神經網絡多傳感器信息融合故障檢測實現

劉平安 徐翠琴

摘 要：燃料電池多傳感器系統故障通過采用神經網絡信息融合技術進行檢測，然后在通過溫度傳感器對其故障檢測進行仿真研究，通過此種方法顯示，這種檢測方法對系統故障特征的提取有很大的幫助，這種方法對燃料電池多傳感器的故障檢測的精準度有很大程度的提高，使故障檢測的適時性得到很大程度的滿足。

關鍵詞：神經網絡；燃料電池多傳感器；信息融合；故障檢測

1 引言

隨著汽車電子技術的日益飛速增長，燃料電池技術也在不斷的提高，結構和任務在燃料電池發動機系統中的要求也越來越高，其中控制的精度和穩定度更是高標準的要求。檢測學方面看，檢測中的每一種信息都不能確定其準確度。所以，在檢測燃料電池傳感器的故障過程中，要想得到更準確和可靠的檢測，對于傳感器的多維信息我們必須全方面的進行了解；另一方面，對于故障檢測領域的信息技術我們必須不斷研究引入更加符合要求的技術適應我們得到的越來越多的檢測信息，只有這樣才能分析出信息的深層含義，并且對多傳感器的監測信息進行合理的有效利用，使故障檢測的精確性、可靠性和有效性都得到了很大的提高。

燃料電池由于發動機中有多種傳感器因此系統非常復雜，諸如：壓力傳感器、電壓傳感器、流量傳感器、水位傳感器、電流傳感器、濕度傳感器、溫度傳感器和電導率傳感器等。這些傳感器是系統中非常重要的部分，他們在其中的作用相當于是系統的“眼睛”，經常會通過這些傳感器測量各種信息，傳感器為系統提供最原始的數據信息。

如圖1所示。

2 神經網絡信息融合多傳感器故障檢測系統設計

文章中選擇雙傳感器對系統進行分析，檢測系統輸出信息的實例，目的是為了能夠保證系統輸出的信息的精準無誤。構成如圖2所示的基于神經網絡的多傳感器信息融合故障檢測系統。傳感器輸出數據通過融合單元采用三層BP網絡進行融合；通過Elman遞推的網絡這一預測能力較強的預測單元為決策單位提供傳感器故障檢測的標準；在當前系統狀態下決策單元做出決策的同時為控制器或監控器提供相應的輸出信號。

2.1 融合單元

通過采用對同一物理量進行多個傳感器測量，若每個傳感器所測量出的數值都是接近正常值，這就說明此傳感器是正常的，這是較為常用的船東的硬件冗余方法。并將這種測量得出的平均值作為這些傳感器的參數標準。在現實應用過程中，可以在一些系統參數本身是耦合值中獲得一些冗余信息。神經網絡將對同一物理量通過不同傳感器測量出來的信息進行融合，僅通過一種傳感器測出的數據值遠遠不如通過這種方法獲得的數值精確。鑒于此，借助于神經網絡在進行硬件冗余技術中，選用同一物理量通過數據特性完全不同的傳感器進行數據測量。通過這種方法可以避免選擇的傳感器參數一樣，與此同時也可以減少傳感器的使用量。設系統中某一輸出量的標定值為y，對應兩個傳感器的輸出值為y1和y2，則y可以用一個二次曲面擬合方程來描述：

由上式可以看出，在兩個傳感器都處于正常工作狀態時，只要將其中一個傳感器的數值確定為待定的常數，那么任何一組數據（y1，y2）都可以擬合出y值。由于多層BP網絡可以逼近任意一個非線性函數，而且具有高速并行的處理能力，所以我們采用一個三層BP網絡來求解這些待定常數。如果其中任何一個傳感器在此過程中出現問題，就證明這個方法是沒有用的，就必須改用決策單元分析中的處理方法來解決。

2.2 預測單元

傳感器在故障發生時，要做到有效的對其進行重復配置系統控制，就要及時準確的檢測出故障結果，并對其進行隔離。所以我們需要一個標準能對傳感器的輸出值做出正確的判斷。傳感器下一時刻的輸出值可以利用傳感器的當前時刻和當前時刻以前的輸出值進行預測，目前算是比較有效的方法，然后再把預測的值作為下一刻的評判標準。

將聯系單元到隱含單元、輸入單元到隱含單元、隱含單元到輸出單元的權矩陣設置為Wxa，Wxu，Wxy。隱含單元的作用函數為線性，且閾值為零。？琢為聯系單元的自反饋增益。則此網絡可用下述方程來描述：

由于傳感器2出現問題，因此雙傳感器獲得的y12（k）融合數據就不在是最好的融合數據，此時令y1（k）=yd（k），通過權值修正公式對網絡的權值進行修正。用傳感器1輸出的數據y1（k）和經過修正后的權矩陣評估下一時刻輸出的數值，下一次傳感器的故障評判此次的數值為標準，并在傳感器2出現故障時發出報警信號。

③若傳感器1處于不正常狀態，傳感器2處于正常狀態，其原理同②，給出傳感器1發生故障的報警信號。

④兩個傳感器都處于非正常狀態，即下式成立：

3 多溫度傳感器故障檢測仿真研究

根據上述方法，溫度的變化范圍為10～70℃，其實際正常溫度變化曲線如圖3所示。

預測單元用Elman遞歸神經網絡，作用函數為線性函數，閾值為零，隱層和聯系層都含有六個神經元，聯系層的自反饋增益選為？琢=-0.6，預測單元的輸出曲線如圖5所示。

4 結束語

網絡收斂速度與診斷的精準度都會不同程度的受到來自神經網絡診斷模型的選取、層數與隱層數的設置、訓練樣本的選擇以及迭代步長的選取等問題的影響。這些參數只能夠在研究過程中不斷的出揣摩，因為這些參數都是不固定的。

參考文獻

[1]張菊秀，全書海，王超.信息融合在燃料電池傳感器故障識別中的應用[M].武漢理大學學報，2006.6，28（6）：113～116.

[2]吳興偉.多傳感器的信息融合在車載故障診斷中的應用研究[D].武漢理工大學，2006.

[3]胡丹丹，肖書明，王燕清.高慶吉.基于多傳感器的數據融合技術[J].東北電力學院學報，2004.2，24（1）：62～67.

作者簡介：劉平安（1992-），男，湖北荊州，本科在讀，湖北工程學院計算機與信息科學學院，研究方向：人工智能。

徐翠琴（1981-），女，湖北孝感安陸，講師，工學碩士，湖北工程學院計算機與信息科學學院，研究方向：檢測技術及智能控制。