基于多源數據融合的積放鏈電機狀態檢測方法

摘要：為了對積放鏈輸送汽車駕駛室時的驅動電機運行狀態進行檢測，分別檢測積放鏈驅動電機的振動、溫度和繞組的數據值，采用一種基于多源異類數據融合技術的方法。該方法先對同類數據進行融合計算，剔除高沖突和異常數據，再采用D-S證據融合規則，對積放鏈電機狀態進行預測判斷。通過實例驗證與不同算法間對比分析，表明該方法融合結果置信度更高，能有效提高預測結果的可靠性和準確性。

關鍵詞：多源數據融合;汽車駕駛室;電機狀態;D-S證據

中圖分類號：U471

文獻標識碼：A

1 同類數據融合算法分析

1.1 最優融合集的算法

由于積放鏈電機運行是一個多變量和多因素耦合的過程，積放鏈運行時，輸送的汽車駕駛室數量、總質量和環境溫度等的變化，都會造成積放鏈電機的振動、溫度及繞組數據也隨之變化。即使積放鏈電機運行狀態正常的情況下，在不同日期時間檢測出的數據值也會相差巨大，存在高沖突和異常數據，對技術人員的預測判斷帶來干擾。因此，根據檢測儀器在不同時間與不同狀態下的檢測數據，采用最優融合集的同類數據融合算法[1]，對積放鏈電機運行狀態變化預測判斷。最優融合集算法把某個檢測儀器在不同時間測得的積放鏈電機狀態數據進行局部處理，通過定義最優融合集來獲取不同時間和不同狀態下的積放鏈電機的振動、溫度及繞組數據值。在融合過程中進行數據對比，將強沖突和異常數據值進行剔除，得到t時段內數據值的最優融合集為Φ。融合估計表達如公式（1）所示。

式中：xi（t）表示融合后的數據值;ωi（t）表示Δti時刻的權重系數;Si（t）表示Δti時刻的檢測數據值。若檢測數據Si（t），Sj（t）的絕對距離越小，則說明數據融合度越高，兩檢測數據一致性就越高。反之，則稱該時段的檢測數據相互偏離，其數據一致性就越低。

1.2 仿真分析

選用技術人員實際檢測記錄的積放鏈電機溫度數據庫，與其他常用同類數據融合算法進行對比分析，實例驗證最優融合集算法的有效性和可靠性（表1）。

表1中，前3個都是某時段下，積放鏈電機運行過程中，檢測電機接觸器和繼電器溫度的正常值，而Δt4和Δt5是隨機出現的誤差值，即高沖突和異常數據。再分別應用最優融合算法、平均值算法以及可靠性算法[2]對檢測數據進行融合，得到的融合結果如表2所示。

表2中，相對誤差是指融合結果與Δt1時刻的實測值進行對比。從表2融合結果值可看出，平均值算法的相對誤差是18.7%～20.0%，可靠性算法的相對誤差是16.9%～17.6%，而最優融合算法的相對誤差小于4.8%，說明最優融合算法的結果更逼近實測值，反映出此算法的可靠性。

為了對比各算法的穩定性，再利用matlab軟件進行仿真實驗。根據設備管理系統里記錄的2015—2018年間的積放鏈電機檢測數據值，分別運用上述3種算法進行數據融合，得到各融合算法的相對誤差分布趨勢如圖1所示。在數據庫中，實際檢測記錄的數據肯定有很多異常和誤差數據。根據圖1融合結果可知，最優融合集算法的相對誤差最小，且波動幅度較小，說明此算法的融合精度及穩定性更強。而可靠性算法和平均值算法，沒有將強沖突信息數據預先剔除，導致融合結果波動大，會給技術人員的預測判斷造成困難。因此采用最優融合集算法對同類數據融合更具優越性。

2 異類數據融合算法分析

所謂異類數據，是指具有不同物理屬性和不同測量范圍的檢測儀器數據[3]。積放鏈電機的振動、溫度及繞組就屬于異類數據。現行人工判斷方法沒有結合積放鏈電機多源異類數據值的變化特點，存在判斷準確率低的缺點。因為多源異類信息融合的特殊性，本文采用D-S證據理論對積放鏈電機的異類數據進行融合，根據融合結果對積放鏈電機狀態進行預測判斷，并通過實例驗證方法的準確性。

基于D-S證據理論的算法。積放鏈電機狀態差、良、優的分類就是命題。而振動、溫度及繞組檢測儀器分別檢測的數據，是對積放鏈電機運行狀態識別的證據。利用這些證據構造相應的概率分配函數，對積放鏈電機狀態賦予一個可信度，概率分配函數以及相應的鑒別框架合稱為一個證據體[4]。

設有2個證據e1和e2，它們之間相互獨立，設e1和e2的基本可信度分配函數分別為m1和m2，對于e1和e2合成的命題X，e1和e2的基本可信度的D-S合成規則如公式（2）所示。

式中：k∈[0，1]，k為證據e1和e2的全局沖突信度，D-S證據融合方法充分挖掘檢測數據值的一致性和沖突性，在證據權重分配時，沖突性數據會被最大限度的降低其權重系數，同時，提高一致性數據的權重系數。

3 實例驗證與結果分析

3.1 積放鏈電機狀態檢測

目前，總裝廠的技術人員使用不同儀器分別檢測積放鏈電機的振動、溫度及繞組等數據，檢測頻次是1次/月，把數據輸入設備管理系統，依靠人工經驗判斷積放鏈電機的運行狀態（差、良、優）（圖2）。檢測數據相互獨立，系統無法識別振動、溫度及繞組數據間的關聯性，因此，人工經驗判斷方法的準確率不高，可信度低，易出現誤判。

為了提高對積放鏈電機狀態判斷的準確性和可靠性，可采集積放鏈電機振動、溫度及繞組數據，作為檢測積放鏈電機狀態的外部響應變量。根據上述最優融合集算法，分別對振動、溫度及繞組數據進行局部融合，目的是對檢測數據的異常及虛假數據進行剔除。剩余的有效性數據用于后續多源異類數據的融合度計算和權重系數分配，建立積放鏈電機振動、溫度及繞組數據間的關聯性，對局部融合后的多源異類數據進行基本概率分配，形成初始證據源，再應用D-S證據合成規則，得到積放鏈電機運行狀態預測結果。

3.2 融合算法的對比分析

應用積放鏈電機的實際檢測數據進行實例驗算，對比分析D-S證據合成規則的準確性和可靠性。設定積放鏈電機狀態的辨識框架為Θ={a，b，c}={差，良，優}，選取設備管理系統里5個不同日期的檢測數據值作為證據，如表3所示。

在表3中，T2時刻檢測的數據明顯與其他時刻數據相差較大，是高沖突證據。根據網格搜索與交叉驗證的支持向量機（SVM）算法[4]，結合相應知識，得到上述5條證據的基本概率分配函數賦值，如表4所示。

在表4中數據可知，證據e2顯示積放鏈電機運行狀態差，而其余4條證據均顯示電機狀態良，e2屬于高沖突證據。如果總裝技術員根據此時刻的檢測數據做判斷，則容易出現誤判。根據融合算法及D-S證據融合方法[5-6]，分別對5條證據進行逐次合成，得到的融合結果如表5所示。

表5中，Θ是指全集;m（Θ）表示不確定的概率。由融合結果可知，隨著證據數量增加，孫全方法融合結果由m（b）=0.234增加到m（b）=0.378，鄧勇方法融合結果由m（b）=0.165增加到m（b）=0.403，說明在有沖突和隨機誤差證據時，上述2種方法不利于根據融合結果做出準確決策。而在設備管理系統檢測數據庫里，不可避免的存在誤差和異常數據，孫全方法對沖突性證據引入了證據可信度，按照加權和平均的形式進行權重系數分配，主觀性比較強，導致最終融合結果的差異會比較明顯;鄧勇方法是對單個證據先進行了多次合成，再應用組合后得到的平均數據進行證據融合，此過程會導致一些有利證據數據丟失。

與上述方法相比，D-S證據合成方法對電機狀態良的預測結果由m（b）=0.405增加到m（b）=0.816，說明隨著證據量的增加，預測結果可靠性和準確性越來越高。此算法優點是綜合考慮了證據間的一致性信息和沖突信息，對每條證據的mass函數進行權重系數分配，充分考慮積放鏈電機振動、溫度及繞組等檢測值之間的關聯性，最大限度的提高一致性證據的權重系數，有利于提高預測結果的可靠性和準確性。

4 結束語

根據積放鏈電機同類儀器檢測值存在樣本數據多和隨機誤差的特點，提出了一種最優融合集的同類數據融合算法。該算法能有效剔除強沖突信息，具有更優的融合精度和穩定性，目前的方法沒有充分考慮積放鏈電機振動、溫度及繞組等檢測值之間的關聯性。因此，采用D-S證據融合規則對積放鏈電機數據進行融合，并通過實例驗證和對比分析，表明該方法能預先剔除高沖突和隨機誤差的檢測數據，融合效率更高，收斂速度更快，有利于提高預測結果的可靠性和準確性。

【參考文獻】

[1]杜許龍.基于信息融合方法的衛星部件可靠性預測[D].西安理工大學，2018.

[2]杲玄玄.基于多傳感器信息融合的工業裝備故障預測方法研究[D].湖南工業大學，2018.

[3]鹿高娜.基于D-S證據理論的融合事件檢測算法研究[D].北京：北京交通大學，2016.

[4]羅小燕，陳慧明，盧小江，等.基于網格搜索與交叉驗證的SVM磨機負荷預測[J].中國測試，2017，01：132-135.

[5]孫全，葉秀清，顧偉康.一種新的基于證據理論的合成公式[J].電子學報，2000，04：178-181.

[6]鄧勇，施文康.一種改進的證據推理組合規則[J].上海交通大學學報，2003，08：534-536.