一种针对证据冲突的D-S证据法融合改进方法

摘要

本发明公开了一种针对证据冲突的D-S证据法融合改进方法，包括：按照D-S证据法融合规则进行融合，得到融合结果m

说明书

技术领域

本发明涉及及故障诊断技术领域，尤其涉及一种针对证据冲突的D-S证据法融合改进方法。

背景技术

齿轮箱故障诊断由于采用了基于D-S证据法的多传感器融合诊断技术，提高了诊断效率。其融合规则：假设齿轮箱故障类型辨识框架Θ＝{S₁，S₂，…，S_n}，即有n种故障，有s个证据：m_i：m_i(S_j)，(i＝1,2,…,s；j＝1,2,…,n)，则融合后的概率分配该方法能有效地辨识齿轮箱故障。

然而，当个别传感器出故障，按照D-S融合规则，有可能得出错误结论。因此有必要对D-S融合规则进行改进。

当前，尹学忠提出的基于Jousselme距离的证据加权融合方法，利用基于Jousselme距离的证据冲突度构造证据相互支持度矩阵，进而计算证据权重，最后利用D-S融合规则对加权修正后的证据进行融合，有效地解决了“一票否决”问题，但正确率不高；Yager提出将冲突分配给辨识框架，导致组合中损失了大量原本有效的信息使得融合后证据的不确定性增大；Dubois提出将冲突分配给并集，但正确率不高；王玉成提出的基于角度相似度的证据加权融合方法，利用证据向量的夹角余弦值度量证据之间的相似性，并构造相似度矩阵，从中获取证据的置信度并对原证据进行修正得到新的证据，并按照D-S融合规则组合，有效地解决了“一票否决”问题，但正确率不高；Shafer提出的折扣运算，是在知道某些不确定性因素的先验信息时，把它加入到证据的概率分配m函数中，转化为适当的折扣因子，对m函数进行适当的修正，并按照D-S融合规则组合，该方法的主要问题是如何确定先验信息的折扣率；Murphy提出了一种证据平均组合规则，首先将证据基本信度指派进行平均，然后再用D-S融合规则进行信息融合，该方法只是将多源信息进行简单的平均，没有考虑各个证据之间的相互关联；Deng利用改进的欧氏距离来求出证据之间的相关性，并求出证据权重，然后修改原证据，再用D-S融合规则进行信息融合，有效地解决了“一票否决”问题，但正确率不高。

发明内容

本发明所要解决的技术问题在于，提供一种针对证据冲突的D-S证据法融合改进方法，正确率高，有效地解决了“一票否决”问题。

为了解决上述技术问题，本发明提供了一种针对证据冲突的D-S证据法融合改进方法，包括：

按照D-S证据法融合规则进行融合，得到融合结果m^*(A_j)；其中，辨识框架为Θ＝{S₁，S₂，…，S_n}，布尔代数子集为{Φ,A₁,A₂,…,A₂ⁿ_-1}，有s个证据：m_i：m_i(A_j)，i＝1,2,…,s，j＝1,2,…,2ⁿ-1；

将每个概率分配值m_i(A_j)都加上一个正数N，得到M_i(A_j)＝m_i(A_j)+N，再将M_i(A_j)按照D-S证据法融合规则进行融合得到M(A_j)，之后将每个M(A_j)都减去N的最高次项N^s，得到M₀(A_j)，再进行归一化后得到融合结果

对比融合结果m^*(A_j)和m^{^}(A_j)，若融合结果m^*(A_j)和m^{^}(A_j)指向不同的故障类型，则融合结果m^{^}(A_j)即为最终融合结果；

若融合结果m^*(A_j)和m^{^}(A_j)指向同一的故障类型，则设将每个m_i(S_j)都减去ε后，再按照D-S证据法融合规则进行融合，得到融合结果m'(A_j)；

对比融合结果m^*(A_j)、m^{^}(A_j)和m'(A_j)，选取其中指向性最强的融合结果为最终融合结果m(A_j)。

进一步的，N为远大于1的正数。

实施本发明，具有如下有益效果：本发明正确率高，有效地解决了“一票否决”问题，应用于故障诊断时，能保证故障诊断结果正确的前提下，在传感器系统不出故障时提高诊断效率；在个别传感器出故障时并可能提高诊断效率，避免因为个别传感器不准确而导致整体决策出错，有效地解决“一票否决”问题。

具体实施方式

下面将对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

本发明实施例提供了一种针对证据冲突的D-S证据法融合改进方法，包括步骤：

按照D-S证据法融合规则进行融合，得到融合结果m^*(A_j)；其中，辨识框架为Θ＝{S₁，S₂，…，S_n}，布尔代数子集为{Φ,A₁,A₂,…,A₂ⁿ_-1}，有s个证据：m_i：m_i(A_j)，i＝1,2,…,s，j＝1,2,…,2ⁿ-1；

将每个概率分配值m_i(A_j)都加上一个正数N，得到M_i(A_j)＝m_i(A_j)+N，再将M_i(A_j)按照D-S证据法融合规则进行融合得到M(A_j)，之后将每个M(A_j)都减去N的最高次项N^s，得到M₀(A_j)，再进行归一化后得到融合结果N为远大于1的正数。

对比融合结果m^*(A_j)和m^{^}(A_j)，若融合结果m^*(A_j)和m^{^}(A_j)指向不同的故障类型，则融合结果m^{^}(A_j)即为最终融合结果；

若融合结果m^*(A_j)和m^{^}(A_j)指向同一的故障类型，则设将每个m_i(S_j)都减去ε后，再按照D-S证据法融合规则进行融合，得到融合结果m'(A_j)；

对比融合结果m^*(A_j)、m^{^}(A_j)和m'(A_j)，选取其中指向性最强的融合结果为最终融合结果m(A_j)。

下面对于本发明得效果进行具体实施验证。

验证例1

将本发明应用于齿轮箱故障判别中，设齿轮箱故障分为4种：S₁＝完好，S₂＝断齿，S₃＝轴承外圈点蚀，S₄＝齿根裂纹，即辨识框架Θ＝{S₁，S₂，S₃，S₄}，布尔代数子集为{Φ,A₁,A₂,…,A₁₅}，假设A₁＝S₁，A₂＝S₂，A₃＝S₃，A₄＝S₄，Φ为空集，

断齿故障齿轮箱有s＝3个传感器证据为：

m₁：m₁(A₁)＝0.020819，m₁(A₂)＝0.953965，m₁(A₃)＝0.018060，m₁(A₄)＝0.015571，其他焦元的概率分配值m₁(A₅)～m₁(A₁₅)都为0；

m₂：m₂(A₁)＝0.041925，m₂(A₂)＝0.928404，m₂(A₃)＝0.034728，m₂(A₄)＝0.031065，其他焦元的概率分配值m₂(A₅)～m₂(A₁₅)都为0；

m₃：m₃(A₁)＝0.035601，m₃(A₂)＝0.947966，m₃(A₃)＝0.011717，m₃(A₄)＝0.011533，其他焦元的概率分配值m₃(A₅)～m₃(A₁₅)都为0；

按照D-S融合规则得到融合结果：m^*(A₁)＝0.000037，m^*(A₂)＝0.999943，m^*(A₃)＝0.000008，m^*(A₄)＝0.000012，其他焦元的概率分配值为0，融合结果得出齿轮箱故障为S₂＝断齿的正确结论。

按照本发明的改进方法进行融合，最终融合结果为m(A₁)＝0.000009，m(A₂)＝0.999991>m^*(A₂)，m(A₃)＝0.000000，m(A₄)＝0，其他焦元的概率分配值m(A₅)～m(A₁₅)为0，融合结果得出齿轮箱故障为S₂＝断齿的结果。

可以看出，本发明相比按照D-S融合规则得到融合结果更准确，并且诊断效率更高。

验证例2

本验证例其他部分与验证例1相同，唯独不同的是传感器证据m₃为：

m₃：m₃(A₁)＝0.035601，m₃(A₂)＝0.000017，m₃(A₃)＝0.959666，m₃(A₄)＝0.011533，其他焦元的概率分配值m₃(A₅)～m₃(A₁₅)都为0；

按照D-S融合规则得到融合结果为：m^*(A₁)＝0.047537，m^*(A₂)＝0.023042，m^*(A₃)＝0.920884，m^*(A₄)＝0.008537，其他焦元的概率分配值为0，融合结果得出齿轮箱故障为S₃＝轴承外圈点蚀的错误结论。

采用基于Jousselme距离的加权法得到的融合结果为：m(A₁)＝0.017252，m(A₂)＝0.504743，m(A₃)＝0.115020，m(A₄)＝0.011034，m(Θ)＝0.351951，其他焦元的概率分配值为0，仍能正确辨识出是断齿故障，但正确率不高(其他加权法类同)。

按照本发明计算的融合结果为：取N＝10时，m(A₁)＝0.032782，m(A₂)＝0.627462，m(A₃)＝0.337485，m(A₄)＝0.019390，其他焦元的概率分配值为0，得出齿轮箱故障为S₂＝断齿的正确结论。

综上所述，本发明相比按照D-S融合规则和其他方法得到的融合结果准确率更高，并且诊断效率更高。

验证例3

本验证例其他部分与验证例1相同，唯独不同的是传感器证据m₃为：

m₃：m₃(A₁)＝0.035601，m₃(A₂)＝0.011717，m₃(A₃)＝0.947966，m₃(A₄)＝0.011533，其他焦元的概率分配值m₃(A₅)～m₃(A₁₅)都为0；

按照D-S融合规则得到融合结果：m^*(A₁)＝0.002816，m^*(A₂)＝0.942592，m^*(A₃)＝0.054047，m^*(A₄)＝0.000545，其他焦元的概率分配值为0，得出齿轮箱故障断齿的正确结论。

按照本发明，得到结果与D-S融合规则一致。

验证例4

本验证例其他部分与验证例1相同，唯独不同的是传感器证据m₃为：

m₃：m₃(A₁)＝0.035601，m₃(A₂)＝0.111717，m₃(A₃)＝0.847966，m₃(A₄)＝0.011533，其他焦元的概率分配值m₃(A₅)～m₃(A₁₅)都为0；

按照D-S融合规则得到：m^*(A₁)＝0.000312，m^*(A₂)＝0.994282，m^*(A₃)＝0.005346，m^*(A₄)＝0.000060，其他焦元的概率分配值为0，得出齿轮箱故障断齿的正确结论。

按照本发明计算的融合结果为：m(A₁)＝0.000081，m(A₂)＝0.998454，m(A₃)＝0.001465，m(A₄)＝0，其他焦元的概率分配值为0，得出齿轮箱故障断齿的正确结论。

可以看出，本发明相比按照D-S融合规则和其他方法得到的融合结果准确率更高，并且诊断效率更高。

实施本发明，具有如下有益效果：本发明正确率高，有效地解决了“一票否决”问题，应用于故障诊断时，能保证故障诊断结果正确的前提下，在传感器系统不出故障时提高诊断效率；在个别传感器出故障时并可能提高诊断效率，避免因为个别传感器不准确而导致整体决策出错，有效地解决“一票否决”问题。

需要说明的是，在本文中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者装置不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者装置所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括该要素的过程、方法、物品或者装置中还存在另外的相同要素。

上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。

对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下，在其它实施例中实现。因此，本发明将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。