外文翻译范例2

北京化工大学毕业设计(外文翻译) 1 基于DS证据理论的多传感器数据融合故障诊断方法

Otman Basir, Xiaohong Yuan Department of Electrical and Computer Engineering, University of Waterloo 电子计算机工程部滑铁卢大学加拿大 班级：测控0701 姓名：韩静文学号：200740030

发动机故障诊断是一种典型的多传感器融合的问题。它涉及到多传感器信息的使用，如振动，声音，压力和温度，发动机故障检测和鉴定。从证据理论的观点，从每个传感器取得的信息可以作为证据一部分，因此，多传感器的发动机故障诊断可被视为证据融合问题。本文探讨用来为与发动机质量相关的多传感器的建模和融合的DS证据方法。我们初步提出了一个证据理论的新观点并且解释多传感器发动机故障诊断问题如何可以下在错误辨识框架方面，质量函数和证据融合规则的背景下实行。我们介绍了提高建模的效率和证据结合的新方法。此外，我们提出一种可以做出理性决定的规则，即按照发动机的质量，并且做出一个可以评估信息整合体系好坏的准则。最后，我们做了一个案例研究去演示这个系统在处理多传感器可能引起的不准确的线索和冲突这方面的效力。

1. 引言 当应用到故障诊断和缺陷检查时，信息融合围绕着两个主要问题： (1) 如何在多传感器合并互补引起的潜在错误和冗余中获得高精度和高可信赖度的信息。 (2) 如何融合基于多传感器数据而衍生的决策，它们也许是不准确而相互冲突的。 在发动机诊断方面，第一个问题是以提取故障有关，并说明它们在一个统一的表示方案当中。此外，因为信息是从本身并不完备，确定和精确的传感器中获得，为了降低不精确性不确定性，融合机械设计原理是十分必要的。这种机械原理的有效性很大程度上取决于从传感器中获得的信息线索是否是多余或者互补的。同样重要的是整合进程发生的抽象水平等等。如在测量水平，在特性水平，或是在决策水平.一般说来，获得精确和确定的发动机质量描述符可以在特性水平的传感器数据融合中获得。参见，是一些这类型数据融合的例子。 北京化工大学毕业设计(外文翻译) 2 第二个问题是关于发动机诊断的决策质量。从不同的传感器中获得信息，导致了不同和可能的冲突决策，这是完全可以想象的。如何检测传感器之间的冲突，并将它们的决策融合为一致的决策，是我们在这种情况之下所面临的挑战。解决这个问题是这篇论文的主要内容。在进行多传感器决策的融合时，这篇论文假设了一个有两个用于实时监视单活塞发动机质量的传感器的情景模式。一个测量发动机发出的音质；另一个测量发动机振动。这两种形式通常都受制于发动机装配流水线的最后阶段。声音模式的监测时间和性能相关，而振动模式监测的性能指标和阀余隙相关。整合这两个部分就可以得到关于故障存在与否的可靠决策。 围绕着决策融合领域有十分大量的研究工作，大部分都是根据贝叶斯理论进行的。基本战略是如果先验概率和条件概率提前确定，那么后验概率(最优决策)可使用贝叶斯公式估计。贝叶斯融合是用来改善动态范围的实时X射线成像系统，这个系统集成了在两种不同的信息获取条件下获取的信息线索。贝叶斯网络是用来结合依赖时间概率决定的关键性参数与手工操作环境中的质量控制两个因素的。这个方法应用于检测和诊断制造业中的不合格品。介绍贝叶斯模型为基础的诊断方法，其中通过贝叶斯概率推理网络和逻辑推理提供基于一致性的诊断集成，以减少决策的不确定性。 以贝叶斯理论为基础，融合技术已被演变于过程控制等其他领域，如目标跟踪和识别物体。然而，如果有足够和适当的先验概率和条件可供选择，才能达到有效的融合性能。虽然，至少在某些情况下，可以根据先验和后验概率通作出设想，但这些设想在很多其它情况下会变得毫无道理。 作为贝氏理论的延伸，DS证据理论得用置信和似然函数去量化证据和不确定性。DS证据理论模型如何在在不确定性减弱的给定的假设或证据中积累。这一理论的一个重要方面是推理或决策制定可以在不完全或矛盾的证据中进行。在故障诊断理论和缺陷检查方面的应用。对于状态监测和发动机的故障诊断的决策级数据整合算法。证据理论和模糊集理论相结合，从而提高了焊缝缺陷检测质量。检测焊缝缺陷的不确定性建模为一个加权质量函数。一个加权质量函数是用DS证据理论规则轮流整合一系列的产品缺陷而确定的。证据理论来用来合并两个或两个以上的基础分级器输出，以改善整体分类性能。这种方法的有效性是在柴油发动机冷却系统的静态调温装置的故障检测中展示的。 本文中，采用多传感器测量方法检测单活塞发动机的故障，如振动，声音，压力和温度。我们认为每个传感器的测量都作为一个证据，反映了发动机状态的一些信息。北京化工大学毕业设计(外文翻译) 3 DS证据理论用于关联多传感器数据和发动机的状态指标。本文的组织方式如下。在第2部分，我们介绍了证据理论的基础概念。依据故障识别的框架和质量分布函数，我们提出了发动机故障诊断的DS证据理论构想，证据结合，决策制定规则和性能评估融合。第3部分描述关于证明故障检测有效性的案例研究。第4部分添加了一些相关的附注。

2. 故障诊断的证据理论 2.1 证据理论的基本概念

证据的数学理论，正如Dempster 所介绍和Shafer所延伸的那样，有关置信命题和系统的命题。置信命题的概念并不与机会命题类似。当建立一个命题时，我们以相似的方式理解证据，如，DS证据理论有证据，证据的有效性和证据的正确性相关。证据的置信结构对应于经典概率模型[10]。因此，这个理论可以看作是经典概率模型的一般化。形式上，证据理论与以下的基本记法有关： (1) 辨识框架：用Θ表示元素的有限集：每个元素都可假设为目标或是我们案例中的错误。Θ指的就是识别力框架；包含Θ全部元素的集合称为幂集，用Ω表示(Θ)。例如，假设一个发动机引起了一个或多达三个错误a,b 和c。这个案例的辨识框架可以表示为： Θ={a,b,c} Ω(Θ)={φ,{a},{b},{c},{a,b},{a,c},{b,c},{a,b,c}} φ是一个表示无错误发生的空集。如果A={a,b}是Θ的一个元素，也就是AΘ，则A表示错误既不是a也不是b，而Θ表示错误不是a,b和c. (2) 质量函数，焦点成分和核心元素：当识别力框架建立时，质量函数m定义为幂集的映象，用0或1表示，如

质量函数m也被称为基本概率分布函数。m(A)表示所有相关并且可用的证据的百分比，这些证据支持Θ的一个特定元素属于集合A但并不是A的一个特定元素。在发动机故障诊断中，m(A)可被看作关于一次故障观察的置信度；对于一个已知的故障，北京化工大学毕业设计(外文翻译) 4 不同的信息或证据可以产生不同置信度。任意的幂集A，比如m(A)>0都被称为聚焦元素；()0mACUA被称作是在Θ中的质量函数m的核心元素。 (3) 置信和似然函数：置信函数Bel被定义为

似然函数Pls定义为

置信函数Bel(A)测量了必然在A的元素中分发的概率总量；它反映了必然性和A的总置信度以及构成了A的概率的下限函数。另一方面，似然函数Pls(A)测量了在A的元素中分发的概率的最大量；它描述了与A相关的总置信度并构成了A的概率的上限函数。 (4) 置信区间[Bel(A)，Pls(A)]：置信区间反映了不确定性。间隔长度Pls(A)- Bel(A)描述了A的不可知性。如Table 1所示，不同的置信区间代表了不同的含义。 (5) 一些置信和似然函数的性质：

(6) 证据融合的规则：假设两个质量函数m1和m2，它们从同一辨识框架Θ内的两个不同信息源处得到；根据Dempster的下次规则，我们得到

K代表在不同的证据源中的冲突的基本的质量概率。当交集为空时，它以所有集合的质量函数的总量确定。通常把K理解为不同源之间的冲突。在公式(5)中的分母1-K是标准化因数。K值越大，源之间的冲突越大，它们融合的有效性则越不佳。 北京化工大学毕业设计(外文翻译) 5 在同一辨识框架Θ中生产函数m也就是质量函数。既然12mmm，即m1和m2结合，携带着两源的共同信息。以上的证据融合规则满足以下关系：

一般来说，对于在Θ内的n个质量函数m1，m2，…..，mn，冲突的测量值K被这样给出： 表1 置信区间的含义

且融合后的质量函数为： 2.2 错误辨识框架 去建立一个我们所需的辨识框架来定义证据推理过程发生的目标。符合诊断目标和与错误辨识框架一致是十分重要的，因为辨识框架中的元素就代表了诊断假设。不同的假设与不同的测量需要和测量过程的方法一致；因此可能导致不同的辨识框架。例如，如果我们想去知道错误是否存在，我们可能要建立一个如下的辨识框架：Θ={h,-h}，h可以代表错误的存在，-h可以代表错误不存在。为了适应多个错误，辨识框架可被拓展为Θ={h0,h1 ,….,hn }；在这个例子中，h0表示错误不存在，hi表示错误不存在。在更高的程度上可以建立Θ={f,-f}，来描述发动机的状态是否为错误f或正常-f. 下一步则是去建立基于认知和经验对可能的错误而做的错误融合的幂集。在幂集中，根据基本概率函数，每一个元素都有不同的值。辨识框架越大，幂集越大，相应的，证据推理过程就越复杂。 北京化工大学毕业设计(外文翻译) 6 一旦辨识框架确定，DS证据理论的关键问题就是计算基于不同信息源(如多传感器)所得的信息的质量函数。假设N代表错误的各类，M代表传感器，为了简单起见，假设所以的错误都相互独立，且每个错误都可以发生在任何给定的时间。质量函数可被以两个方式给出。一是从矢量特性的角度出发。 让X=[X1,X2,….,Xn] X表示发动机的状态；X1表示发动机某一方面的状态特性；n是特性的数量。这些特性从传感器所给的信息中提取。例如，X1可能代表从振动传感器中获得的信号的RMS(均方根)。另一特性X2代表从同一传感器中所获信号的峰值。 因此，对于错误(或状态)的N种类型(包括无错误状态)，发动机条件可以用矩阵H来描述：

jX表示第j个描述发动机错误(或状态)的特性，12[,,....,]jjjjnXxxx，且jix表示第i个错误的特性，i=1,2,….,n,j=1,2,…,n.我们可把这个矩阵看作是错误的技术原型的代表。 用SK代表从传感器中获得的第k个矢量测量值：

Ski是Sk的第i个元素，i=1,2,….,mk ,是从第k个传感器中获得的元素，kmn。 问题是计算基于特性矢量的概率分布。直观上，Sk和jX若相似，第j个错误越可能发生，第k个传感器越会被考虑。相反的，Sk和jX若并不相似，第j个错误越不可能发生，第k个传感器越会被考虑。有很多测量值来量化特性测量值和错误原型之间的距离。我们提出用闵可夫斯基距离测量[19]，它可被定义为：