外文翻译 - 多传感器数据融合的汽车发动机故障诊断.doc

1、机电工程学院毕业设计外文资料翻译 设计题目: GD1091型商用车制动系设计 译文题目: 多传感器数据融合的汽车发动机故障诊断 学生姓名： 学 号： 专业班级： 指导教师： 正文：外文资料译文 附 件：外文资料原文 指导教师评语： 签名： 20xx 年 3 月 5 日正文：外文资料译文文献出处: 清华科技，2004（6），pp262- 265多传感器数据融合的汽车发动机故障诊断王赟松，褚福磊，何永勇，郭 丹（清华大学摩擦学国家重点实验室，精密仪器和机械学,北京,邮编100084） 摘要:本文主要介绍了一种决策级数据融合技术的故障诊断长期地控制发动机工作。实验在桑塔纳AJR发动机数据融合方法提供

2、良好的发动机故障诊断。在数据融合方法,数据级融合数据预处理负载小,精度高,但需要相应的传感器数据和操作性能差。基于D-S证据理论的决策级融合过程可公度数据和强大的使用性能，可以减少图片的模糊度,增加信心,并提高了系统的可靠性,但融合精度低和数据预处理成本高。特征级融合提供了两种方法之间的良好折衷，逐渐成熟。此外，提供了获取原始数据进行数据融合的前提，所以对信号的采集和处理系统对于汽车发动机的测试也设计了虚拟仪器技术。 关键词:发动机；故障诊断；数据融合；D-S证据理论简介 近年来，多传感器数据融合的应用已受到非军事方面的关注。数据融合技术相结合的数据从多个传感器和相关信息从相关的数据库实现精度

3、的提高，和更多的具体的推论可以通过使用单个传感器。 汽车是由机械，电子，和液压集成的复杂机器，所以汽车发动机故障诊断是在这一过程中多源传感器数据监控汽车操作条件所取得，组合，和应用的。在诊断方面，单源信息始终是模糊的，不精确的，不完全的。只有对汽车结合多源数据上提供更可靠和更正确的诊断，所以我们可以应用多传感器数据融合技术来诊断汽车故障。1信号的预处理和特征提取 1.1基于信号采集与处理虚拟仪器技术获取的原始数据，对数据的前提条件是融合。我们设计了一个用于信号采集系统处理用于汽车发动机试验通过采用虚拟仪器技术。系统硬件主要由传感器，信号调理电路，PCI-6023E数据采集板，及个人电脑。程序是

4、软件一个虚拟仪器开发平台装置LabVIEW。系统的实时数据采集，显示历史的短暂的数据，实现了数据后处理的数字滤波，频谱分析，并绘制波形。 1.2特征选择和提取在发动机故障诊断虚拟仪器系统获取和处理数据从传感器和执行器获得特征反映发动机工作条件。一些功能是多余的。这带来了很多计算负荷数据的后处理，作为一个结果降低了诊断的效率。因此，数特征必须为数据融合的减少。 最简单的特征选择方法是在专业知识和经验的基础上的。怠速不稳是一种常见的故障，是由于燃料喷射阀堵塞，较早的的点火或进气歧管真空泄漏，汽车电子控制发动机。我们可以选择四电子氧传感器波形，点火系统，喷油阀，真空传感器诊断故障。信息的传感器和执行

5、器的数据体现在波形结构是由提取的特征表示的。例如，氧波形可以完全地被四电子氧传感器表示最大，最小和平均电压的特点，和响应时间和允许空燃混合物丰富的精益；点火波形表示穿刺，火花，和最小电压，闭合角，火花持续时间，和点火剩余电压振荡次数线圈；喷油波形表示的最大和最小电压，并加速时间；真空波形的最大，最小的表示，和平均电压。 特征选择后的特征向量有多重尺寸可通过变换降低K-L变换。因此，几个主要组件的线性独立性是用来代表特征。例如，我们可以选择的一阶和二阶作为氧的波形特征的主要成分。2决策水平中的应用数据融合方法 观测数据可以合并，或融合，在从原始数据中的水平变化（或观察）水平的状态向量的水平，或在

6、决策层。原传感器的数据可以直接结合，如果传感器数据相称的（即，如果传感器测量相同的物理现象，如两个温度传感器）。相反，如果传感器的数据不等量，然后必须将数据在特征融合/矢量的水平或决策水平。特征级融合包括有代表性的特征提取来自传感器的数据。在特征级融合，特征从多个传感器的观测中提取，和合并成一个单一的级联的特征向量这是基于输入模式识别方法神经网络方法。决策级融合包括传感器信息融合，在每个传感器有了一个初步确定故障诊断。决策级融合方法的一个例子是Dempster-Shafer（D-S）证据理论，这是本文主要介绍了。 D-S证据理论提供了一个从多传感器结合数据的有趣的工具。它广泛用于目标跟踪，目标

7、自动识别，和有限的自动推理的应用，但是针对故障诊断。在这一节中我们将研究了D-S证据理论的故障中的应用桑塔纳AJR发动机诊断。D-S证据理论提出了一种识别框架的概念，即，一系列相互的独家命题。相关命题假设被表示为框架，即一个亚群，有限集。基本概率赋值，或质量函数，超过是 当是空集时，A是一个子集，。 一系列集限的子集B称为质量函数焦元。信念的措施，贝尔（B）和似然测度的PL（B）可以计算： 信念的措施，贝尔（B）量化的力量相信一个发生的事件。该函数m，贝尔，和PL来自上下的概念一套兼容的概率分布范围。此外，D-S证据理论允许融合利用Dempster组合的几个来源。它的定义是一样的（交换和正交和

8、关联）在下列方程，两个来源，一个证据假说聚合体能表示为如下的式子： 其中： 现在研究D-S证据理论的应用发动机故障的诊断。假设有n个相互独立的独立的故障类型进行分类，和M类传感器来监测汽车发动机的条件。使用矢量HJhj0，HJ1，Hjn J=（1，2，N）表示的第j个故障特征， (k = 1, 2, , M) 来表示第k个传感器数据特征的测量，这里的n是在识别框架里的元素的数字。这两个向量之间的关系程度较小，较大的概率故障看作由第jk次传感器分配。在两个向量之间的关系的程度可以用欧氏距离表示:这里的是第i个组成的向量，是第i个组成的向量用式（6），我们得到的距离矩阵经取代后为，规范每一行的矩阵

9、我们可以得到另一个矩阵元素 ,在（i1，2，M）中的矩阵的行被视为显著的价值质量功能，第i个传感器分配给所有的故障。 D-S证据推理的过程中，我们可以定义一个质量功能在故障识别框架在这一证据的基础上提供的信息。因此，一个信念结构可以通过在识别帧的相关证据的反映下得到考虑。例如，一个空洞的结构的质量函数为零，即，意味着相关的证据没有提供信息；确定性结构其质量的功能为一，即，确定故障的存在。提供识别框架结构故障信息的能力可以由一个信念通过证据熵测量如下： 更大的或更接近一个证据熵为更多的信息提供了依据。所以我们可以说，证据熵反映实际决策信心相结合的证据。 通过对桑塔纳AJR发动机大量实验，我们得到

10、三标准特征向量： （1）当发动机在良好的条件下，823.9472, 442.2903, 3.2895, 5.1562, 35.3872, 7.7889, 53.0390； （2）当由于燃料喷射阀堵塞引起怠速不稳时，536.5645, 649.1083, 3.9637, 7.9034, 32.2867, 97.1227, 21.0975; (3) 当由于从进气歧管真空泄漏引起怠速不稳时，90.1887, 601.0368, 5.5516, 5.2591, 32.3023, 80.4196, 13.5560；在故障诊断中的数据融合技术的目标是正确的辨别每一个命题识别框架，即，正确地检测和对故障进行

11、分类。在这里，假设故障识别的框架是：从特征向量得到的观测数据：1）为氧传感器;2) 为点火系统;3) 为燃料喷射阀；4）为进气歧管真空传感器。我们利用D-S证据理论从矢量AJR发动机推导出条件。从四个传感器在决策层相结合的特征向量得到最终的融合结果如下： 根据以上结果，我们得出这样的结论有可能是一个失败的燃料喷射阀堵塞。这一结论与实际实验相符。 我们可以从方程计算证据熵（9）。数据融合过程中的证据的熵的变化被显示在图1。随着程序数据融合，证据熵的增加。这意味着诊断决策的信心提高了。多传感器数据融合在单传感器数据的显著优势，减少不确定性故障诊断，提高了分类性能故障模式的诊断系统。图1 数据融合证

12、据熵的变化过程3 结论 在数据融合中的数据级融合方法，有一个小的负载和高精度的数据预处理，但需要相称的传感器数据和操作性差性能。决策级融合方法可以处理非等量数据和具有强大的可操作性能，减少歧义，增加信心，提高了系统的可靠性，但融合精度高低、数据预处理成本高。特征级融合根据神经系统网络改善在培训样品的故障识别率和提高在测试样品时的故障识别性能, 利用从多个来源的信息补充其他传感器，从而提高了系统的可靠性和诊断的准确性。特征级融合提供了与其他两种方法好的妥协的方法, 逐渐成熟。实验结果表明，决策级数据融合方法可用于发动机故障诊断。 对于一个特定的方法之间的选择应用程序是一个系统工程问题，这取决于在

13、可用的通信带宽问题, 传感器的特性，计算可用的资源，和其他的问题。没有一个通用的方法是适用于所有情况或应用程序。4 致谢 在目前的工作中的实验数据由山东理工大学汽车实验室提供。作者感谢杨中宇在实验测试的帮助。参考文献：1) AmpazisN，PerantonisS J-泰勒JG动态多层神经网络在临时极小附近的网络多人游戏.神经网络，1999，12（1）：43-58。2）霍尔-介绍多传感器数据融合。电气和电子工程师协会程序，1997，85（1）：623.3）GanonlayA-多平台传感器集成模型，防空署邮编：079951。海军研究实验室，1999，31（12）：162。4）坦尼R-分布式传感器

14、检测，电气和电子工程师协会表。美国电化学协会，1981，17（1）：98-101。5）罗纳德R Y-熵和特异性在数学理论的证据。Gen系统, 1983, 9(2): 249-260.6）StephaneJ-在多传感器融合形式化的贡献。机器人和自主系统，1994, 13(2): 56-60.7）VarshneyP K.-分布式检测和信息融合。纽约：科学出版社，1996。8）菲利普R D-一种新的故障检测方法和GPS自主完好性监测中的应用。电气和电子工程师协会高级加密标准的交易,1995, 31(1): 499-506.9）Philip L , BoglerH.-Shafer-Dempeter推理在多传感器目标识别系统中的应用。电气和电子工程师协会交易系统，人与控制论，1997, 17(6): 901-930.10) Isermann R.-基于建模和过程故障检测估计方法的研究。自动化，1984, 20(2): 47-54.附 件：外文资料原文11