基于多傳感器數據融合的噴水推進泵空化分類識別

蘇永生，王永生，段向陽

(海軍工程大學 船舶與動力學院，武漢 430033)

由于多傳感器數據融合技術可以對同類或異類的多傳感器信息進行協調優化和綜合處理，將各傳感器在空間和時間上的互補與冗余信息依據某種優化準則組合起來，從而減小信息的模糊性，擴展時間和空間覆蓋面，克服單個傳感器的不確定性和局限性，提高系統的可信度，因此在現代測試信息處理中得到了越來越廣泛的應用［1－5］。

本文針對噴水推進泵實船空化測量環境的復雜多變性，利用多傳感器數據融合技術對測試信號進行時間和空間上的融合，提高噴水推進泵空化分類識別的準確度。

1 噴水推進泵實船空化測量

整個測量系統由傳感器，信號調理模塊，數據采集卡，便攜計算機以及相應的分析處理軟件組成，其組成結構如圖1所示。

試驗中通過測取噴水推進泵內的水聲信號和泵殼體振動信號來確定泵的空化狀態，同時測取泵軸轉速和航速信號。航速通過422串口從計程儀引入，轉速通過HE－01霍爾式轉速傳感器測取，水聲信號通過RHS－30水聽器獲取，振動信號通過PCB加速度傳感器測取。數據采集卡采用了NI的PXI系列板卡，其中PXI－4472用來采集振動和水聲信號，PXI－6251用來采集轉速信號，PXI－8431/2用來采集航速信號。所有信號同步采集，其中水聲信號和振動信號采樣率分別設為 102.4 kHz和 51.2 kHz。

圖1 測量系統組成示意圖Fig.1 Schematic diagram of measurement system composition

試驗船安裝有四臺噴水推進泵，由于噴水推進船在部分泵工作時容易進入空化區，試驗中主要測取了兩內泵工作在無空化Ⅰ區、空化Ⅱ區和空化Ⅲ區三種工況，試驗測量工況如圖2所示。圖中的三條空化限制線由泵廠家提供。

圖2 試驗測量工況Fig.2 Operating conditions for the test measurement

2 多傳感器數據融合方法

由于實船測試環境的復雜性，測試信號難免受到各種噪聲的干擾。再加上空化信號的隨機性和瞬時性，使得空化特征捕捉的難度進一步加大。受安裝環境的限制，實船測試時每臺泵對應的位置只安裝了一個水聽器和一個加速度傳感器。為了更準確的獲取空化特征，首先對單類傳感器的信號在時間上進行融合，即選取某一穩定工況下單傳感器N個時段的數據作為N個傳感器的輸出，依照某種規則對其進行數據級融合，然后分別提取兩類傳感器各自的特征，再將兩類傳感器的特征組合起來進行特征級融合，最后根據融合結果進行分類識別［6］。數據融合的結構如圖3所示。

圖3 多傳感器數據融合示意圖Fig.3 Schematic diagram of multi-sensor data Fusion

2.1 基于奇異值分解的多傳感器數據融合算法

由于空化發生后，會輻射出強烈的噪聲并誘發振動，此時水聲信號和振動信號的能量都會增加。但空化的發生具有一定的隨機性和瞬時性，不同時段的數據可能包含不同程度的空化信息，分析時選取不同時段的數據可能會得到不一樣的結果。如果采用傳統的時域平均方法，可能會消弱空化的特征信息，特別是對于空化初生階段的微弱特征可能無法獲得。為此，分別將各穩定工況下水聽器和加速度傳感器的某一段測量數據分成N個不同時段，歸一化后作為輸入矩陣的N列向量，對該輸入矩陣進行SVD分解，得到N個大小不同奇異值，這些奇異值的大小反應了各段測量數據的能量分布［7］。根據奇異值的大小分別賦予各段數據相應的權值，奇異值大的賦予較大的權值，奇異值小的賦予較小的權值，根據各段數據的權值進行數據級的融合，這樣估計出的結果將有效地綜合考慮空化的隨機性影響，能更好的反映出空化的特征信息。

假設水聲信號和振動信號分別為ai和vi(i=1，…，N)，經奇異值分解后得到的奇異值分別為 σai和σvi，則對應的權值分別為:

融合后的水聲信號和振動信號分別為:

2.2 基于人工神經網絡的特征分類識別方法

相對于傳統的線性或簡單的非線性分析方法，人工神經網絡由于其較強的自適應性和自學習能力，在模式識別等應用領域得到了廣泛的應用。本文利用神經網絡對噴水推進泵的空化狀態進行分類識別。如圖4所示，首先提取融合后的水聲信號和振動信號的特征，然后將所有特征組合起來作為神經網絡的輸入項，最后根據神經網絡的輸出判別分類識別的結果。

圖4 基于神經網絡的分類識別方法示意圖Fig.4 Schematic diagram of ANN-based classification method

3 噴水推進泵空化分類識別

根據上述方法，分別選取各穩定工況下水聲信號和振動信號的10 s數據，將其平均分成5個時段，作為5個傳感器的輸出，經奇異值分解后計算其權值，如表1所示。

表1 各時間段數據的權值Tab.1 The weights of each time slice

根據奇異值分解得到的權值分別對水聲信號和振動信號進行數據級融合，然后分別提取各自的空化特征。研究表明，高階導數可以凸顯出信號的微小變化，有利于空化特征的提取［8］。針對聲壓信號和振動信號及其二階導數序列，空化特征集的選取如表2所示。

表2 空化特征集組成Tab.2 Composition of cavitation feature sets

將水聲信號和振動信號的上述特征量組合起來作為神經網絡的輸入進行分類識別，輸入層節點數為12。三種工況信號對應的輸出分別記為［0，1］、［1，0］、［1，1］，輸出節點數為2。為了對比單傳感器分類識別和多傳感器數據融合分類識別效果的差異，分別將水聲信號和振動信號各自的特征作為神經網絡輸入進行分類識別，對應輸入層節點數為6。同時，為了說明基于奇異值分解的數據融合算法的有效性，將其分類識別結果同未經融合的分類識別結果進行對比，其中未經過奇異值分解的權值為0.2，采用奇異值分解后選用計算得到的權值。

分別采用BP網絡和RBF網絡作為狀態分類器進行特征級融合處理。BP網絡的隱含層層數和RBF網絡的徑向基函數分布密度經多次訓練后擇優選取。每工況取100個樣本作為訓練樣本，另外取40個樣本作為測試樣本，總的訓練樣本和測試樣本分別為300和120。網絡訓練滿足要求后，對測試樣本進行分類，分類識別的結果如表3～表6所示。

表3 未經奇異值分解的BP網絡識別結果Tab.3 Recognition rate based on BP network without SVD

表4 未經奇異值分解的RBF網絡識別結果Tab.4 Recognition rate based on RBF network without SVD

表5 基于奇異值分解的BP網絡識別結果Tab.5 Recognition rate based on BP network with SVD

表6 基于奇異值分解的RBF網絡識別結果Tab.6 Recognition rate based on RBF network with SVD

就單一傳感器特征融合和多傳感器特征融合來說，采用水聲信號和振動信號組合特征的分類識別結果都要優于單一采用水聲信號或振動信號特征融合的結果。即使沒有經過奇異值分解融合，基于兩種神經網絡的多傳感器特征融合的分類識別率均達到了95%以上。此外，單就各個工況小樣本的分類識別結果而言，工況3的識別率明顯要高于另外兩個工況。這主要是因為工況3時空化已經發展到一定程度，空化特征比較明顯，因此容易識別。而工況2處于空化初生階段，空化特征還比較微弱，增加了識別的難度。

對比兩類神經網絡的識別結果可以看到，無論是否經過奇異值分解融合，基于RBF網絡的識別率都要稍高于BP網絡。值得注意的是，無論采用那種神經網絡，經奇異值分解融合后的分類識別率明顯提高，均達到96%以上，工況1和工況2的小樣本識別率均有5%～10%的提高，尤其是基于奇異值分解融合的RBF網絡分類識別率均達到了100%。由此可見，采用基于奇異值分解的權值算法將單傳感器信號在時間上進行融合后，凸顯了信號的特征，提高了信號的可信度，可以捕捉到微弱的信號特征，尤其適合于空化初生的檢測和識別。

4 結論

本文結合奇異值分解融合算法和基于神經網絡的多傳感器數據融合方法對噴水推進泵的空化狀態進行了分類識別，主要結論如下:

(1)對于噴水推進泵的空化狀態識別而言，基于RBF網絡的分類識別效果要優于BP網絡;

(2)基于水聲信號和振動信號的多傳感器數據融合的分類效果明顯優于水聲信號或振動信號單一傳感器的分類效果;

(3)經奇異值分解融合后，分類識別率有明顯的提高，增加了對空化初生微弱特征的檢測識別效果。

［1］ 徐冬芳，鄧飛其.基于多傳感器數據融合的智能故障診斷系統［J］.儀器儀表學報，2004，25(4):404－406.XU Dong-fang，DENG Fei-qi.Artificial fault diagnosis system based on data fusion algorithm［J］.Chinese Journal of Scientific Instrument，2004，25(4):404－406.

［2］ 黃建新.多傳感器數據融合技術在軸承故障診斷中的應用研究［D］.武漢:武漢理工大學，2006.

［3］ 楊 雷.弱小目標檢測與多傳感器數據融合跟蹤技術研究［D］.哈爾濱:哈爾濱工程大學，2007.

［4］ Dalberg E，Lauberts A，Lennartsson R K，et al.Underwater Target Tracking by Means of Acoustic and Electromagnetic Data Fusion［C］.9th International Conference on Information Fusion，Florence，Italy，2006.

［5］ Li H K，Ma X J，He Y.Diesel Fault Diagnosis Technology Based on the Theory of Fuzzy Neural Network Information Fusion［C］.6th International Conference of Information Fusion，Cairns，Queensland，Australia，2003.

［6］ Hannah P，Starr A.Decisions in Condition Monitoring-an Examplar for Data Fusion Architecture［C］.3rd International Conference on Information Fusion，Pairs，France，2000.

［7］ 楊惠娟，張建秋.一種基于奇異值分解的動態多傳感器數據融合算法［J］.傳感技術學報，2004，(3):440－445.YANG Hui-juan，ZHANG Jian-qiu.A SVD based multi-sensor data fusion algorithm［J］.Chinese Journal of Sensors and Actuators，2004(3):440－445.

［8］ Teder L，Pappel T.Detection of cavitation in pumps through higher order derivatives［C］.4th International DAAAM Conference“Industrial Engineering-Innovation as Competitive Edge for SME”，Tallinn，Estonia，2004.