多傳感器數據融合方法在加力燃燒室試驗中的應用研究

王日先，王宏宇，孫永飛，張天一,張鵬淼

（中國航發沈陽發動機研究所，沈陽110015）

多傳感器數據融合方法在加力燃燒室試驗中的應用研究

王日先，王宏宇，孫永飛，張天一,張鵬淼

（中國航發沈陽發動機研究所，沈陽110015）

在航空發動機加力燃燒室試驗中，為實現同一截面真實氣流狀態參數的多傳感器精確測量，提出了1種多傳感器數據融合方法。該方法運用格拉布斯準則剔除多傳感器測量數據中的無效數據，運用方差自適應加權融合方法對有效數據進行融合計算并獲取真實參數，并分別利用算術平均值方法和自適應加權融合方法對試驗數據進行處理分析。結果表明：通過多傳感器融合方法獲取的數據均方差明顯優于算術平均值方法獲取的方差，具有更高的測試精度和可靠性。

多傳感器；數據融合；加力燃燒室；試驗測試；航空發動機

0 引言

在航空發動機加力燃燒室試驗中，試驗件進口截面參數作為試驗狀態調整的重要參數，其數據的準確性直接影響整體試驗的測試結果。通常采用多傳感器對進口截面參數（如進口溫度、進口壓力）進行測量。其目的是通過多傳感器測試數據融合獲取比單一傳感器測試更高的測試精度。針對上述這類多傳感器測量問題，國內外學者進行了廣泛探索和研究，并提出一系列成熟的方法并應用到很多領域，包括貝葉斯估計法、模糊邏輯推理法、卡爾曼濾波法、D-S證據推理法、小波分析法及神經網絡法等[1-6]。如：文獻[1]利用基于小波分析的數據融合方法對航空發動機高空模擬試驗數據進行處理；文獻[2]將基于證據理論的多傳感器信息融合改進方法應用于發動機故障診斷；文獻[3]采用基于正交基神經網絡算法的多傳感器融合方法對熱處理恒溫槽進行溫度測量。以上方法都取得了不同程度的應用效果，但在應用過程中也都有其局限性。比如貝葉斯估計法對先驗概率較為敏感[4]；D-S證據推理法因故障或干擾可能造成融合產生有悖常理的結果[5]；模糊邏輯推理法因沒有規范的隸屬度函數確認方法，可能導致檢測誤差較大[6]。

本文針對航空發動機加力燃燒室試驗件進口截面參數測量問題，提出了1種格拉布斯準則與動態自適應方差加權相結合的多傳感器融合方法。該方法利用格拉布斯準則剔除可疑數據，盡量減少粗大誤差，保證多傳感器數據正確融合的數據有效性，然后利用動態自適應方差加權融合方法進行數據處理，最終獲取反映試驗件進口截面狀態的真實參數。

1 多傳感器數據融合方法

數據融合的目的在于運用一定的準則和相關算法，對來自多傳感器的測量數據進行數據分析和綜合處理，其中融合計算可以認為是多傳感器數據融合的關鍵[7-9]。但由于在傳感器采集數據的過程中，傳感器自身某些差異或是所處方位不同，以及在實際環境中一些無法控制的隨機因素導致傳感器失效等情況，都可能造成測量數據錯誤，或者出現傳感器的測量數據不能完全反映監控點的真實情況。因此，進行多傳感器數據融合首先要對傳感器采集到的數據進行一致性檢驗，剔除可疑數據，從而得到精度更高、可靠性更好的采樣數據，得出比單一傳感器更為準確可靠的結論[10]。

1.1 利用格拉布斯準則剔除可疑數據[11-12]

假定有n個傳感器對同一對象進行測試采集，在t時刻，各傳感器的測量值分別為X1，X2，…，Xn，彼此相互對立，服從正態分布，并且是X的無偏估計。如果個別傳感器測量值與其他傳感器測量值相差較大，這種與其他傳感器測量值有明顯差別的測量值就成為異常傳感器測量值，在數據處理時應予以剔除。具體方法如下。

（1）將各傳感器數據按大小順序排列：X1，X2，…，Xn，將數據最大值記為Xmax，最小值記為Xmin；

（2）求出n個傳感器數據的算術平均值和均方差

（3）計算檢驗值

（4）根據傳感器數n和給定的顯著性水平a，通過查表得到臨界值T，見表1[13]；

（5）若T≤T0.05，則可疑值為正常值；若T≥T0.05為異常值，應予剔除。

表1 檢驗臨界值T

1.2 動態自適應加權數據融合

基于格拉布斯準則剔除異常數據后，得到有效數據，然后采用自適應方差加權融合方法對有效數據進行融合計算，如圖1所示。對于不同的傳感器賦予相應的權值，在滿足總均方差最小在這一最優條件下，使融合后的均值達到最優[14-15]。對應傳感器權值可以根據各傳感器得到的測量估計值以1種自適應的方式獲取，即為各傳感器最優加權因子。

設n個傳感器的均方差分別為σ1，σ2，…，σn，所要估計的真值為X，各傳感器的測量值分別為X1，X2，…，Xn，彼此相互對立，并且是X的無偏估計。各傳感器的加權因子分別為 W1，W2，…，Wn，則融合后的均值和加權因子滿足以下條件

數據總均方差根據數字特征公式可表示為

因為 X1，X2，…，Xn，彼此之間相互獨立，并且為X的無偏估計，所以

從式（8）中可知σ是關于各加權因子的多元二次函數，因此σ必然存在最小值。該最小值由加權因子 W1，W2，…，Wn 滿足式（6）約束條件的多元函數極值求取。

根據多元函數求極值理論，可求出總均方差最小時所對應的加權因子

此時所對應的最小均方差為

以上是根據各傳感器在某一時刻的測量值進行的估計。當估計真值X為常量時，則可根據各傳感器歷史數據的均值進行估計。從以上分析可知，最佳加權因子決定于各傳感器的均方差σp=（p=1，2…，n），而σp一般不是已知的，可以通過各傳感器測量值計算得到[16]。

對于第P個傳感器進行k次測量，其平均值

可得如下自適應遞推算法

2 燃燒試驗數據驗證

以加力燃燒室試驗件進口截面溫度測量為例，在試驗中采用4只電偶耙對進口截面進行均布測量，每只電偶耙上安裝5點K型熱電偶，進口截面熱電偶布置如圖2所示。在某試驗狀態設計點獲取50 s試驗數據，如圖3所示。由于進口流場不均勻性造成測量數據不均勻的分布在790～820℃較大范圍內。另外，傳感器安裝位置和角度不同、傳感器質量狀況差異以及測試線路故障等不可預見因素也影響各傳感器的測試結果。因此，通過上述測試數據獲取反映進口截面溫度的真實結果顯得尤為必要。

2.1 疏失誤差剔除驗證

在獲取采集數據時，利用格拉布斯準則對同一次多傳感器數據進行實時判斷，剔除異常數據。選取置信水平a=0.05，然后根據傳感器數量和選定的顯著水平，從表1中查出相應的臨界值，比較對應傳感器計算出T值與臨界值大小關系，確定是否為異常數據。考慮實際工況復雜，在狀態調節時，數據波動大，為了保證結果數據反映整個截面綜合信息，當判別異常數據超過6點時，則認為整個測試數據為無效數據，需排除異常重新試驗。通過準則進行判斷，結果表明傳感器12在第34 s以后數據為異常傳感器數據予以剔除。從圖3中可見，傳感器12在第34 s以后測量值逐漸減小，并偏離其他傳感器測量值正常范圍，屬于異常傳感器，其測量值為異常數據。在試驗后經排查發現傳感器12損壞。可見，通過格拉布斯準則能準確判別傳感器異常數據，并予以剔除，符合判別要求，保證了進一步融合處理的數據一致性。

2.2 多傳感器數據融合驗證

在獲取有效數據后，依據式（12）、（13）實時修正各傳感器溫度均值估計和方差估計，并計算各傳感器加權因子，按式（14）計算出融合溫度值，然后進行下一時刻采集數據處理，重新確定有效傳感器及其數量，進而再進行數據融合處理。為了比較融合方法的有效性，還采用算術平均值法對試驗數據進行處理分析，并給出2種方法計算的溫度值及均方差對比驗證結果。溫度融合值(fusion value)和算術平均值(mean value)對比結果如圖4所示。二者均方差σ對比結果如圖5所示。

從圖4中可見,融合值相對于算術平均值更平滑，更接近設計點的指標狀態。傳感器12發生故障后，融合值略有升高。通過對圖3分析可知，由于傳感器12未發生故障時數據略低于融合值，并參與融合計算。而故障發生后該傳感器數據參與計算時權值逐漸減小，直至被判定為異常數據不參與融合計算，進而引起發生故障后融合值比發生故障前略有上升。進一步說明采用多傳感器融合方法能夠有效抑制個別傳感器故障對融合數據造成較大的影響。從圖5中可見，采用融合方法的均方差最大值小于0.2，而采用算術平均值法的均方差為0.5左右，并且隨著傳感器12故障的發生，呈逐漸發散趨勢，計算結果已經不能反映測試截面的真實狀態。通過對比結果可知融合方法的均方差明顯小于算術平均值方法的均方差，表明融合具有更高的測試精度。

3 結束語

將多傳感器自適應加權融合方法應用于加力燃燒室試驗進口截面參數測試中。試驗結果表明：采用多傳感器融合方法可有效處理多傳感器測量同一截面參數問題，避免了單傳感器或簡單算術平均的局限性限制，減少傳感器故障等不確定性誤差影響，具有較強的抗干擾能力，能夠獲取更可靠的數據結果。

[1]師偉，彭炬，譚世海，等.一種基于小波的發動機數據融合算法[J].燃氣渦輪試驗與研究，2013，26（5）：50-53.SHI Wei,PENG Ju,TAN Shihai,et al.Multi-sensor data fusion method based on wavelets[J].Gas Turbine Experiment and Research，2013，26（5）：50-53.（in Chinese）

[2]朱江樂，章衛國，張竟凱，等.基于證據理論的多傳感器信息融合改進方法[J].計算機測量與控制，2013，21（2）：547－549.ZHU Jiangle,ZHANG Weiguo,ZHANG Jingkai,et al.An improved approach to multi-sensors information fusion based on evidence theory[J].Computer Measurement Control,2013，21（2）：547-549.（in Chinese）

[3]曾喆昭，王耀南.基于正交基神經網絡算法的多傳感器數據融合方法[J].傳感技術學報，2007,20（6）：1368－1370.ZENG Zhezhao，WANG Yaonan.Multi-sensor information fusion approach based on the neural network algorithm with orthogonal basis functions[J].Chinese Journal of Sensors and Actuators,2007,20（6）：1368－1370.（in Chinese）

[4]李時輝.一種多傳感器溫度數據動態融合方法 [J].科技通報，2015，31（1）：147-149.LI Shihui.The approach of dynamic data multi-sensor temperature data[J].Bulletin of Science and Technology，2015，31（1）：147-149.（in Chinese）

[5]于坤林，謝志宇.基于多傳感器圖像融合的溫度場測試系統[J].現代電子技術，2013，36（20）：97－99.YU Kunlin,XIE Zhiyu.Temperature field test system based on multi-sensorimage fusion [J].Modern ElectronicsTechnique,2013，20（36）：97-99.

[6]胡金海，夏超，彭靖波.一種基于相鄰模塊化加權D－S的融合診斷方法[J].航空學報，2016,37（4）：1174－1183.HU Jinhai,XIA Chao,PENG Jingbo.Fusion diagnosis method based on neighboring modular weighted D-S[J].Acta Aeronautica et Astronautica Sinica,2016，37（4）：1174-1183.（in Chinese）

[7]黃漫國，樊尚春，鄭德智，等.多傳感器數據融合技術研究進展[J].傳感器與微系統，2010，29（3）：5－8.HUANG Manguo,FAN Shanchun,ZHENG Dezhi,et al.Research progress of multi-sensor data fusion technology [J].Transducer and Microsystem Technologies,2010，29（3）：5－8.（in Chinese）

[8]陳希，付型武，張興元.基于多傳感器數據融合啤酒發酵溫度監控系統[J].計算機測試與控制，2008，16（6）：799－801.CHEN Xi,FU Xingwu,ZHANG Xingyuan.Monitoring system of beer fermentation temperature based on multi-sensors data fusion[J].Computer Measurement Control,2008.16（6）：799-801.（in Chinese）

[9]Esteban J,Starr A,Willettsr,et al.A review of data fusion models and architectures:towards engineering guidelines[J].Neural Computing&Applications,2005,14（4）:273-281.

[10]Fonseca M A,English J M,Arx M V,et al.Wireless micro machined ceramic pressure sensor for high-temperature applications[J].MEMS,2002,11（4）:45-48.

[11]劉國華，呂曉柯，時晨，等.初速數據判別方法研究[J].火炮發射與控制學報，2013（3）：8-10.LIU Guohua,LYU Xiaoke,SHI Chen,et al.Research on discriminating method of muzzle velocity data[J].Journal of Gun Launch and Control，2013（3）：8-10.（in Chinese）

[12]肖樹臣，秦玉勛，韓吉慶.基于格拉布斯法的試驗數據分析方法[J].彈箭與制導學報，2006，27（1）：275-277.XIAO Shuchen,QIN Yuxun,HAN Jiqing.A test analysis method based on grubs in experiments[J].Journal of Projectiles,Rockets,Missiles and Guidance，2006，27（1）：275-277.（in Chinese）

[13]高楊，沈重，張永輝.基于多傳感器數據融合技術的臭氧監測系統設計[J].傳感器與微系統，2014，33（5）：66-69.GAO Yang,SHEN Chong,ZHANG Yonghui.Design of ozone monitoring system based on multi-sensor data fusion technology[J].Transducer and Microsystem Technologies,2014，33（5）：66-69.（in Chinese）

[14]Jian B S,Wang J,Xi Y G.Incremental learning with balanced update on receptive fields for multi-sensor data fusion[J].IEEE Transactionson Systems,Man and Cybernetics-PartB：Cybernetics,2004,34（1）:659-665.

[15]胡振濤，楚艷萍，劉先省.測量方差自適應的多傳感器數據融合算法[J].紅外與激光工程，2005,34（6）：741-745.HU Zhentao，CHU Yanping,LIU Xianxing.Algorithm of multi-sensors data fusion based on the variance of the measured error adaptive[J].Infrared and Laser Engineering，2005,34（6）：741-745.（in Chinese）

[16]翟翌立，戴逸松.多傳感器數據自適應加權融合估計算法的研究[J].計量學報，1998,9（1）：69-74.ZHAI Yili,DAI Yisong.Study of adaptive weighted fusion estimated algorithm of multisensor data[J].Acta Metrological Sinica，1998,9（1）：69-74.（in Chinese）

Research on Multi-Sensor Data Fusion Method for Afterburner Test

WANG Rixian,WANG Hongyu,SUN Yongfei,ZHANG Tianyi,ZHANG Pengmiao
（AECC Shenyang Engine Research Institute,Shenyang 110015,China）

In order to effectively realize the precision measurement of actual air flow condition of the same section when using multisensor system in afterburner test.The method eliminates suspicious data first based on Grubbs,and then employs an adaptive weighted fusion estimated algorithm of multi-sensor to fuse effective data.A comparison between the effect of new multi-sensor fusion method and arithmetic mean value method was conducted.The comparison results reveal that new multi-sensor fusion method have obvious advantage on mean square deviation over arithmetic mean value method.Therefore,new multi-sensor fusion method has higher test accuracy and reliability.

afterburner;multi-sensor fusion;test measurement;aeroengine

V231.2

A

10.13477/j.cnki.aeroengine.2017.04.015

2016－12－24 基金項目：國防重點科研項目資助

王日先（1984），男，碩士，工程師，從事航空發動機試驗測試研究工作；E-mail:wangrixian@163.com。

王日先，王宏宇，孫永飛，等.多傳感器數據融合方法在加力燃燒室試驗中的應用研究[J].航空發動機，2017,43（4）：85-89.WANG Rixian，WANGHongyu，SUNYongfei，et al.Research on multi-densor data fusion method for afterburner test[J].Aeroengine，2017,43（4）：85-89.

（編輯：張寶玲）