基于多传感器数据融合技术的电子设备故障诊断
吴苏+吴文全+王薇
摘要：针对电子装备故障诊断中单一类型故障特征量和诊断方法无法完成诊断任务，导致故障诊断率不高的问题，将多传感器数据融合技术应用于多注速调管发射机装备故障诊断。构建故障诊断模型，提出把故障诊断过程分为两个层次。首先，借助不同的神经网络实现多输入信号的函数变换的功能，获得各种故障基本概率分配值；然后，在决策层利用D-S证据理论的合成法则将各神经网络诊断结果融合起来统一判决，得到最终综合诊断结果，通过实例仿真，并与初步诊断结果进行比较，结果表明早期故障识别率大大提高。
关键词：故障诊断；数据融合；发射机；神经网络；DS证据理论
中图分类号：TP391.9文献标识码：A
1引言
现代电子装备结构日益复杂，自动化程度越来越高，一个故障部位常常引起多种故障现象，或者一个故障现象可能由不同的故障部位引起的，使得仅靠单一类型故障特征量和诊断方法往往无法完成诊断任务，从而导致故障诊断率不高的结果，必须运用多传感器协同工作来实现故障检测和定位，多传感器数据融合技术特别适合解决电路中前后元件互相影响以至不能测准元件的故障以及由于容差、非线性及元件参数相互影响而出现的诊断不确定性[1，2]。
目前，数据融合技术在发动机故障诊断、电力系统故障诊断、智能交通、机电设备故障诊断等领域得到广泛的研究和应用[3-8]，本文在以上研究成果的基础上，尝试将数据融合技术引入多注速调管发射机装备故障诊断。
2故障诊断模型
由于故障与征兆之间关系很难用数学模型来表示，本文依据多源数据融合数据处理方式，结合电子装备故障诊断的特点，建立了基于特征信息融合的电子装备故障诊断决策模型，如图1所示。
2.1特征层的数据融合
经过对采集的特征信号进行预处理后，得到p种故障特征，基于神经网络的非线性映射特性，经过对大量样本的学习，获得每次测量结果对不同故障的基本概率分配值。经BP网络的运算后，得到相应结果，由公式（1）算出BP网络的实际输出与理想输出之间的误差为
Ep=12∑Nj=1（tpj-ynj）2（1）
其中，Ep是第p个表征矢量的误差；tpj是第j个输出神经元的期望值；ynj是第j个输出神经元的实际值。将以上面公式算出的网络误差做为不确定因素。
然后，对神经网络的诊断结果进行归一化处理，计算公式为：
m（Ai）=y（Ai）S（2）
式中：Ai表示故障模式，i=1，2，3，…，n；y（Ai）表示BP网络的诊断结果；
S=∑ni=1y（Ai）+Ep
计算结果m（Ai）即为每个样本中第i种故障模式的基本概率值。
2.2决策层的数据融合
决策层融合输出是一个联合决策结果，主要方法有贝叶斯推断、模糊集理论、DS证据理论、专家系统等。Bayes方法曾是解决多传感器数据融合的最佳方法，文献[2]提出一种基于多Bayes方法的融合模型，但在应用的过程中Bayes决策理论不能将不知道和不确定严格分开，并且要求精确知道先验概率，而在电子装备的故障诊断的过程中，由于各种环境因素的影响，以及传感器本身精度的，所得到的测量数据有很大的不确定性，因而不适宜采用Bayes方法。文献[3]采用模糊故障诊断方法，通过隶属函数和模糊关系矩阵的概念来解决故障与征兆的不确定关系，实现故障的检测和诊断，但在应用过程中，构造隶属函数是实现模糊故障诊断的前提，是人为构造的，具有主观因素。DS证据理论凭借其能够表示不确定性未知等概念的优点在数据融合中得到广泛应用，特别是成功应用于图像处理、机器人导航、医疗诊断决策分析等需要处理不确定信息的领域[4]。
计算技术与自动化2015年12月
第34卷第4期吴苏等：基于多传感器数据融合技术的电子设备故障诊断
2.3融合诊断的主要流程
依据融合故障诊断决策模型，本文分别提取多注速调管的阴极电流信号和温度信号2种不同类别的信息做为故障特征，并分别输入不同的神经网络NN1和NN2进行初步诊断。由于将的测试信息同时输入到同一网络处理，将使得训练时间长，诊断效果差，有时甚至导致网络不收敛。因此，不同的测试信息应由各自的神经网络来诊断。然而用神经网络进行局部诊断后，从每一个或几个诊断参数都可以得到各自的诊断结果，但这些结果不尽相同，难以确定准确结果。
针对这一不足，可利用DS证据理论提供的一种有效证据组合的方法，对同一状态的不同神经网络诊断结论分别看作是对同一现象的不同证据体，那么就可以利用DS证据理论的证据组合规则将不同神经网络的诊断结论融合，完成决策级的融合诊断工作，得到最终的综合诊断结果。
3诊断实例
发射机是雷达中的重要组成部件，也是雷达故障率最高的模块，其中多注速调管是发射机的核心部件，多注速调管发射机的组成如图2所示。由于电子元器件老化和发射机使用时间的增加等因素，多注速调管的阴极电流会逐渐改变，造成信号各频带能量所占比重的变化，反映了发射机健康状态的发展趋势，本文通过对多注速调管阴极电流早期故障检测估计发射机的故障状况[9，10]。3.1故障模式及特征样本的确定
由雷达发射机的工作原理可知，速调管阴极电流主要是由线性调制器产生的脉冲信号通过脉冲变压器耦合到速调管阴极，作用于速调管的加速电场后产生的电流。
脉冲变压器简化示意图如图3所示，R2为多注速调管的等效电阻，本质上是非线性电阻，其阻值的变化反映了速调管的故障状态[11]。
在实验中选择该电阻的变化模拟速调管的故障渐进状态。设置该电阻正常容差为±5%，当阻值超过标称值±50%时，设备失效，其中，设置阻值变化超过标称值20%为故障状态一，超过30%为故障状态二，超过40%为故障状态三，超过50%为完全故障状态，这样就共有正常、状态一、状态二、状态三、完全故障五种状态。用Matlab对每种状态做仿真，结果如图4所示，可以看出随着电阻值偏移度增加，脉冲起伏程度略有增大，但增大并不明显。endprint
本文通过小波变换，将时域范围难以区分的信号分解到频域。首先通过小波变换获取特征信息，对采集到的阴极电流信号选取“db1”小波包对其进行3层正交分解，并分别提取第3层低频到高频共8个频段的信号特征。
设置线性调制器的脉冲信号参数为脉冲重复频率500Hz，脉冲宽度4μs的电压脉冲串，通过高变比为10.0的脉冲变压器，要求脉冲变压器耦合脉冲满足脉冲上升时间小于等于0.3μs，脉冲顶降小于等于1.5%，脉冲过冲小于等于25%。采集每种状态下多注速调管的阴极电流1s，分100帧（每5个周期采集到的点组成1帧），对每帧进行小波能量分析，获得100个特征向量。周期采集到的点组成1帧），对每帧进行小波能量分析，获得100个特征向量。
将每种故障状态获得100个8维特征向量取50个作为训练训练序列样本，剩余50个特征向量组成50组测试观测序列。
另外再建立一个新项目，在故障元件两端加一直流电流源，其值为先前测各频段下的阴极电流信号，然后，对其分别做Smoke电应力分析，即可得到此刻的温度值，这样便得到2种不同类别的故障信息。
3.2神经网络诊断
本文分别提取五种状态下电流和温度作为故障特征，将两种故障特征信号归一理后分别输入不同的NN1和NN2进行训练。设计采用单隐层的BP网络，用两个网络分别进行训练，网络结构均为8×17×5，初步诊断结果如表1所示。网络训练阶段，神经网络的输出实质上就是对输入数据空间的分类结果。如果输出值取0或1的离散值，则输出结果可作为该组数据属于某一分类的判决。若如输出取连续值，则输出结果可以作为该组数据属于某一分类的概率。由公式（2）归一化处理各种故障模式的基本概率值，并把网络误差也作同样的处理，作为DS证据理论中不确定度，这样可以用DS证据理论做全局决策诊断。
3.3DS证据理论融合决策
现用BP网络的诊断结果来建立DS证据理论模型。设信任函数Bel1对应于节点电流的诊断结果，信任函数Bel2对应温度的诊断结果，这两个信任函数的焦点元素都是A1、A2、A3、A4、A5。它们构成了信任函数Bel1、Bel2的共同分辨框Θ。由于A1、A2、A3、A4、A5相互，即Ai∩Aj=Φ（Φ为空集，i≠j），利用DS证据理论组合规则（式3）及决策方法（式4）进行融合，得出计算结果如表2所示。
分析结果可知，得到表2中的最后诊断结果非常理想，系统的精度得到很大的提高，从总体上看，表1中，单一神经网络输出表征样本类型的量的精度为0.01，而表2中融合结果表征样本类型的量的精度为0.001，从而增大了诊断结果的准确性与可靠性；经过决策方法诊断所得故障模式的结果，与实际电路状态是符合的，表明了综合诊断的正确性。4结论
基于此，本文采用两层数据融合模型，在特征层采用神经网络模型，实现多输入信号的某种函数变换的功能，输出对应的基本概率分配，在决策层利用D-S证据理论的合成法则将各神经网络诊断结果融合起来统一判决，是证据理论可信度不再依靠专家进行主观化赋值，实现赋值客观化。这
两种模型优势互补，本文将其结合，处理电子装备故障的高混叠样本，实验表明，效果优于单一的算法。
参考文献
[1]何友，王国宏.多传感器信息融合理论及应用[M].北京：电子工业出版社，2000.
[2]丁贝.基于Bayes方法的雷达系统可靠性评估[J].机械管理开发.2013，（3）：21-26.
[3]田庆民，王玉.利用多传感器信息融合技术实现电子装备的故障诊断[J].电光与控制，2008，15（1）：8-12.
[4]徐济仁，刘敬之，牛纪海，等.电子设备故障诊断技术综述[J].电子工艺技术，2008，29（5）：50-56.
[5]崔智军，王庆春.基于DS证据理论的多传感器数据融合[J].现代电子技术.2011，32（12）：94-100
[6]WANGPeiliang，HEWuming，
YANWenjunFaultdiagnosisofelevatorbrakingsystembasedonwaveletpacketalgorithmandfuzzyneuralnetwork[C].Procofthe9thInternationalConferenceonElectronicMeasurement&Indtruments2009：1028-1031.
[7]刘占生，窦唯，王东华.基于遗传算法的旋转机械故障诊断方法融合[J].机械工程学报，2014，43（10）：227-233.
[8]ZHAORui，
HEJianjun.Technologyofmultisensorinformationfusion[J].ComputerMeasurement&control.2009，15（9）：1124-1126，1134.
[9]郑新，李文辉，潘厚忠.雷达发射机技术[M].北京：电子工业出版社，2006.
[10]邢海燕.多注速调管发射机结构设计[M].南京：南京理工大学，2013.
[11]许丽佳，王厚军，黄建国.CHMM在发射机状态监测与健康评估中的应用研究[J].电子科技大学学报，2012，39（6）：875-881.
第35卷第1期2016年3月计算技术与自动化ComputingTechnologyandAutomationVol35，No1Mar.2016
第
35
卷第
1
期
2016
年
3
月计算技术与自动化
ComputingTechnologyandAutomationVol35，No1Mar.2016endprint
-全文完-
