一种多传感器信息融合电路故障诊断方法

【摘要】针对电路故障元器件诊断不确定性问题，提出了电路元器件故障诊断的多传感器D-S信息融合方法。该方法通过测量被诊断电路中元件的电压、温度两个参数，获取二个传感器对待诊断元件的信度函数，然后得出融合信度函数，从而确定故障元件。诊断实例结果证明了该方法的有效性。

【关键词】多传感器;信息融合;D-S证据理论;故障诊断

1.引言

目前，信息融合技术已成为一个十分活跃的研究领域，在机器人系统、图像分析与处理、目标自动识别、卫星遥测遥感等领域应用越来越广泛，但真正将信息融合技术应用于电子电路故障诊断领域还不多。鉴于电子电路元件的参数离散性、运行环境不稳定性等因素，使用单一传感器来确定电子电路信息就可能存在不确定性，这样必然造成不能准确诊断故障，乃至漏检、误诊现象[1]。借鉴多传感器信息融合技术，可以解决电子电路故障诊断所固有的的不确定性难题。根据信息论原理，来自多传感器或多源的信息的含量比任何一个单维信息量都要大，这使得多传感器信息融合技术能合理协调多源数据，充分综合有用信息，较好地解决电路故障诊断不确定性问题，增加置信度，提高电路故障诊断的准确度和可靠性。

2.D-S证据理论信息融合算法

2.1 融合诊断原理

D-S证据理论是鉴于某一事件发生后的结果，寻求该事件发生的原因。针对不确定性推理的多属性诊断问题，D-S证据理论是一个融合主观不确定性信息判断的有效手段。

运用D-S证据理论方法是：第一步是预先对多个传感器或信息源数据（证据）进行处理;第二步是对各个证据的基本可信度分配值进行估算;第三步是依据D-S证据理论合成规则，对联合所有证据作用下基本可信度分配值进行估算;最后是根据相关判定原则来确定以可信度最大值作为信息融合结果[2]。

D-S证据理论运用于实际电路故障诊断过程：第一步，对电路故障产生的若干症状进行分析，估算这些症状下各个故障可能发生的概率;运用多传感器测试待诊断电路，从而获

得各个传感器测试症状分别属于各类故障的信度函数m1（A1）…m1（An）、m2（A1）…m2（An）;第二步，运用D-S合成法则进行多传感器数据融合，得出经过信息融合后症状属于各类故障的信度函数m（A1）…m（An）;最后按照判定原则确认故障类型。基于D-S证据理论的故障诊断过程参见图1所示。

图1 D-S融合的故障诊断框图

2.2 多传感器数据融合算法

2.2.1 信度函数的获取

信度函数分配是一种人为推理，是一种人对故障模式假设的可信程度推断，该推断极易受各种因素的制约，因此不同思路会形成不同信度函数分配公式。传感器对目标模式Ai的信度函数：

mj（Ai）：

（1）

式（1）中：N是传感器总数;Nc是目标模式数;Wj是传感器j的环境加权系数;为传感器j最大相关系数;是传感器j相关分配值;Rj是传感器j可靠性系数;Cj（Ai）是传感器j对目标模式Ai的相关系数。

传感器j不确定性的信度函数：

（2）

在式（1）、（2）中，主要是确定传感器j对Ai的相关系数Cj（Ai）值，N、Nc一般是定值，由传感器特性和现场经验来确定Wj。在物理意义上，?j、Cj（Ai）均表示根据某一传感器测量值，来评估被测目标隶属于某一目标类型的程度，即这两个量之间相关度，故以模糊集理论中隶属度函数?j替代Cj（Ai）。

2.2.2 隶属度函数的形式

必须根据传感器的工作特性和被测参数的特性，确定隶属度函数[3]。例如，针对电路中某一元器件而言，当外部环境稳定且电路工作正常时，电路中关键点具有稳定的电压值，当然其温度值也是稳定的;若电路中某一元器件发生故障时，电路中关键点电压值毫无疑问会偏离正常值，其温度信号也必然发生变化（下降或上升），且温度或电压与正常值偏差越大，则出现元器件故障的几率越大。

根据观察的实验数据，并且结合隶属度函数的待定系数法，定义隶属度函数表达式：

（3）

在式（3）中，ej为待诊断元件参数的正常变化范围，tj为待诊断元件参数的极限偏差，x0j为电路工作正常时被测元件的标准参数值，xj为传感器测定的实际值，为修正系数，?j为传感器测定被诊断元件j属于故障的隶属度。

2.2.3 D-S融合与故障判定规则

（1）D-S融合算法

设m1和m2是幂集2Ω上二个互相独立的基本概率赋值，A1，A2，…，Ak和B1，B2，…，Bk为信度函数的焦元，，则2Ω是融合后信度函数分配，m=m1m2。

当时，

当时，

（4）

在式（4）中，表示空集;

表示包含完全冲突假设Ai和Bj的所有信度函数乘积之和;1-C是确保融合后的信度函数在[O，1]上。假设C=1，则ml、m2矛盾，不存在m，基本可信度分配就不能组合;C≠1，可以确定m是一个信度函数。式（4）给出的证据组合即为D-S组合法则，若有多个证据组合，采用该法则对证据进行两两综合即可。

在实际电路故障诊断中，焦元A1，A2，…，Ak和B1，B2，…，Bk为待诊断各个故障元件的集合，m（A）则表示融合后分配到待诊断各个故障元器件上的信度函数值。

（2）故障判定规则

①不确定信度函数要小于某一门限，如取0.15。

②诊断的故障元件的信度函数值必须大于不确定信度函数值，如取≮0.45。

③诊断的故障元件和其它元件的信度函数值之间差值必须大于某一门限，如取0.45。

④诊断的故障元件要有最大信度函数值，必须大于某一阀值;若阀值过小或过大，则容易产生故障误判或漏判现象。

3.放大电路故障诊断实例

图2为待诊断故障电路图，该电路是一个小信号放大电路，其中三个运算放大器LM318为待诊断元件，称为A1、A2、A3。以u1、u2、u3分别为A1、A2、A3的电压测试点，其故障诊断过程如下：

图2 待诊断故障电路

3.1 采集数据

利用红外测温仪检测待诊断元件A1、A2、A3的温度，探针检测A1、A2、A3的输出电压u1，u2，u3，通过调节放大电路输入信号ui，从而获取得多组测量值，其中含正常值和故障值。

3.2 计算信度函数

依据所测量值和故障隶属函数来确定相关系数Cj（Ai），再计算待诊断元件的信度函数。传感器数目N=2，待诊断元件Nc=3，取电压传感器权系数W2=0.3，温度传感器权系数W1=0.7，由式（1）、（2）计算元件A2故障时，待诊断元件A1、A2、A3的信度函数;然后，由式（4）计算A1、A2、A3的融合信度函数值m（Ai）和不确定度m（θ），最后确定故障诊断结果。故障诊断比较参见表1。

表1 故障诊断比较

传感器 信度函数 不确定度 结果

电压 m1（A1） m1（A2） m1（A3） m1（θ） 不确定

0.0010 0.5672 0.2040 0.2288

温度 m2（A1） m2（A2） m2（A3） m12（θ） A2

0.0090 0.7084 0.1820 0.1004

融合 m（A1） m（A2） m（A3） m（θ） A2

0.0028 0.8333 0.1332 0.0308

3.3 故障诊断结果剖析

根据表1的数据来看，在待诊断元件A1、A2、A3中，单独使用电压传感器或温度传感器提取的信度函数值，则有一些数值比较相近;若仅用单一一传感器的信度函数分配值来判定故障元件，则可能出现故障元件A2不能确定情况。然而经过多传感器数据融合后，从信度函数值上看，元件A2明显高于元件A1、A3，故可明确判断A1、A3是正常元件，A2为故障元件。

由此可见，多传感器信息融合后信度函数值降低了其它类型的信度函数值，提高了实际目标的信度函数值，进而有效地减少了故障元件的不确定性。若用电压或温度传感器来单独识别时难于判断的故障元件，融合后就能完全准确识别出来。因此，采用基于D-S证据理论的多传感器数据融合方法，可以明显提升电路故障诊断的可靠性和准确性[4]。

4.结束语

本文介绍了基于D-S证据理论的信息融合算法，提出了一种多传感器信息融合的电路故障诊断方法，故障诊断的重要依据来自于电压和温度这二个物理量，采用多传感器信息融合进行故障诊断，并将其应用于电路的故障诊断之中。故障诊断实例结果表明，多传感器信息融合克服了基于单一信息诊断方法的不足，使有效、快速的电路故障诊断得以成为可能，并提高故障元器件定位的准确率，对电路故障诊断是可行且有效的。

参考文献

[1]周中良，等.模糊理论在多传感器信息融合中的应用[J].火力与指挥控制，2008（3）：74-76+79.

[2]王媛彬.多传感器信息融合概述及其应用[J].传感器世界，2010（12）：6-9+24.

[3]刘鹏等.基于D-S证据理论的鸡蛋新鲜度多传感器融合识别[J].农业机械学报，2011 （8）：122-127.

[4]吴晓平，等.基于模糊逻辑和证据理论的故障诊断方法[J].海军工程大学学报，2012 （1）：10-14+51.

作者简介：于宝明（1965―），男，陕西宝鸡人，副教授，研究方向：通信技术、故障诊断。