CN105975995B - 基于模糊偏好关系的多振动信号融合方法 - Google Patents
基于模糊偏好关系的多振动信号融合方法 Download PDFInfo
- Publication number
- CN105975995B CN105975995B CN201610362492.8A CN201610362492A CN105975995B CN 105975995 B CN105975995 B CN 105975995B CN 201610362492 A CN201610362492 A CN 201610362492A CN 105975995 B CN105975995 B CN 105975995B
- Authority
- CN
- China
- Prior art keywords
- signal
- fusion
- preference relation
- calculates
- moment
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/251—Fusion techniques of input or preprocessed data
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/253—Fusion techniques of extracted features
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Indication And Recording Devices For Special Purposes And Tariff Metering Devices (AREA)
- Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)
Abstract
本发明的基于模糊偏好关系的多振动信号融合方法,包括:a).获取滤波信号;b).计算模糊偏好关系;c).计算综合模糊偏好关系;d).计算权值;e).计算融合信号值;f).计算整个采集周期内的融合信号值;g).获取理想信号。本发明的基于模糊偏好关系的多振动信号融合方法,针对如何综合利用多个传感器的信息提高故障诊断的准确性,研究了加权融合算法,提出了基于模糊偏好关系的数据融合算法,剔除无关信息,对数据进行有效融合,为故障诊断的特征提取和识别提供更准确的信息。
Description
技术领域
本发明涉及一种多振动信号融合方法,更具体的说,尤其涉及一种基于模糊偏好关系的多振动信号融合方法。
背景技术
在故障诊断的过程中,诊断结果的可靠性与准确性与数据采集情况密切相关。然而,由于设备运行工况、故障信息复杂,单个传感器很难获得关于设备状态的全局信息,所提供的信息往往是不完善的,必然导致故障诊断准确率低,甚至出现漏检和误诊现象。随着数据融合技术的发展,多传感器的数据融合技术逐渐在故障诊断领域应用,克服了单一传感器的局限性。数据融合按照其在传感器处理层次中的抽象程度,可以分为三个层次:数据层融合、特征层融合和决策层融合。数据层融合属于最低层次的融合,是对传感器的原始数据及预处理各阶段上产生的数据信息分别进行融合处理,可以尽可能多地保持原始信息及现场数据,也可以提供其它较高层次数据融合所不能提供的更丰富、更精确、更可靠的信息,提供最优决策和识别性能。
平均加权法、自适应加权融合算法、卡尔曼滤波法等是故障诊断中常用的数据层融合算法。平均加权法缺少动态适应性,无法适应随机因素的影响。自适应加权算法需要传感器的先验知识,计算较为复杂,动态性不是很好。卡尔曼滤波算法具有良好的信号跟踪及估值能力,但由于信号噪声的影响,不同传感器所提供的传感器信号会产生一定的偏差,不利于真实信号的预测及估计。
发明内容
本发明为了克服上述技术问题的缺点,提供了一种基于模糊偏好关系的多振动信号融合方法。
本发明的基于模糊偏好关系的多振动信号融合方法,设利用n个传感器对设备的同一振动信号进行测量;其特别之处在于,通过以下步骤来实现:
a).获取滤波信号,将n个传感器m时刻采集的信号经滤波器处理后得到信号集合其中表示m时刻第i个传感器输出的信号,1≤i≤n;
b).计算模糊偏好关系,按照公式(1)计算步骤a)中所获取的n个信号中两两信号m时刻的模糊偏好关系
其中,1≤i≤n,1≤j≤n,i≠j;k>0;
c).计算综合模糊偏好关系,按照公式(2)计算m时刻第i个信号与其余n-1个信号之间的综合模糊偏好关系
其中,m表示时刻,1≤i≤n;
获取的n个信号m时刻的综合模糊偏好关系分别记为
d).计算权值,按照公式(3)计算m时刻各传感器信号的权值ωm:
得到
e).计算融合信号值,按照公式(4)将步骤a)中获取的n个传感器输出的信号进行融合得到m时刻的融合信号值Ym:
其中,(ωm)T表示ωm的转置;
f).计算整个采集周期内的融合信号值,按照步骤a)至步骤e)计算m时刻融合信号值的相同方法,计算得到整个采集周期T内的融合信号值Y={Y1、Y2、...、Yi、...、Yk},Yi为第i次的融合信号值,k为周期T的采集次数;
g).获取理想信号,对步骤f)中获取的整个采集周期内的融合信号值Y进行滤波,最终获得比较理想的、可真实反映设备故障的信号
本发明的基于模糊偏好关系的多振动信号融合方法,步骤b)中所述k的取值范围为:0<k≤100。
本发明的有益效果是:本发明的基于模糊偏好关系的多振动信号融合方法,针对如何综合利用多个传感器的信息提高故障诊断的准确性,研究了加权融合算法,提出了基于模糊偏好关系的数据融合算法,剔除无关信息,对数据进行有效融合,为故障诊断的特征提取和识别提供更准确的信息。
本发明的基于模糊偏好关系的多振动信号融合方法,无需预知传感器的先验知识,根据各传感器间的模糊偏好关系的变化调整融合算法的权值,具有很好的动态性,具有较强的抗干扰能力,对滚动轴承实际的多振动信号分析,验证了本发明算法在实际应用中的有效性。可以根据信号的实际情况调整参数k,有效抑制噪声,易于实现、灵活,可方便地应用于实际的多振动信号估计,为故障诊断提供更准确的参数。
附图说明
图1为本发明中模糊偏好函数dxy的曲线图;
图2为本发明中简化后的模糊偏好函数dxy的曲线图;
图3为本发明的仿真实验中5路模拟传感器输出的信号;
图4为本发明的仿真实验中采用本发明的信号融合方法获取的输出结果;
图5为本发明的仿真实验中采用平均值加权融合算法获取的输出结果;
图6为本发明的信号融合方法与平均值加权融合算法、基于相关函数的融合算法的估计偏差的对比图,曲线1为本发明的信号融合方法的估计偏差曲线,曲线2为基于相关函数的融合算法的估计偏差曲线,曲线3为平均值加权融合算法的估计偏差的曲线;
图7为5路模拟信号a、b、c、d、e的综合模糊偏好关系随时间的变化曲线;
图8为图7中5路模拟信号a、b、c、d、e的权值随时间的变化曲线;
图9为图3中前3路模拟信号a、b、c均增加5dB的高斯白噪声、其余信号不变,并经本发明的信号融合方法获取的信号曲线;
图10为图9中模拟信号a、b、c、e的权值与图3中模拟信号a、b、c、e权值的差别图。
具体实施方式
下面结合附图与实施例对本发明作进一步说明。
首先,阐述一下关于模糊偏好关系的求取方法:
在神经网络中,常用公式(5)表示的函数来计算两个样本之间的模糊偏好关系:
进来表征样本之间的有序结构。本文借鉴该思想,引入模糊偏好关系来表征信号之间的偏好程度,进而确定数据融合中各传感器的权值。
设x(n)和y(n)是两个确定性信号,则在m时刻瞬时值之间的模糊偏好关系可以表示为公式(6),其对应的函数曲线如图1所示。
其中,k为大于0的参数,控制偏好程度。
由图1中的函数曲线可以看出,当x(m)=y(m)时,dxy=0.5。当x(m)>>y(m)时,并且随着的Δx=(x(m)-y(m))的增大,逐渐减少至0,表示了瞬时值x(m)比y(m)大的程度;当x(m)<<y(m)时,并且随着|Δx|=(|x(m)-y(m)|)的增大,从0.5逐渐减少至0,表示瞬时值x(m)比y(m)小的程度。dxy将两者综合起来,表示了瞬时值x(m)与y(m)的模糊偏好关系,并且曲线的变化趋势可以描述信号间的偏好关系,差异小的,取较大值;差异大的,取较小值。
在数据融合过程中,只要能够表征两信号差异的大小就可以,并不要求表征信号瞬时值x(m)是比y(m)大还是小。因此,本文对dxy做了进一步简化,偏好关系如公式(7)所示,函数曲线如图2所示。
从图2可以看出,参数k取不同的值,dxy变化较大,信号的偏好关系程度也跟着发生变化,利用这一关系,在实际数据融合中,可以根据信号和噪声的强弱情况来调整k,控制信号间的偏好程度,有效抑制噪声。
本发明的基于模糊偏好关系的多振动信号融合方法,设利用n个传感器对设备的同一振动信号进行测量;通过以下步骤来实现:
a).获取滤波信号,将n个传感器m时刻采集的信号经滤波器处理后得到信号集合其中表示m时刻第i个传感器输出的信号,1≤i≤n;
b).计算模糊偏好关系,按照公式(1)计算步骤a)中所获取的n个信号中两两信号m时刻的模糊偏好关系
其中,1≤i≤n,1≤j≤n,i≠j;k>0;
该步骤中,所述k的取值范围为:0<k≤100。
c).计算综合模糊偏好关系,按照公式(2)计算m时刻第i个信号与其余n-1个信号之间的综合模糊偏好关系
其中,m表示时刻,1≤i≤n;
获取的n个信号m时刻的综合模糊偏好关系分别记为
d).计算权值,按照公式(3)计算m时刻各传感器信号的权值ωm:
得到
e).计算融合信号值,按照公式(4)将步骤a)中获取的n个传感器输出的信号进行融合得到m时刻的融合信号值Ym:
其中,(ωm)T表示ωm的转置;
f).计算整个采集周期内的融合信号值,按照步骤a)至步骤e)计算m时刻融合信号值的相同方法,计算得到整个采集周期T内的融合信号值Y={Y1、Y2、...、Yi、...、Yk},Yi为第i次的融合信号值,k为周期T的采集次数;
g).获取理想信号,对步骤f)中获取的整个采集周期内的融合信号值Y进行滤波,最终获得比较理想的、可真实反映设备故障的信号
融合效果验证和分析:
为了验证本发明提出的融合算法的效果和动态性,进行了以下仿真实验,仿真信号如图3所示,假定信号是相同精度的5路传感器进行的数据采集。信号a、b、c为振幅为5的正弦信号,均模拟采集到了有效信号,信号d为零值信号,模拟传感器失灵状态,信号e为5dB的高斯白噪声。采用本发明提出的改进算法的融合结果如图4所示,平均值加权融合算法的结果如图5所示。可以看出,本发明的融合结果在噪声抑制方面明显优于平均值加权融合算法。
融合精度分析:为了分析本文算法的精度,对融合结果与标准信号的估计偏差进行了计算,并与平均值加权和基于相关函数的融合进行了比较,曲线如图6所示,曲线1为本发明的信号融合方法的估计偏差曲线,曲线2为基于相关函数的融合算法的估计偏差曲线,曲线3为平均值加权融合算法的估计偏差的曲线;。可以看出,本发明算法的估计偏差在0值附近微小波动,明显小于平均值加权融合算法,除极少数点外,估计偏差基本与基于相关函数的融合算法一致,具有较高的融合精度。
对图6中的估计偏差进一步分析,得出偏差序列的均值、方差与标准偏差值,如表1所示。
表1
均值 | 方差 | 标准偏差 | |
平均值加权 | -0.0271 | 2.1101 | 1.4529 |
本文算法 | 0.00008 | 0.0063 | 0.0797 |
相关函数法 | -0.00067 | 0.0013 | 0.0358 |
表1中,标准偏差为融合结果与标准信号的偏离程度,采用公式(8)计算。
从表1也可以看出,本发明的融合算法精度明显优于平均值加权融合算法,接近相关函数法融合精度。但在本发明算法中,可以根据信号和噪声的强弱情况,调整参数k,调整信号间的偏好程度,有效抑制噪声,提高振动信号的检测精度。
动态适应性分析:图7为信号a、b、c、d、e的模糊偏好关系随着时间变化的曲线,图8为对应的权值分布曲线,可以看出对于传感器失灵输出的信号d和高斯白噪声信号e,其对应的权值很小,本发明的算法起到了对干扰信号的有效抑制作用,具有较好的动态适应性,而且可以根据信号的实际情况调整模糊偏好函数中的k值,便于取得更好的融合结果,方便、灵活。
抗干扰能力分析:为了分析本发明算法的抗干扰能力,对图3中的信号a、b、c增加5dB的高斯白噪声,其他信号不变。本发明融合结果经消噪后结果如图9所示,图10为模拟信号a、b、c、e的权值与图3中模拟信号a、b、c、e权值的差别图。从图10可以看出,除极少数点外,增加噪声后,各信号的权值基本不变。虽然有噪声的干扰,但利用模糊偏好关系计算得到的权值在数据融合中变化不是很大,从而说明,本发明的融合算法具有较好的抗干扰能力,可以识别有用信号。
Claims (2)
1.一种基于模糊偏好关系的多振动信号融合方法,设利用n个传感器对设备的同一振动信号进行测量;其特征在于,通过以下步骤来实现:
a).获取滤波信号,将n个传感器m时刻采集的信号经滤波器处理后得到信号集合其中表示m时刻第i个传感器输出的信号,1≤i≤n;
b).计算模糊偏好关系,按照公式(1)计算步骤a)中所获取的n个信号中两两信号m时刻的模糊偏好关系
其中,1≤i≤n,1≤j≤n,i≠j;k>0;
c).计算综合模糊偏好关系,按照公式(2)计算m时刻第i个信号与其余n-1个信号之间的综合模糊偏好关系
其中,m表示时刻,1≤i≤n;
获取的n个信号m时刻的综合模糊偏好关系分别记为
d).计算权值,按照公式(3)计算m时刻各传感器信号的权值ωm:
得到
e).计算融合信号值,按照公式(4)将步骤a)中获取的n个传感器输出的信号进行融合得到m时刻的融合信号值Ym:
其中,(ωm)T表示ωm的转置;
f).计算整个采集周期内的融合信号值,按照步骤a)至步骤e)计算m时刻融合信号值的相同方法,计算得到整个采集周期T内的融合信号值Y={Y1、Y2、...、Yi、...、Yk},Yi为第i次的融合信号值,k为周期T的采集次数;
g).获取理想信号,对步骤f)中获取的整个采集周期内的融合信号值Y进行滤波,最终获得比较理想的、可真实反映设备故障的信号
2.根据权利要求1所述的基于模糊偏好关系的多振动信号融合方法,其特征在于:步骤b)中所述k的取值范围为:0<k≤100。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610362492.8A CN105975995B (zh) | 2016-05-26 | 2016-05-26 | 基于模糊偏好关系的多振动信号融合方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610362492.8A CN105975995B (zh) | 2016-05-26 | 2016-05-26 | 基于模糊偏好关系的多振动信号融合方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN105975995A CN105975995A (zh) | 2016-09-28 |
CN105975995B true CN105975995B (zh) | 2019-03-15 |
Family
ID=56957144
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610362492.8A Active CN105975995B (zh) | 2016-05-26 | 2016-05-26 | 基于模糊偏好关系的多振动信号融合方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105975995B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110261771B (zh) * | 2019-06-21 | 2020-07-03 | 西北工业大学 | 一种基于传感器互补性分析的故障诊断方法 |
CN110852397A (zh) * | 2019-11-18 | 2020-02-28 | 燕山大学 | 一种基于相对波动的自适应信号融合方法及系统 |
CN111898705B (zh) * | 2020-08-18 | 2023-04-25 | 山东省计算中心(国家超级计算济南中心) | 一种基于模糊偏好关系与自适应层次聚类的故障特征参数选择方法 |
CN112598019B (zh) * | 2020-10-28 | 2024-04-02 | 南京航空航天大学 | 异类振动信号时空多互相关分析和自适应加权融合方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1477353A (zh) * | 2003-04-17 | 2004-02-25 | 上海交通大学 | 空调制冷机故障的模糊诊断方法 |
CN101614775A (zh) * | 2009-07-15 | 2009-12-30 | 河北科技大学 | 基于多源信息融合的变压器状态评估系统及其评估方法 |
CN102175282A (zh) * | 2011-01-24 | 2011-09-07 | 长春工业大学 | 一种基于信息融合的离心式空气压缩机故障诊断方法 |
CN104281899A (zh) * | 2013-07-03 | 2015-01-14 | 云南电力调度控制中心 | 一种新的基于信息融合的故障诊断方法 |
CN105160596A (zh) * | 2015-08-26 | 2015-12-16 | 云南电网有限责任公司电力科学研究院 | 一种基于gis平台的辅助故障定位及供电恢复方法 |
-
2016
- 2016-05-26 CN CN201610362492.8A patent/CN105975995B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1477353A (zh) * | 2003-04-17 | 2004-02-25 | 上海交通大学 | 空调制冷机故障的模糊诊断方法 |
CN101614775A (zh) * | 2009-07-15 | 2009-12-30 | 河北科技大学 | 基于多源信息融合的变压器状态评估系统及其评估方法 |
CN102175282A (zh) * | 2011-01-24 | 2011-09-07 | 长春工业大学 | 一种基于信息融合的离心式空气压缩机故障诊断方法 |
CN104281899A (zh) * | 2013-07-03 | 2015-01-14 | 云南电力调度控制中心 | 一种新的基于信息融合的故障诊断方法 |
CN105160596A (zh) * | 2015-08-26 | 2015-12-16 | 云南电网有限责任公司电力科学研究院 | 一种基于gis平台的辅助故障定位及供电恢复方法 |
Non-Patent Citations (3)
Title |
---|
Feature selection for monotonic classification;Qinghua Hu et al;《IEEE Transactions on Fuzzy Systems》;20121231;全文 |
Fuzzy preference based rough sets;Qinghua Hu et al;《Information Sciences》;20121231;全文 |
基于模糊偏序关系评估决策的智能信息融合;郭丽梅等;《传感器与微系统》;20081231;第27卷(第11期);全文 |
Also Published As
Publication number | Publication date |
---|---|
CN105975995A (zh) | 2016-09-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105975995B (zh) | 基于模糊偏好关系的多振动信号融合方法 | |
CN103809173B (zh) | 帧恒虚警目标检测跟踪一体化方法 | |
CN110454687A (zh) | 一种基于改进vmd的管道多点泄漏定位方法 | |
CN102419437B (zh) | 一种基于航迹检验的检测前跟踪方法 | |
CN106896407B (zh) | 一种基于近似负熵的微地震信号初至拾取方法 | |
CN107994885B (zh) | 一种同时估计未知输入和状态的分布式融合滤波方法 | |
CN101576586B (zh) | 一种基于自适应滤波的相位检测方法 | |
CN113901379B (zh) | 一种边缘端的实时数据动态在线快速处理方法 | |
CN108535708A (zh) | 基于反对称变换的雷达目标自适应检测方法 | |
CN108764119A (zh) | 基于迭代最大类间方差的sar图像变化检测方法 | |
CN110068727A (zh) | 一种基于Candan-Rife综合内插的单频信号频率估计方法 | |
CN103197297A (zh) | 基于认知框架的雷达动目标检测方法 | |
CN109901111A (zh) | 基于偏最小二乘回归的近场声源定位方法 | |
Chen et al. | A data-driven threshold for wavelet sliding window denoising in mechanical fault detection | |
CN109061591A (zh) | 一种基于序贯聚类的时频线谱检测方法 | |
CN108507782A (zh) | 一种强背景噪声下周期信号隐周期的检测方法 | |
CN112505665A (zh) | 适用于部分均匀混响环境的空时自适应检测方法及系统 | |
CN108986083A (zh) | 基于阈值优化的sar图像变化检测方法 | |
CN108718223B (zh) | 一种非合作信号的盲频谱感知方法 | |
CN115659136A (zh) | 基于神经网络的无线干扰信号波形识别方法 | |
CN107425928B (zh) | 一种信号合成方法及系统 | |
CN114118166A (zh) | 一种基于智能频谱监测的变压器故障诊断系统及方法 | |
CN113436645A (zh) | 复杂噪声环境下的机电系统故障在线监测声学处理方法 | |
CN110852397A (zh) | 一种基于相对波动的自适应信号融合方法及系统 | |
CN114324974B (zh) | 一种单星辐射源无源监测目标运动属性判别方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |