|
|
您现在的位置 > 新闻动态
卷板机智能诊断中的信息融合问题 |
| 发布时间：2018/5/24 |
卷板机多传感器信息融合的潜在优势是能够在更短的时间内，以更小代价获取单个卷板机传感器所无法获取的更精确的特征。
信息融合(Information Fusion)技术，也称卷板机多传感器信息融合技术或数据融合(Data Fusion)技术，最早出现于20世纪70年代，并于20世纪80年代发展成为一项专门技术。它是人类模仿自身信息处理能力的结果，通过卷板机多种传感器数据的综合(集成和融合)来获得比单一卷板机传感器更多的信息。
1．概念
卷板机多传感器信息融合比较确切的定义可以概括为：充分利用不同时间与空间的卷板机多传感器信息资源，采用数控技术对按时序获得的卷板机传感器观测信息在一定准则下加以自动分析、综合、支配和使用，获得对被测对象的一致性解释与描述，以完成所需的决策和估计任务，使系统获得比它的各组成部分更优越的性能。卷板机多传感器系统是数据融合的硬件基础，多源信息是数据融合的加工对象，协调优化和综合处理是数据融合的核心。
2．信息融合的层次
卷板机传感器融合是把多种卷板机传感器集中于一个统一的感知系统中，从而有机地综合利用从多个卷板机传感器来的信息，以便建立一致的即不存在矛盾的客观模型或有关观测对象的符合规定的状态矢量。融合后的信息是对被感知对象或环境的更为确切的解释和更高层次的描述。与单一的卷板机传感器获得的信息相比，经过集成与融合的多卷板机传感器信息具有冗余性、互补性、实时性和低成本。按照信息处理过程中信息的抽象程度，可将信息融合划分为三个层次：低层(信号层)、中层(特征层)和高层(决策层)。信号层融合是对卷板机传感器的原始信息以及预处理的各个阶段产生的信息进行融合，它保持了原始信息，但存在着处理信息量大、实时性差、原始信息易受影响、稳定性差等问题，融合获得稳定一致的综合信息比较困难，要求卷板机传感器信息来源于同质卷板机传感器。特征层面对的是从各个卷板机传感器提供的信息中提取出来的特征信息，该层次的融合是数据层融合和决策层融合的折中形式，既保留了足够的信息，又实现了信息压缩，兼具信号级和决策级的优点，具有较大的应用范围。决策层融合是在信息表示的最高层次上进行的融合处理，它直接对不同卷板机传感器形成的局部决定进行综合分析，以便得到最终的统一决策。决策层融合具有最好的实时陛与较好的容错性，对原始信息没有特殊要求；当某个或几个卷板机传感器失效时，适当的融合仍能给出最后的决策；另外，各个卷板机传感器可以是异质卷板机传感器。
无论哪一层次的融合，在进行融合前必须对信息进行关联性处理，保证融合信息的一致性。多卷板机传感器信息融合的结构层次如图所示。根据具体的系统，可以在上述三个层次中选择以决策级的信息融合为主、特征级的信息融合为辅的信息融合结构，或者相反。
(a)信号层信息融合
(b)特征层信息融合
(c)决策层信息融合
图4—56信息融合结构层次3．信息融合的方法
信息融合是指整个集成过程中实现来自多种信息源的信息统一合并的具体阶段和方法，因此它是多源信息集成中的关键技术，关系到整个系统的效率与集成信息的准确性和可靠性。在多卷板机传感器系统中，各信息源提供的信息都具有一定程度的不确定性，因此融合过程实质上是一个非确定性推理与决策的过程。信息融合主要有以下几种方法。
贝叶斯概率推理法
将各卷板机传感器作为不同的贝叶斯估计器，由它们组成一个具有队结构的决策系统。利用某一个决策规则，选择对被观察对象的最佳估计。贝叶斯估计技术是基于贝叶斯准则实现的。此时决策既基于先验概率，又依赖于由卷板机传感器度量的似然函数。
2)Dempster—Shafer证据推理法
该方法中最基本的实体是鉴别框架，每一个信息源相当于一个证据体。多卷板机传感器信息融合实际上就是在统一鉴别框架下，通过Dempster合并规则将不同的证据体合并为一个新的证据体的过程。该方法允许直接将可信度赋予证据的取舍，避免了对未知概率的简化假设，保留了信息；另外，使用的证据区间中，既表示了信息的已知性和确定性，又表示了信息的未知性与不确定性，因此具有较广泛的应用。
3)模糊推理法
模糊集理论为多卷板机传感器系统中的不确定信息的融合提供了方法。模糊集理论把普通集合中的绝对隶属关系灵活化，使元素对集合的隶属度由原来的只能取0和1扩展为可以取（0，1）区间中的任何数值，因此很适合对不确定性信息进行描述和处理。该方法首先利用隶属度函数将各卷板机传感器信息转化为模糊值，然后用多个参量的模糊值与模糊规则进行推理，得到相应输出量的模糊值，再根据解模糊策略，将输出的模糊值转化为传统的确切值。
4)神经网络法
根据系统接受的样本的相似性，确定分类标准和网络权值分布，采用神经网络学习方法来获取知识，得到不确定性推理机制。基本步骤如下：根据系统要求和融合形式，选择神经网络的拓扑结构；将各个输人信息综合处理为一个总体输入函数，并将此函数映射定义为相关单元的映射函数，它通过网络与被测对象的交互作用将被测对象的统计规律反映到网络结构中；对卷板机传感器输出信息进行学习、理解，确定权值的分配，完成知识获取、信息融合，进而对输人模式做出解释，将输人数据转换成高级逻辑概念。基于神经网络的多卷板机传感器信息集成与融合系统有以下特点：具有统一的内部知识表示形式，可将知识规则转换成数字形式，便于建立知识库；利用外部环境的信息，便于实现知识自动获取及并行联想推理；可将不确定环境的复杂关系，经过学习推理，融合为系统能理解的准确信息；具有大规模并行处理能力，使系统信息处理变快。 |
|
