基于改进冲突系数和信度熵的发动机故障诊断方法

摘要

本发明公开了一种基于改进冲突系数和信度熵的发动机故障诊断方法，包括如下步骤：首先，获取传感器测量信息转换为证据信息，计算证据之间的关联系数，结合关联系数和冲突系数得到改进冲突系数，以此获得证据的冲突度；最后采用Dempster组合规则对修正后的证据进行融合，输出最终发动机故障诊断的决策结果。本发明方案与传统算法相比，通过改进冲突系数获得冲突度能够有效地衡量证据之间的冲突程度，同时通过改进的信度熵表征证据的不确定程度，综合冲突度和信度熵确定证据的权重系数，具有重要的理论意义和应用价值。

说明书

技术领域

本发明涉及多源信息融合技术领域，尤其涉及一种基于改进冲突系数和信度熵的发动机故障诊断方法。

背景技术

航空发动机是装备制造领域的最高端产品，代表着一个国家的科技水平和综合国力，一直以来都被视为影响国家空中运输、国防安全和保持国家战略优势的核心技术。作为飞机的“心脏”，航空发动机不仅设计复杂，而且对精度要求非常高，被誉为“工业之花”。飞机的主要动力就来源自于航空发动机，所以，当飞机在飞行的过程中，如果航空发动机产生故障，就会对飞机的飞行安全造成一定的影响，因此做好航空发动机故障诊断工作是非常重要的。

目前，在当今时代传感器因其高精度、高灵敏度等优点，充斥在我们的日常生活中，但是单一传感器因其自身的缺陷与局限性，将导致难以对不同类型的目标均能够提供可靠的信息，从而影响决策结果，基于此多源信息融合技术应声而出。多源信息融合技术是一种从多层次多方位来处理数据的过程，对多个信息源数据进行自动检测、关联组合和估计，能够通过各种有效的方法将不同来源的信息提供给人们以进行正确的决策，该技术最初应用于军事领域，伴随着在军事领域的成功应用，后被广泛应用于故障诊断、医疗诊断、目标识别等领域，然而在恶劣的环境因素下，部分传感器提供的信息可能会存在高冲突性和不确定性等特点，这些信息的高冲突性和不确定性会直接影响决策结果，因此对信息的高冲突性和不确定性研究至关重要。

Dempster-Shafer(D-S)证据理论是由Dempster和Shafer提出，其本质是对贝叶斯理论的扩展，然而相对于贝叶斯理论严格的要求而言，证据理论摆脱了对先验条件的依赖，可以在不具备先验条件的情况下对证据进行融合，而且在表达“不确定”和“未知”的情况时具有明显的优势，可以灵活地处理不确定和不精确的信息，因此该理论受到了国内外工程应用领域和学术界的关注，被广泛应用于故障诊断、目标识别等领域。但证据理论也存在一些问题，例如冲突的衡量问题。Dempster在《Upper and lower probabilities induced bya multivalued mapping》一文中提出的冲突系数可以很好的解决一般冲突情况下证据之间的冲突，但是在完全不存在冲突情况下，该方法不能有效的衡量证据之间的冲突。Jousselme等人在《Anew distance between two bodies of evidence》一文中提出了证据距离，该距离能够衡量一组表示分类结果的证据与代表真实结果证据之间的差异性程度，但是该距离在证据之间完全冲突的情况下不能有效的衡量证据之间的冲突。此外，如何对基本概率赋值函数的不确定性进行衡量也是一个问题。邓勇在《Deng entropy》一文中提出了邓熵，邓熵能够因其处理不确定性的优势已经被广泛应用于多个领域，但是邓熵却忽略了辨识框架的规模和焦元之间有交集带来的影响。周德云等人在《A modified beliefentropy in Dempster-Shafer framework》一文中提出了一种信度熵，该信度熵考虑了辨识框架的规模能够一定程度上解决邓熵的局限性，但是该信度熵仍然不能解决焦元之间的交集带来的影响。这些问题的存在将导致产生与直觉相悖的结论，无法进行有效决策，限制了D-S证据理论的进一步发展与完善。

发明内容

本发明的目的是提供一种基于改进冲突系数和信度熵的发动机故障诊断方法，能够准确有效地对发动机故障做出正确决策。

本发明采用的技术方案为：

A、确定机械设备故障的辨识框架Θ＝{θ

B、通过放在相同环境下的不同位置传感器采集机械设备的相关运行数据，将采集到的数据通过区间数的距离来衡量区间数之间的相似度,进而对相似度进行归一化获得基本概率赋值函数；

C、由得到的基本概率赋值函数通过下述基本概率转换公式

D、由得到的修正后的任意第i个证据向量m

E、由得到的关联系数r

F、由得到的改进的冲突系数K

G、通过改进的信度熵公式计算第i个证据向量m

H、由得到的信度熵H(m

I、由得到归一化后的第i个证据向量m

J、由得到任意第i个证据m

K、采用Dempster组合规则对修正后的证据向量m

所述的Dempster组合规则为：

其中，m(A)表示焦元A的基本概率赋值，

本发明以多传感器测量为基础的发动机故障诊断为应用背景，将传感器提供的测量信息转换为证据信息，针对冲突系数和邓熵存在技术上的不足，结合关联系数和冲突系数得到改进冲突系数并获得证据的冲突度，通过改进信度熵表征证据的不确定性程度，综合考虑冲突度和信度熵修正融合证据，最后采用Dempster组合规则进行融合输出最终发动机故障诊断的决策结果。本发明方案与传统算法相比，综合考虑了衡量证据冲突程度的改进冲突系数和冲突度以及表征证据的不确定程度的改进信度熵，最后采用Dempster组合规则对修正后的证据进行逐个融合做出对发动机故障诊断的最终决策，具有重要的理论意义和应用价值。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1为本发明的流程图。

具体实施方式

下面将结合本发明实施例中的附图，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付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。

如图1所示，本发明包括以下几个步骤：

A、确定机械设备故障的辨识框架Θ＝{θ

B、通过放在相同环境下的不同位置传感器采集机械设备的相关运行数据，将采集到的数据构造区间数模型，然后计算待识别样本属性值与区间数之间的距离，接着计算待识别样本属性值与模型区间数之间的相似度，最后对相似度进行归一化获得基本概率赋值函数，将每一个证据看作一个向量，所述第i个证据的向量用m

C、由得到的第i个证据向量m

D、由得到的修正后的任意第i个证据向量m

E、由得到的关联系数r

F、由得到的改进的冲突系数K

G、通过计算任意第i个证据向量m

I、由得到归一化后的第i个证据向量m

J、由得到任意第i个证据m

K、最后，采用Dempster组合规则对修正后的证据向量m

所述的Dempster组合规则为：

其中，m(A)表示焦元A的基本概率赋值，

本发明是以多传感器测量为基础的发动机故障诊断为应用背景，在此基础上进行修正干扰证据的权重系数，降低了干扰证据对融合结果的影响，最后采用Dempster组合规则融合证据进行逐个融合做出发动机故障诊断的决策，对发动机故障检测的准确率和效率具有很大的提升。具体的，本发明提出了一种改进的冲突系数，Dempster提出冲突系数在证据之间完全相同时，其冲突系数不为0，这违反直观要求。基于此本发明提出了一种改进的冲突系数，能够很好的解决上述问题。在证据理论的框架下，邓熵是一种经典的信度熵，但是邓熵忽略了信度焦元的总体规模和子集之间有交集对不确定性的影响，不能有效的衡量证据之间的不确定性程度。基于此本发明提出了一种基于信任函数的信度熵，该方法能够有效的解决邓熵的不足。

以下以具体的示例对本发明的方法过程和效果进行具体说明，

A、本专利以飞机发动机的故障为例，航空发动机是一种高度复杂和精密的热力机械，作为飞机的心脏，不仅是飞机飞行的动力，也是促进航空事业发展的重要推动力，将不同的传感器放置飞机发动机不同位置记录发动机的数据，通过检测的数据构建飞机发动机故障的辨识框架，飞机发动机故障分为：磨损性故障、断裂性故障、老化性故障、腐蚀性故障，因此辨识框架确定为：Θ＝{θ

B、通过放在相同环境下的不同位置传感器采集机械设备的相关运行数据，将采集到的数据构造区间数模型，然后计算待识别样本属性值与区间数之间的距离，接着计算待识别样本属性值与模型区间数之间的相似度，最后对相似度进行归一化获得基本概率赋值函数。将每一个证据看作一个向量，所述第i个证据的向量用m

C、当证据中出现多焦元命题时，冲突系数等往往无法有效地衡量融合证据之间的冲突。基于此问题，本发明专利使用下述基本概率赋值转换公式

D、由得到的修正后的任意第i个证据向量m

E、由得到的关联系数r

采用具体例子进行实验说明本发明专利中的改进冲突系数可以在衡量证据之间的冲突程度时更加有效：

例1.设辨识框架为：Θ＝{θ

情景1:

情景2:

从例1中的焦元可以看出：情景1证据m

表1不同方法下的冲突衡量

通过例1中不同情况的计算结果对比可以得知，D-S证据理论中的冲突系数K无法有效衡量情景1下的冲突，Jousselme证据距离不能有效的衡量情景2下的冲突，本发明专利中的改进冲突系数能够很好衡量上述情景1和情景2的冲突。

例2假设辨识框架为Θ＝{θ

m

m

假设证据m

第1对：

第2对：

…

第20对：

表2变基本概率赋值函数情况下的冲突度量

由例1和例2表明，本发明专利中的改进冲突系数K

F、由得到的改进的冲突系数K

G、通过本专利发明中的改进信度熵计算任意第i个证据向量m

H(m

本专利发明中的改进信度熵由两个部分组成。不仅考虑到辨识框架的规模，还通过引用信任函数和基本概率赋值函数的平均值，考虑了辨识框架中命题之间的交集带来的影响，因此在衡量不同证据的不确定性时能够充分的利用证据本身所包含的信息，避免了信息的丢失，从而达到更加准确、有效的衡量不同证据之间的不确定性程度差异。

改进信度熵满足以下2条性质：非负性。概率一致性。

证据在完全明确的情况下，此时的不确定性不存在，信度熵为0，如果证据存在的不确定性越大，那么对应的信度熵也会随之增加，因此信度熵必须满足非负性，这是信度熵的基本性质，也是物理层次的需要。此外无论是邓熵还是本专利发明的信度熵都是在Shannon熵的基础上的改进，因此在证据内仅仅只存在一个元素时，这些方法都应该退化为Shannon熵，这也是信度熵必须满足概率一致性的要求，其中Shannon熵为

①非负性。由证据理论的基础知识所知，焦元|θ

②概率一致性。当任意证据向量m

故本专利发明提出的改进信度熵满足概率一致性。

本专利发明提出的改进信度熵与邓熵相比，考虑到融合证据的辨识框架规模和焦元之间的交集带来的影响，以下通过实例来说明邓熵存在的局限性。

例3假设辨识框架为Θ＝{θ

m

m

下面使用邓熵对上述例3进行求解：

由例3中两个证据的基本概率赋值函数可以看出，由于证据m

由计算结果可知H(m

例4假设辨识框架Θ＝{θ

m

m

m

证据m

通过以上分析得知，证据m

表3表示不同方法下的不确定性程度。

表3不同方法下例4的不确定性程度

通过实验3和实验4结果本专利发明提出的改进信度熵能克服邓熵和周德云等人提出的方法的缺点，可以有效地表征存在非单焦元命题证据的不确定程度。

H、由得到任意第i个证据向量m

I、由得到归一化后的第i个证据向量m

J、由得到任意第i个证据m

K、最后，采用Dempster组合规则对修正后的证据向量m

所述的Dempster组合规则为：

其中，m(A)表示焦元A的基本概率赋值，K为冲突系数

本发明方案与传统算法相比，通过基本概率赋值转换函数和改进的冲突系数能够有效地衡量存在非单焦元命题证据之间的冲突程度，同时通过改进的信度熵表征证据的不确定程度，综合考虑改进的冲突系数和信度熵共同确定融合证据的权重系数，并对证据进行修正后采用Dempster组合规则对修正后的证据进行逐个融合，获得合理的发动机故障诊断决策结果，可以很好的应用于故障诊断领域中，具有重要的理论意义和应用价值。

以下以具体实验说明本专利中的融合方法可以有效解决高冲突证据的融合，克服了Dempster组合规则在解决高冲突证据时出现的违背直觉的结果：

例5现在有5种不同的传感器对飞机发动机进行故障诊断，假设识别框架为：Θ＝{θ

m

m

m

m

m

综合5个传感器给出的证据信息结合本发明方法中的证据冲突衡量方法可得证据的权重系数分别为0.2373，0.0289，0.2235，0.2593，0.2510。由此可知证据m

表4采用不同组合规则进行目标识别的结果与比较

表3中的参考文献如下：

[1]Yager RR.Entropy and specificity in a mathematical theory ofevidence.Int J General Syst.1983；9(4):249-260.

[2]Murphy C K .Combining belief functions when evidence conflicts[J].Decision support systems,2000,29(1):1-9.

[3]Deng Y,Shi W K,Zhu Z F,et al.Combining belief functions based ondistance of evidence[J].Decision Support Systems,2004,38(3):489-493.

[4]Zhang Z,Liu T,Chen D,et al.Novel algorithm for identifying andfusing conflicting data in wireless sensor networks[J].Sensors,2014,14(6):9562-9581.

在本发明的描述中，需要说明的是，对于方位词，如有术语“中心”，“横向”、“纵向”、“长度”、“宽度”、“厚度”、“上”、“下”、“前”、“后”、“左”、“右”、竖直”、“水平”、“顶”、“底”、“内”、“外”、“顺时针”、“逆时针”等指示方位和位置关系为基于附图所示的方位或位置关系，仅是为了便于叙述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定方位构造和操作，不能理解为限制本发明的具体保护范围。

需要说明的是，本申请的说明书和权利要求书中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本申请的实施例。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。

注意，上述仅为本发明的较佳实施例及运用技术原理。本领域技术人员会理解，本发明不限于这里所述的特定实施例，对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本发明的保护范围。因此，虽然通过以上实施例对本发明进行较详细的说明，但本发明不限于这里所述的特定实施例，在不脱离本发明构思的情况下，还可以包括更多其他等有效实施例，而本发明的范围由所附的权利要求范围决定。