傳感器 信息 的特征。 2. 信息論 方法 信息論方法 包括 參數(shù) 模板 法 、聚類(lèi) 算法 和神經(jīng)網(wǎng)絡(luò)等。 但證據(jù)理論本身也存在一些缺陷，如要求證據(jù)必須是獨(dú)立的，證據(jù)合成規(guī)則沒(méi)有非常堅(jiān)實(shí)的理論支持，計(jì)算上存在潛在的組合爆炸問(wèn)題。 貝葉斯技術(shù)解決了經(jīng)典推理的 部分問(wèn)題 ， 它根據(jù)先前的似然估計(jì)和其它觀測(cè)更新假設(shè)的概率，并能同時(shí)處理超過(guò)兩個(gè)的假設(shè)。 ? 融合 輸出 ? 故障診斷 中的 信息融合方法 近年來(lái)， 信息融合 技術(shù)被 應(yīng)用于故障診斷領(lǐng)域，先后提出了一些信息融合故障診斷方法，比如： 1. 參數(shù)化 方法 參數(shù)化方法主要有 經(jīng)典推理、貝葉斯法和 DS 證據(jù)理論法。 基于多分類(lèi)器融合的故障診斷模型如圖 所示。由于 故障征兆是各種各樣的， 可由 不同的傳感器獲得，對(duì)這些 征兆 信息的處理過(guò)程 實(shí)質(zhì)上 就是 數(shù)據(jù) 融合?？梢酝ㄟ^(guò)決策規(guī)則來(lái)實(shí)現(xiàn)。 2. 數(shù)據(jù)輸入－特征輸出 (DAIFEO)：該過(guò)程 也 屬于數(shù)據(jù) 層 融合，其 可 根據(jù)實(shí)際問(wèn)數(shù)據(jù)入 — 數(shù)據(jù)出 數(shù)據(jù)入 — 特征出 數(shù)據(jù)入 特征入 — 特征出 特征入 — 決策出 決策入 — 決策出 數(shù)據(jù)入 特征入 特征入 決策入 數(shù)據(jù)出 特征出 特征出 決策出 決策出 圖 Dasarathy 信息融合 的結(jié)構(gòu) 沈陽(yáng)航空航天大學(xué)畢業(yè)設(shè)計(jì)（論文） 19 題需求，通過(guò)多 傳感器 數(shù)據(jù)融合 來(lái)提取 所需的特征 信息 。融合結(jié)構(gòu)的新進(jìn)展是 Dasarathy 提出的五級(jí)結(jié)構(gòu)，“ 數(shù)據(jù)入－數(shù)據(jù)出 ” 、 “ 數(shù)據(jù)入－特征出 ” 、 “ 特征入－特征出 ” 、 “ 特征入－決策出 ” 和“ 決策入－決策出 ” ，如圖 所示。 選擇 最終的 融合層次是一個(gè)系統(tǒng)工程問(wèn)題，需要 根據(jù)具體 的應(yīng)用 問(wèn)題， 綜合考慮通信帶寬、 數(shù)據(jù) 源的特點(diǎn)、可 以使 用的計(jì)算資源等 各 方面的因素。除非 各 傳感器 數(shù)據(jù) 是 相互 獨(dú)立的， 否則 決策層融合的分類(lèi)性能 一般都要 低于特征層融合。 決策層融合 由 圖 可知， 決策級(jí)融合 利用各種不同類(lèi)型的傳感器觀 察同一目標(biāo)，各個(gè)傳感器單獨(dú)完成基本的信息預(yù)處理、特征提取和識(shí)別判斷，并得出觀察目標(biāo)的初步結(jié)論，最后通過(guò)決策層融合得出最終的識(shí)別結(jié)果。 考慮到 多傳感器系統(tǒng) 可以 提供更多有關(guān)目標(biāo)的特征信息， 從而 增大了特征空間維數(shù)。但因?yàn)椴糠钟杏眯畔⒌膿p失，降低了系統(tǒng)的融合性能。 從數(shù)據(jù)融合的角度看，由于沒(méi)有辦法對(duì)原始數(shù)據(jù)所有的特性進(jìn)行一致性檢驗(yàn)，數(shù)據(jù)層融合具有很大的盲目性，因此一般的應(yīng)用不會(huì)直接在數(shù)據(jù)層上進(jìn)行融合，但考慮到圖像處理本身的特殊性，才保留了這一帶有圖像處理色彩的融合層次。 首先 關(guān)聯(lián)所有 傳感器的觀測(cè)數(shù)據(jù)，然后從中提取 最有效的幾種 特征向量，并信息融合技術(shù)在飛行器故障診斷中的應(yīng)用 16 進(jìn)行識(shí)別判斷。 根據(jù)以上 討論可以看出，在故障診斷過(guò)程中， 有效 診斷信息的增加 可以減 小系統(tǒng)診斷的 不確定性，提高診斷的可靠性和準(zhǔn)確 率 。 可 再增加診斷信息 Y 以 進(jìn)一步減 少 系統(tǒng)運(yùn)行狀態(tài) θ 的不確定性，由 互信息的定義 ， θ 與 ),( YX 的互信息為： 沈陽(yáng)航空航天大學(xué)畢業(yè)設(shè)計(jì)（論文） 15 ,( , , )( , , ) ( ) ( | , ) ( , , ) l o g ( ) ( , )θ xyp θ xyI θ X Y H θ H θ X Y p θ xy p θ p x y? ? ? ? ?? (36) 根據(jù) 定理 1 的證明方法可以證明： ( | , ) ( | )H θ X Y H θ X? (37) 由式 (35)、式 (36)和式 (37)可知： ( , , ) ( , )I θ X Y I θ X? (38) 式 (38)說(shuō)明，系統(tǒng)運(yùn)行狀態(tài) θ 的不確定性 因?yàn)?診斷信息 Y 而 有所減小。 定義 2 以 X 表示某診斷信息，且 設(shè)定 X 是 值域?yàn)?有限個(gè)離散值的隨機(jī)變量，即12{ , , }MX x x x? ，則 當(dāng) jXx? 時(shí)， 系統(tǒng) 運(yùn)行狀態(tài) ? 的條件熵為： 信息融合技術(shù)在飛行器故障診斷中的應(yīng)用 14 1( | ) ( | ) . l o g ( | )Nj i j i jiH θ X x p θ xp θ x?? ? ? ? (32) 定義 3 診斷信息 X 己知時(shí)，系統(tǒng)運(yùn)行狀態(tài) ? 的平均條件熵為： 1( | ) ( ) ( | )MjjjH θ X p x H θ Xx?? ? ? ?? (33) 定理 1 系統(tǒng)運(yùn)行狀態(tài) ? 的條件熵必定不大于無(wú)條件熵，即： ( | ) ( )H θ XHθ? (34) 證明：把式 (33)帶入式 (34)可得： 1( | ) ( )MjjH θ X p x?? ? ( | ) ( )i j ip θ Xpθ? lo g ( ( | ) ) lo g ( ( ) )i j ip θ Xp θ?? 由全概率公式可得： 1 ( ) . ( | ) ( )Mj i j ij p x p θ xp θ? ?? 1( | ) ( ) . l o g ( ( ) ) ( )NiiiH θ Xp θ p θ H θ?? ? ? ?? 所以 ，條件熵 必定不 大于無(wú)條件熵，證畢。這些信息層次有數(shù)據(jù)層、特征層和決策層。多 源 信息融合的基本原理 是 充分利用多個(gè)傳感器 數(shù)據(jù) ，通過(guò)合理使用和 組織 這些觀測(cè)信息，把 它們?cè)?空間或時(shí)間的冗余 、 互補(bǔ)信息 按照 某 些規(guī)則 進(jìn)行組合 以 獲得被測(cè) 目標(biāo) 的 更準(zhǔn)確的 描述。四個(gè)信號(hào) 3A , 3D , 2D , 1D 頻帶正好不相交的布滿整頻率軸，提供了信號(hào) s 的無(wú)冗余，無(wú)疏漏的全部信息，圖 信號(hào)小波分解的結(jié)果如表 所示： 表 分解信號(hào)及其頻帶 信 號(hào) 3A 3D 2D 1D 頻 帶 ]8,0[ 0f ]4,8[ 00 ff ]2,4[ 00 ff ],2[ 00 ff 以分解信號(hào)的能量為特征量，也即以各個(gè)獨(dú)立頻帶內(nèi)的能量為特征量構(gòu)造信號(hào)的特征向量，可以較好的反映信號(hào)的特征，為狀態(tài)的分類(lèi)提供了依據(jù)。信號(hào) s 三層多分辨分析的分解樹(shù)如圖 所示。分解后的信號(hào)完整的反映了信號(hào)的全部信息，無(wú)冗余，無(wú)遺漏。同樣將尺度空間 kc,0 不斷分解下去，可得到任意尺度空間稱(chēng)的 jV 和 kjc, 和 kjd, 。 fAj 1? 通過(guò)用離散低通濾波器對(duì) fAj 濾波獲。因此離散二進(jìn)小波變換被稱(chēng)為數(shù)學(xué)顯微鏡。滿足穩(wěn)定條件的小波才能成為二進(jìn)小波。 (1) 尺度離散：通常對(duì)尺度進(jìn)行冪級(jí)數(shù)離散化，即令： t 2b 1b ? 2 0? 0? 2/0? 2/1?a 2?a 1?a 沈陽(yáng)航空航天大學(xué)畢業(yè)設(shè)計(jì)（論文） 9 moaa? 0, 0 ?? azm (2) 位移離散：通常對(duì) b 進(jìn)行均勻離散，以覆蓋整個(gè)時(shí)間軸，并且采樣間隔滿足Nyquist 采樣定理，即采樣頻率大于等于該尺度下頻率通帶的二倍。當(dāng) a 逐漸減小時(shí)，基函數(shù) )(, tba? 的時(shí)間窗口逐漸減小，而其帶寬相應(yīng)增大，中心頻率逐漸升高。在式 (22)中 a 是用來(lái)對(duì)小波 )(t? 作伸縮的，以調(diào)整小波基函數(shù)覆蓋的頻率范圍；平移因子 b 的作用是確定待分析信號(hào)的時(shí)間位置，即用來(lái)調(diào)整小波基函數(shù)的時(shí)域位置；系數(shù)a1用來(lái)實(shí)現(xiàn)小波能量的歸一化。當(dāng) )(??? 滿足允許條件： ??? ? ????? dC R2)(? (21) 時(shí)，我們稱(chēng) )(t? 為一個(gè)基本小波或母 小波 (Mother Wavelet)。小波函數(shù)的確切定義為：小波變換的作用是將一個(gè)信號(hào)與一個(gè)在時(shí)域和頻域上均具有局域化性質(zhì)的平移伸縮小波權(quán)函數(shù)進(jìn)行卷積，從而將信號(hào)分解成為與不同時(shí)寬和頻帶上的各個(gè)成分，基本思想就是用某函數(shù)族來(lái)表示或逼近觀測(cè)信號(hào)。小波變換以非均勻規(guī)律對(duì)時(shí)間軸和頻率軸予以劃分，從而在滿足Heisenberg 不等式的前提條件下，既有足夠的時(shí)間分辨率對(duì)信號(hào)中的短時(shí)高頻成分進(jìn)行分析，又有足夠的頻率分辨率對(duì)信號(hào)中的緩變低頻成分進(jìn)行分析。很適合于探測(cè)正常信號(hào)中夾帶的瞬態(tài)反?，F(xiàn)象并展示其成分，所以被譽(yù)為分析信號(hào)的“顯微鏡”。從本質(zhì)來(lái)講，短時(shí)傅里葉變換使用一個(gè)固定的短時(shí)窗函數(shù)，是一種單一分辨率的信號(hào)分析方法，在信號(hào)分析上還是存在不可逾越缺陷。傳統(tǒng)的時(shí)頻信號(hào)分析建立在傅里葉變換的基礎(chǔ)上。 第 3 章介紹了設(shè)備故障診斷中的信息融合介紹了信息融合的定義、目的、結(jié)構(gòu)、一般過(guò)程、常用方法，提出了故障診斷中的信息融合系統(tǒng)。 3. 在故障診斷系統(tǒng)中，由于診斷對(duì)象的不確定性、系統(tǒng)噪聲以及測(cè)量誤差，所提供的信息一般是不完整、不精確和模糊的，所以故障診斷中存在大量的不確定性。本論文主要從以下幾個(gè)方面的做了初步的研究： 1. 飛機(jī)水平尾翼的聲發(fā)射信號(hào)數(shù)據(jù)量太大，因此需要進(jìn)行特征提取，我們需要用小波變換的方法對(duì)聲發(fā)射信號(hào)進(jìn)行處理，以便進(jìn)行診斷。限制其發(fā)展的因素主要有 ： (1) 性能與成本的矛盾： 數(shù)據(jù) 融合 必將 涉及多 傳感器數(shù)據(jù) 的獲取， 這無(wú)疑會(huì) 增加信號(hào) 檢測(cè) 系統(tǒng)的復(fù)雜性和成本， 而 客戶 很多時(shí)候只 需要 相對(duì)便宜 、 能夠 正常工作 而又可靠準(zhǔn)確的診斷系統(tǒng) ； 這是 數(shù)據(jù) 融合技術(shù)在故障診斷領(lǐng)域中發(fā)展的主要限制因素。另外，各種信息融合組織和相關(guān)年會(huì)也提供了廣泛和深入的技術(shù)研討機(jī)會(huì)。 國(guó)內(nèi)外應(yīng)用研究現(xiàn)狀 由于信息融合系統(tǒng)本身所具有的良好穩(wěn)定性能、寬闊的時(shí)空覆蓋域、 較 高的測(cè)量信息融合技術(shù)在飛行器故障診斷中的應(yīng)用 4 維數(shù)和良好的目標(biāo) 識(shí)別率 以及較強(qiáng)的故障容錯(cuò)與系統(tǒng)重構(gòu)能力等潛在 特點(diǎn) ，因此，信息融合技術(shù) 很早就 引起了 各國(guó)的高度重視 。多傳感器 信息融合 技術(shù)是上世紀(jì) 70 年代 提出來(lái)的 。 信息融合研究意義及現(xiàn)狀 信息融合技術(shù)概述 信息融合是人類(lèi) 日常生活和 其它 各種 邏輯系統(tǒng)中常見(jiàn)的基本功能。CFMInternational 使用 CASSIOPEE 來(lái)維護(hù)波音 737 飛機(jī)上的 CFM563 引擎動(dòng)力系統(tǒng)，它的案例庫(kù)包含 23000 多個(gè)案例，案例的結(jié)構(gòu)簡(jiǎn)單，