信息融合技术在飞行器故障诊断中的应用毕业论文.doc

信息融合技术在飞行器故障诊断中的应用摘 要近年来我国的航空事业发展迅速，飞行安全问题亟待解决，对飞行器准确进行故障诊断日显突出与重要。本文采用小波变换对飞机有关结构部件的健康监测信息进行特征提取，分别提取了小波系数的绝对值最大值、奇异值和标准差三个不同的特征，构建特征向量。飞行器故障诊断可利用的信息越多，诊断准确性就越高。只有充分利用有用的信息来对飞行器的故障进行诊断，才能提高故障诊断的精度和可靠性。因此故障诊断的有效性很大程度上与多信息融合效果密切相关。本文设计了基于广义回归神经网络和BP神经网络的故障诊断器，并运用其对提取的特征值进行了诊断研究。简要介绍了DS证据理论和加权融合的基本原理，在此基础上，针对信息的特征层融合和决策层融合，分别设计了基于DS证据理论和加权融合的信息融合策略，并分别结合广义回归神经网络和BP神经网络故障诊断器对飞行器的健康状态进行了诊断研究。结果表明，采用决策层融合策略的健康诊断效果更好。关键词：故障诊断；特征提取；信息融合；证据理论；加权融合The application of information fusion technology in aircraft fault diagnosis AbstractWith the rapid development of Chinese aviation industry, health diagnostic technology of aircraft has become more and more important to ensure the flight safety，so accurate fault diagnosis on aircraft is becoming more evident and important.This paper use the wavelet transform to accomplish the feature extraction of structural components of aircraft health monitoring information, By using the method of wavelet transform, the absolute maximum, singular value, and standard deviation of the wavelet coefficients were extracted respectively, and the feature vectors were constructed.In aircraft fault diagnosis, the more information available, the higher diagnostic accuracy. Only taking full advantage of useful information to diagnose the fault on the aircraft can improve the accuracy and the reliability. Therefore, the effectiveness of fault diagnosis is largely more closely related to information fusion. We have designed the fault diagnosis connector that based on generalized regression neural network and BP neural network information fusion, and use it for diagnosing the extraction of features. Briefly introduced the DS evidence theory and basic principles of weighted fusion, on this basis, according to the characteristic layer and decision-making layer of information fusion, we designed the information integration strategy based on DS theory of evidence and weighted fusion, and were combined with general regression neural network and BP neural network fault diagnosis connector on the health status of aircraft diagnostic studies. Results show that the strategy of decision-making fusion effect is better for the health diagnosis.Keywords: fault diagnosis; feature extraction; information fusion; evidence theory; weighted theory; 目 录1 绪论11.1 引言11.2 飞行器故障诊断技术研究现状11.2.1 飞行器故障诊断技术发展历史11.2.2 国内外应用研究现状21.3 信息融合研究意义及现状31.3.1 信息融合技术概述31.3.2 国内外应用研究现状31.4 本文的主要研究内容42 基于小波变换的信号处理62.1 小波变换方法62.1.1 连续小波变换72.1.2 离散小波变换82.1.3 Mallat 算法102.2 基于小波分解的信号特征提取113 故障诊断中的信息融合技术133.1 故障诊断技术中的信息融合理论133.1.1 信息融合基本原理133.1.2 故障诊断信息融合的理论基础133.2 信息融合的级别153.2.1 数据层融合153.2.2 特征层融合163.2.3 决策层融合173.3 故障诊断技术中的信息融合模型183.3.1 信息融合故障诊断的框架183.3.2 分层信息融合诊断功能模型193.4 故障诊断中的信息融合方法203.5 小结224 基于神经网络的飞机水平尾翼的健康诊断实验研究234.1 基于小波变换的飞机水平尾翼的特征提取234.2 基于广义回归神经网络飞机水平尾翼健康诊断254.2.1 广义回归神经网络方法254.2.2 基于小波分解和GRNN的飞机水平尾翼诊断方法284.3 基于BP神经网络飞机水平尾翼健康诊断304.3.1 BP神经网络方法304.3.2 基于小波分解和BP的飞机水平尾翼诊断方法334.4 小结345 基于信息融合技术的飞行器故障诊断技术研究355.1 基于证据理论的飞行器故障诊断技术研究355.1.1 D-S证据理论概述和基本概念355.1.2 D-S证据理论飞行器故障诊断模型375.1.3 D-S证据推理信息融合的基本过程385.1.4 基于D-S证据理论的飞行器故障诊断405.2 基于加权融合的飞行器故障诊断技术研究435.2.1 加权融合基本概念435.2.2 加权融合飞行器故障诊断模型445.2.3 加权融合推理信息融合的基本过程445.2.4 基于加权融合的飞行器故障诊断455.3 小结47结 论48社会经济效益分析49参考文献50致 谢51附录 基于小波分解特征提取部分程序清单52附录 GRNN部分程序清单53附录 BP部分程序清单54附录 D-S证据理论融合程序清单55附录 加权融合程序清单561 绪论1.1 引言故障从系统的观点来看，是指产品在规定的时间、条件下，因故不能实现规定的功能的现象。故障诊断是指设备在特定的工作条件下，根据机械设备运行过程中产生的各种信息判别机械设备是正常运行还是发生了异常现象，并判定产生故障的原因和部位，以及预测、预报设备状态的技术。几十年来，故障诊断技术不断吸收各门科学技术发展的新成果，诊断理论和应用有了很大的发展，它涉及控制论、信息论、系统论以及计算机科学等多方面的内容。故障诊断技术研究的主要内容包括：故障机理、故障信息处理技术、故障源分离和定位技术以及人工智能技术的应用研究。故障信息处理技术是故障诊断的前提，它在提高诊断的准确性和可靠性方面处于非常重要的地位，其主要包括故障信号检测和故障信号分析处理。由于大型复杂系统的故障机理十分复杂，目前还不能用精确的数学模型表示其运行状态，因此研究故障信息的智能处理技术对航空发动机这种大型复杂设备的故障诊断具有重要的意义。最近几年，信息融合技术在故障诊断领域也广泛得到重视，信息融合是一种多源信息综合处理技术，它能够充分利用各种类型传感器所提供的各种系统测量信息，通过对信息的关联、综合处理，实现对被测设备性能的更全面、准确的判断。我们将数据融合技术应用于飞行器故障诊断，提出了使用GRNN神经网络、BP神经网络和证据理论、加权融合的分层信息融合故障诊断系统，利用D-S证据理论、加权融合技术对神经网络飞行器故障诊断特征层和决策层的融合，提高了飞行器的故障诊断率，从而实现对飞行器故障的有效诊断。这对飞行器的飞行安全性、可靠性和其运营成本都具有重要的实际意义。1.2 飞行器故障诊断技术研究现状1.2.1 飞行器故障诊断技术发展历史飞行器故障诊断技术经历了20世纪60年代初的阈值诊断,70年代初的算法诊断,到80年代发展成智能诊断，随后形成了以诊断专家系统为平台的、集成多种诊断技术的综合智能诊断维护系统。目前智能诊断技术是当今世界发达国家的研究热点之一。在智能技术已有较深厚基础的国家中，机械、电子设备的智能故障诊断系统已基本完成了研究和试验的阶段，开始进入广泛应用的阶段。尤其在航空航天领域中，可靠性和维修性工程越来越受到重视，迫切需要利用自动故障诊断和维修的专家系统来保障飞机、火箭、卫星和导弹试验以及基地飞行试验的安全。计算机技术的快速发展促使人工智能技术在可靠性、维修性和保障性领域内得到广泛的应用，各种类型的故障诊断和维修专家系统已经应用于美国F-15战斗机、F- 16战斗机、B - 1B轰炸机等在役装备的故障诊断和维修中，有效地减少故障诊断时间和熟练维修技术人员的数量；各种 RMS管理和设计分析的专家系统，用于帮助装备设计师和可靠性工程师设计更加可靠、容易保障而且费用更低的武器装备；同时飞机健康诊断与系统维护技术已经发展得非常成熟，几乎所有的机载电子设备都具有内嵌测试设备(BITE)，用于检测和监控设备的故障。1.2.2 国内外应用研究现状世界上许多先进国家都致力于飞行器的健康诊断及时的研究和开发工作。从80年代开始，各种类型飞行器的故障诊断系统大批地问世。美国十分重视飞行器的故障诊断技术。各种类型的故障诊断和维修专家系统已经应用于美国 F- 15战斗机、F- 16战斗机、B - 1B轰炸机等在役装备的故障诊断和维修中，有效地减少故障诊断时间和熟练维修技术人员的数量；加拿大庞巴迪（Bombardier）飞机公司，2004年在其客户服务网站上捆绑了由加拿大case bank技术公司开发的一套飞机故障诊断支持服务系统Spotlight用于帮助飞机用户进行飞机故障的排故和决定准确的维修措施。Spotlight提供一站式(one stop)服务功能，即输入故障现象，除可以查询出相应的故障原因、解决措施外，还可以链接到相关服务通告(SB)、故障隔离手册（FIM）、图解零部件清单（IPC）等技术出版物。英国British Airway航空公司使用一个CBR系统CASE line作为波音747飞机的故障诊断系统，效果良好，之后又被用作协和式飞机的故障诊断。CASSIOPEE是一个值得关注的CBR故障诊断系统，它是由AcknoSoft(Paris)在KATE TOOLS的基础上为CFM-International而设计。CFM-International使用CASSIOPEE来维护波音737飞机上的CFM56-3引擎动力系统，它的案例库包含23000多个案例，案例的结构简单，约含有80个属性。国内重庆英康九龙智能控制有限公司在总结、消化、吸收国内外先进故障检测诊断技术和经验的基础上，结合人工智能、软件工程等领域中的一些新的方法组织力量研究开发了一套具有独立知识产权的“故障智能诊断预报系统”（简称INCON-FIDPS）。该公司在此基础上与中国西南航空重庆公司飞机维修厂经过一年多的合作努力，联手开发出了一套极具操作性的应用软件系统“B737飞机故障诊断与维修指导系统”。另外，国内在飞机故障诊断/排故方面的研究还有：空军第一航空学院潘茂生惠克翔从飞机故障诊断的特点出发，采用了神经网络的知识处理方法构建了一个基于飞机故障现象的故障诊断专家系统；中国民航学院董健康、耿宏研究了基于灰色关联模糊聚类算法的飞机排故优化方法，直接对飞机维修经验中的多种排故方法，依排除故障的可能性进行排序，并根据排序结果对排故障方法进行相似聚类，从而将排故经验与多因素决策算法进行有效综合，较好地解决了民航飞机故障诊断专家系统中多种故障原因的优化选择问题，并可直接给出排故障方法的选择指导，提高专家系统的指导水平和飞机排故效率；北京航空航天大学朱新宇、沈颂华开发了飞机电源系统故障诊断专家系统，利用专家系统理论对某型飞机电源系统进行了全面的分析，建立了完整的电源系统知识库，实现了实时状态监测和故障诊断，并能给出异常或故障信息，为基于CBR方法的飞机排故支持技术研究与应用整个飞机非航电系统采用专家系统进行故障诊断提供了经验。1.3 信息融合研究意义及现状1.3.1 信息融合技术概述信息融合是人类日常生活和其它各种逻辑系统中常见的基本功能。比如人类仅利用视觉或触觉很难判断事物的好坏，但如果再结合味觉和嗅觉等多种感官就可以进行更准确的判断。由于各种感官所具有的不同度量特征，可以综合利用它们来检测出不同时空范围的各种物理现象。近年来，由于新的传感器的出现、处理技术的提高使得在数据融合的实际应用成为可能。多传感器信息融合技术是上世纪70年代提出来的。虽然这门边缘学科的研究已经有几十年的历史，但至今还没有一个被普遍接受的定义。主要是因为其应用非常广泛，各行业会按自己的理解给出不同的定义。目前能被多数行业接受而又比较确切的定义可概括为：充分利用不同时间与空间的多种信息资源，采用计算机技术对按时序获得的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，使系统获得比各组成部分更优越的性能。1.3.2 国内外应用研究现状由于信息融合系统本身所具有的良好稳定性能、宽阔的时空覆盖域、较高的测量维数和良好的目标识别率以及较强的故障容错与系统重构能力等潜在特点，因此，信息融合技术很早就引起了各国的高度重视。早在上世纪70年代，美国的军事机构就着手研究数据的综合自动化处理，1973年，美国国防部资助了声纳信号理解系统的开发，信息融合技术最早就是在该系统中得到体现。整个80年代，美国三军总部高度重视数据融合在战术和战略监视系统的应用，并在信息融合技术研究方面投入巨资，一些军事系统也相继采用数据融合技术。信息融合技术最早发源于军事应用，近年来，信息融合的思想、方法在民用领域也被广泛使用。另外，各种信息融合组织和相关年会也提供了广泛和深入的技术研讨机会。信息融合技术属交叉学科，它是多种传统学科的综合，主要包括数字信号处理、控制论、人工智能和经典数学方法等。目前信息融合技术已获得了各领域的普遍关注和广泛应用，其思想和方法已成为智能信息处理的一个重要研究领域，在目标识别、医学诊断等各领域得到广泛应用。尽管信息融合技术己经获得了广泛地应用，但是在故障诊断领域中数据融合技术的应用与研究仍然停留在较低的发展阶段，尚有很大的发展空间。限制其发展的因素主要有：(1) 性能与成本的矛盾：数据融合必将涉及多传感器数据的获取，这无疑会增加信号检测系统的复杂性和成本，而客户很多时候只需要相对便宜、能够正常工作而又可靠准确的诊断系统；这是数据融合技术在故障诊断领域中发展的主要限制因素。(2) 系统的实时性难以保证：随着传感器数据的增加，系统结构随之复杂，必然导致系统计算复杂性也成倍增长。(3) 可移植性差：设备复杂性导致相应设备故障诊断系统专用性强，很难移植，这也是限制信息融合应用的一个重要因素。1.4 本文的主要研究内容本文从提高故障诊断的精度和可靠性出发，针对飞行器故障诊断中多信息的特点，将信息融合技术引入到设备故障诊断中来。本论文主要从以下几个方面的做了初步的研究：1. 飞机水平尾翼的声发射信号数据量太大，因此需要进行特征提取，我们需要用小波变换的方法对声发射信号进行处理，以便进行诊断。2. GRNN和BP神经网络通过对多类典型故障样本的学习，可实现对多类故障的诊断。本文从信息的有效组合出发，充分利用了各种信息，尽量提高确诊率。本文讨论了神经网络的结构，并通过实例进行了分析。3. 在故障诊断系统中，由于诊断对象的不确定性、系统噪声以及测量误差，所提供的信息一般是不完整、不精确和模糊的，所以故障诊断中存在大量的不确定性。针对故障诊断中的不确定性，本文运用D-S证据理论和加权融合来实现特征融合和决策，通过算例分析，论证了在故障诊断中采用D-S证据理论和加权融合可以提高故障诊断的精度和可靠性。本论文共分五章:第1章绪论简要介绍了故障诊断技术的发展概况、研究现状及信息融合技术的发展情况。第2章介绍了小波变换信号处理的方法，以及基于小波分解的特征提取。第3章介绍了设备故障诊断中的信息融合介绍了信息融合的定义、目的、结构、一般过程、常用方法，提出了故障诊断中的信息融合系统。第4章简要介绍了GRNN和BP神经网络的基本原理和特点，结合小波特征提取，最后，针对同一信号得到六种不同的诊断结果以及正确识别率。第5章介绍了D-S证据和加权融合的基本概念，建立了故障诊断的基本模型，并且说明了融合的基本过程，最终进行仿真验证，得到了特征融合和决策融合的诊断结果以及正确识别率。2 基于小波变换的信号处理小波变换属于时频分析的一种，是傅里叶(Fourier)分析深入发展过程中的一个新的里程碑。传统的时频信号分析建立在傅里叶变换的基础上。傅里叶分析使用的是一种全局的变换，要么完全在时域，要么完全在频域，无法表述信号的时频局部特性，而时频局部特性恰恰是非平稳信号的最根本和最本质的性质。为了分析和处理非平稳信号，人们对傅里叶分析进行了推广乃至根本性的革命，提出并发展了一系列的信号分析理论：短时傅里叶变换、Gabor变换、时频分析、小波变换、Randon一Winger变换、分数傅里叶变换、线调频小波变换、循环统计量理论和调频-调幅信号分析等。短时傅里叶变换分析的基本思想是：假定一个非平稳信号在分析窗函数的一个短时间间隔内是平稳的，移动分析窗函数，使、在不同的有限时间宽度内是平稳信号，从而计算出各个不同时刻的功率谱。从本质来讲，短时傅里叶变换使用一个固定的短时窗函数，是一种单一分辨率的信号分析方法，在信号分析上还是存在不可逾越缺陷。小波变换是一种信号的时间-尺度(时间-频率)分析方法。它具有多分辨率分析的特点，而且在时频域都具有表征信号局部特征的能力，是一种窗口大小固定不变但是其形状可改变，时间窗和频率窗都可以改变的时频局部化分析方法。小波变换在低频部分具有较高的频率分辨率和较低的时间分辨率，在高频部分具有较高的时间分辨率和较低的频率分辨率。很适合于探测正常信号中夹带的瞬态反常现象并展示其成分，所以被誉为分析信号的“显微镜”。与傅里叶变换相比，小波变换的最大特点便是它的分析精度可调。小波变换的基本思想是将实际信号看做不同频率分量具有不同的时变特征。变化较慢的信号具有较低频率成分的频谱，变化较剧烈的信号具有较高频率成分的频谱。小波变换以非均匀规律对时间轴和频率轴予以划分，从而在满足Heisenberg不等式的前提条件下，既有足够的时间分辨率对信号中的短时高频成分进行分析，又有足够的频率分辨率对信号中的缓变低频成分进行分析。利用小波变换进行动态系统的故障测量与诊断具有良好的效果。2.1 小波变换方法2.1.1 连续小波变换连续小波变换与短时傅里叶变换的不同处是窗函数不同，连续小波变换的特点是由小波基函数本身所具有的特点引起的。连续小波基函数的母函数选择既不是唯一的，也不是任意的。小波函数的确切定义为：小波变换的作用是将一个信号与一个在时域和频域上均具有局域化性质的平移伸缩小波权函数进行卷积，从而将信号分解成为与不同时宽和频带上的各个成分，基本思想就是用某函数族来表示或逼近观测信号。小波变换的基本方法是：选择满足时域积分为零的函数作为基本小波，通过将基本小波的伸缩、平移来生成一函数族，该函数族可以构成函数空间的一个框架，将待分析的信号向该框架上投影得到分解。原时间域上的信号在小波变换域上得到一个表示，通过多个尺度的分解，便能得到信号的时间尺度表达，从而能在变换域上达到最有效的信号处理目的。设，其中表示平方可积的实数空间，即能量有限的信号空间，其傅里叶变换为。当满足允许条件： (2-1)时，我们称为一个基本小波或母小波(Mother Wavelet)。将母小波经伸缩和平移后，就可以得到一个小波序列。将小波母函数进行伸缩和平移，就可以得到函数： (2-2)式中为尺度因子，为平移因子，称为依赖参数和的小波基函数。由于尺度因子和平移因子是连续变化的值，因此称为连续小波基函数。在式(2-2)中是用来对小波作伸缩的，以调整小波基函数覆盖的频率范围；平移因子的作用是确定待分析信号的时间位置，即用来调整小波基函数的时域位置；系数用来实现小波能量的归一化。和两个参数是小波变换的关键，它们联合起来确定了待分析信号的中心位置及分析的时间宽度。小波可以看作是一个双窗函数，即小波母函数及其傅里叶变换同时满足窗函数条件。当逐渐增大时，基函数的窗口也逐渐变大，而其对应的频域窗口(带宽)相应减小，中心频率逐渐变低。当逐渐减小时，基函数的时间窗口逐渐减小，而其带宽相应增大，中心频率逐渐升高。将不同，值下的的时频窗口绘在同一张图上，就可以得到小波基函数的相平面，如图2-1所示。t2 图2.1 连续小波变换描述对于任意的函数的连续小波变换为： 其逆变换为： (2-3) (2-4)2.1.2 离散小波变换在实际应用中，为了方便用计算机进行分析、处理，连续小波变换必须加以离散，这一离散是针对连续的尺度因子和平移因子的，成为离散小波变换。为了减小小波变换系数冗余度，将小波基函数的，限定一些离散的点上取值。 (1) 尺度离散：通常对尺度进行幂级数离散化，即令： (2) 位移离散：通常对进行均匀离散，以覆盖整个时间轴，并且采样间隔满足Nyquist采样定理，即采样频率大于等于该尺度下频率通带的二倍。结合(1)、(2)可知离散小波基函数可以写成： (2-5)离散小波变换系数表示为： (2-6)其重构公式为: (2-7)是一个与信号无关的常数。为了使小波变换具有可变化的时间和频率分辨率，适应待分析信号的非平稳性，需要改变和的大小，使小波变换具有“变焦距”的功能，实际中最常用的是二进小波变换。二进小波的稳定性条件：小波母函数为，其傅里叶变换为，若存在常数，当，使得： (2-8)若=称为最稳定条件。满足稳定条件的小波才能成为二进小波。取, 当小波函数满足（2-8）式的稳定条件时得到的小波为： (2-9)这类小波称为二进小波。假定有一放大倍数它对应观测到信号的某部分内容。如果想进一步观看信号更小的细节，就需要减小的值；反之，若想了解信号的主体，就要加大的值。因此离散二进小波变换被称为数学显微镜。2.1.3 Mallat 算法1987年，Mallat将计算机视觉领域内的多分辨率分析思想引入到小波分析中，即一种快速实现小波变换算法Mallat算法。Mallat算法在小波分析中的地位相当于FFT算法在经典傅里叶分析中的地位。Mallat算法的基本思想如下：假定已经计算出信号在分辨率下的离散逼近再，则在分辨率的离散逼近。通过用离散低通滤波器对滤波获。设尺度函数为，对应的小波函数为，由多分辨率分析可定义： (2-10)则任意的在空间的展开式为： = (2-11)将分解一次，即分别投影到,空间，即有： = (2-12)此时，和为尺度尺度上的展开系数，且 (2-13) (2-14)式中和分别为分辨率下的平滑系数和细节系数。经一系列的变换，可得到： (2-15) (2-16)上式说明尺度空间的平滑系数和细节系数可由尺度空间的平滑系数经滤波器系数，进行加权求和得到。将空间平滑系数进一步分解下去，可分别得到，空间的和。同样将尺度空间不断分解下去，可得到任意尺度空间称的和和。2.2 基于小波分解的信号特征提取小波分解，即多分辨分析(MRA)实际上是构造了一个在频率上高度接近空间的正交小波基，这些频率不同的正交小波基相当于带宽各异的带通滤波器。分解时小波函数相当于一个带通滤波器。多分辨分析区别于小波包分解之处在于多分辨分析仅对上一步分解的低频信号进行分解，而高频部分不进行分解。分解后的信号完整的反映了信号的全部信息，无冗余，无遗漏。信号的小波分解采用基于正交镜象滤波器和的方法。是低通滤波器，是带通滤波器，可分别通过和的内积获得： (2-17) (2-18)小波分解为: (2-19) (2-20)信号的多分辨率分析中，小波函数的伸缩把频率轴分为不同的频带，不同频带上的信息由小波函数的时间平移生成，所有频带的加法和完整的组成整个频率轴。对应内的函数；函数又可以由尺度函数的平移和伸缩生成，这些关系就是多分辨率分析表达的内容。信号s三层多分辨分析的分解树如图2.2所示。信号sA1D2A2D1D3A3图2.2 信号的小波分解示意图其中,分别为该次分解的低频信号，,分别为该次分解的高频信号。其中: ，。假设信号的采样频率为，那么分解后信号的频带分布如表2.2所示。四个信号,频带正好不相交的布满整频率轴，提供了信号s的无冗余，无疏漏的全部信息，图2.2信号小波分解的结果如表2.1所示：表2.1 分解信号及其频带信 号频 带以分解信号的能量为特征量，也即以各个独立频带内的能量为特征量构造信号的特征向量，可以较好的反映信号的特征，为状态的分类提供了依据。假设信号长度为n并进行k层分解，则 (2-21)表示分解后由低频到高频的各级信号，其中其能量表示如下： (2-22)原始信号的特征向量表示如下： (2-23)对上式进行归一化处理： (2-24) (2-25)归一化后的特征向量可以表示为： (2-26)由式(2-21)-(2-26)可以看出，通过小波分解，可以得到了信号的特征向量。将信号的特征向量与同一时刻的其他信号一起就可以构成用于故障诊断的完整特征向量。3 故障诊断中的信息融合技术3.1 故障诊断技术中的信息融合理论3.1.1 信息融合基本原理在信息融合系统中，不同传感器所检测的数据可能具有不同的特征，模糊或确定的，互补或相互矛盾的，实时或非实时的等。多源信息融合的基本原理是充分利用多个传感器数据，通过合理使用和组织这些观测信息，把它们在空间或时间的冗余、互补信息按照某些规则进行组合以获得被测目标的更准确的描述。信息融合的目标是通过对信息的合理组合来充分利用各个传感器所检测到的分离信息以弥补信息不完全，部分信息不精确或不确定造成的缺陷，能扩大信息处理系统的空间、时间、频率覆盖范围，支持信息共享，合理利用资源，使系统的性能指标、可靠性、稳健性、容错和反欺骗能力都得以提高。多传感器系统可以获得被检测目标和环境更多的信息量。多源信息融合与经典信号处理方法间的本质区别是信息融合所处理的信息具有更复杂的形式，并且可以出现在不同的抽象层次上。这些信息层次有数据层、特征层和决策层。3.1.2 故障诊断信息融合的理论基础故障诊断技术中的信息融合方法就是从不同的侧面获得更全的设备状态信息，从而可提高故障诊断的准确率和可靠性。下面我们以信息论中的基本概念：“熵”、“条件熵”、“平均条件熵”和“互信息”为基础，给出信息融合在故障诊断中的相关定义，并用信息论的知识论证信息融合在故障诊断中的可用性和有效性。定义1 为系统运行状态有限集，系统的运行状态用随机变量表示，系统状态的概率为，从而可得到系统运行状态的“熵”： (3-1)根据熵的定义可知，它代表的是系统运行状态的不确定度。定义2 以X表示某诊断信息，且设定X是值域为有限个离散值的随机变量，即，则当时，系统运行状态的条件熵为： (3-2)定义3诊断信息X己知时，系统运行状态的平均条件熵为： (3-3)定理1系统运行状态的条件熵必定不大于无条件熵，即： (3-4)证明：把式(3-3)带入式(3-4)可得：由全概率公式可得：所以，条件熵必定不大于无条件熵，证毕。定理1告诉我们在拥有信息X的条件下，系统状态的不确定性减小，从而可以提高系统诊断的准确率。定义4诊断信息X与系统运行状态的互信息为： (3-5)互信息的概念给出了信息X对系统运行状态信息量的贡献大小。X与的互信息越大，诊断信息X对确定系统运行状态的帮助越大，也就是说信息X的诊断贡献越大；反之，则信息X对诊断效果贡献越小。可再增加诊断信息Y以进一步减少系统运行状态的不确定性，由互信息的定义，与的互信息为： (3-6)根据定理1的证明方法可以证明： (3-7)由式(3-5)、式(3-6)和式(3-7)可知： (3-8) 式(3-8)说明，系统运行状态的不确定性因为诊断信息Y而有所减小。我们用表示信息对提供的额外信息，即： (3-9)由式(3-8)可知： (3-10)上式取“=”时，代表Y所提供的额外信息为0，也即Y所提供的信息对于诊断没有贡献。可以推断，“=”成立的充要条件是：对所有的，x和y，有 (3-11)从物理意义上看，下述情况下，Y不提供对诊断有意义的信息：(1) Y与相互独立；(2) Y与X线性相关。将参数、诊断信息X、Y推广到多维情形时，仍可得到上述结论。根据以上讨论可以看出，在故障诊断过程中，有效诊断信息的增加可以减小系统诊断的不确定性，提高诊断的可靠性和准确率。从而也就说明信息融合技术能够有效的提高系统故障诊断的可靠性和准确率。3.2 信息融合的级别按照数据融合中抽象的层次，一般把信息融合分为三个层次，即数据层、特征层和决策层。3.2.1 数据层融合如图3.1所示，数据层融合是指各传感器的原始信息不经预处理就进行关联、综合处理。首先关联所有传感器的观测数据，然后从中提取最有效的几种特征向量，并进行识别判断。数据层融合要求各种传感器必须观测的是同一物理现象，否则就只能在特征层或决策层进行融合。数据层融合通常用于多源图像复合、图像分析与理解、同类雷达波形的直接合成等。信号1信号2信号3融合特征提取识别图3.1 数据层融合数据层融合的主要优点是只有较少的数据量损失，可提供其它融合层次所不具有的细节信息，但因为融合所要处理的数据量太大，故处理代价高，实时性差；原始信息的不确定性和不稳定性要求融合时有较高的纠错能力；其它缺点还包括数据通信量大，抗干扰能力差等。从数据融合的角度看，由于没有办法对原始数据所有的特性进行一致性检验，数据层融合具有很大的盲目性，因此一般的应用不会直接在数据层上进行融合，但考虑到图像处理本身的特殊性，才保留了这一带有图像处理色彩的融合层次。3.2.2 特征层融合由图3.2可知，特征级融合首先提取各传感器原始信息的特征，然后由融合中心对所提取的特征信息进行综合分析和处理。一般说来，提取的特征信息必须能充分表示原始数据信息，最后根据特征信息进行分类判断。特征层融合可实现原始信息量的压缩，降低了对通信带宽的要求，有利于实时处理，而且因为其所选择