论文投稿_医学论文投稿_核心期刊,职称论文投稿发表_论文部落

　　从目前的文献来看，有的研究并没有很明确地使用组合神经网络方法，但是在前述２种结构中，特别是在多级信息融合中，常涉及到组合神经网络的结构，如文献在决策层之前对信号的处理和结构的设计上都应用了组合神经网络方法。

　　层次结构的信息融合故障诊断方法是一种比较通用的解决方案，因其３个层次和信息融合的３个层次关系紧密，大量文献的研究表明，所有方法的本质都可以归结到层次结构上，特别是特征和决策层融合。组合神经网络的方法同多级信息融合的方法类似，均是通过对多个局部融合结果融合获得全局性的决策，不同的是多级信息融合的方法先对传感器的信号进行了分类，然后通过网络分类器对所得特征信号进行组合，而组合神经网络的方法是直接对输入信号进行有效组合和分类得出初步融合结果，且２种方法的全局性决策算法也不一样。从所查文献来看，由于诊断问题的复杂性，在某一故障诊断领域，有时能用到２种或２种以上的诊断模型结构，比如文献就用到多级和组合神经网络２种模型；文献甚至涉及到全部３种诊断模型。由于诊断策略均是提取特征信息、融合特征信息、做出决策的流程，所以在具体实施的时候，根据不同模型的特点，结合诊断的具体领域选择合适的模型。一般对于较复杂的系统，很难用某一种结构模型解决，通常采用混合模型的诊断策略，较多采用的是将组合神经网络方法同其他２种结合。

　　３、基于融合算法的信息融合故障诊断方法

　　由于各种诊断结构能够实现的重要前提是算法的可行性，并且多源信息融合故障诊断方法是基于多源信息融合的一种诊断方法，因此可以从融合算法的角度对其进行划分。通常在故障诊断领域使用的融合算法是比较固定的，结合近年相关文献，可将其分为基于贝叶斯理论的信息融合故障诊断方法、基于ＤＳ证据理论的信息融合故障诊断方法、基于模糊集的信息融合故障诊断方法、基于粗糙集的信息融合故障诊断方法和基于人工神经网络的信息融合故障诊断方法。

　　３．１基于贝叶斯理论的信息融合故障诊断方法

　　贝叶斯理论是一种基于概率统计的推理方法。在故障诊断领域，基于贝叶斯理论的方法分为贝叶斯方法和贝叶斯网络（其中贝叶斯网络是将贝叶斯方法和有向无环图的网络拓扑结构有机结合的一种问题表示和求解模型），它们均以著名的贝叶斯公式为基础。该方法的另一个基础是设备运行是一个随机的过程，各类故障出现的概率一般是可以估计的。

　　贝叶斯推断存在着先验似然函数定义困难、要求各证据之间不相容或独立且缺乏分配总的不确定性的能力等问题。当然，贝叶斯推断的方法是最早应用于信息融合故障诊断的方法之一。例如：文献利用贝叶斯网络模型解决了齿轮泵故障诊断和电机故障诊断的问题。另外，基于贝叶斯理论的信息融合故障诊断方法在电力系统中的应用比较多。

　　３．２基于ＤＳ证据理论的信息融合故障诊断方法

　　证据理论又称ＤＳ理论或信任函数理论，是经典概率理论的扩展，其满足比贝叶斯理论更弱的公理系统，能够解决贝叶斯方法无法解决的“不确定”和“不知道”问题。证据理论的信息融合故障诊断方法概括起来就是先对每个传感器获得的信息计算各个证据的信度函数值；然后根据ＤＳ证据方法的组合规则计算所有证据联合作用下的信度函数值；最后根据给定的判决准则选择信度函数值最大的假设作为系统最终的融合结果。证据理论在多源信息融合故障诊断中应用十分广泛，例如：文献利用证据理论对故障进行决策级融合处理，解决了船舶电力推进系统故障诊断的问题；文献采用加权证据理论对发动机进行故障诊断，大大提高了诊断结果的可信度；文献研究了证据理论在机械故障诊断中应用的可行性。证据理论在决策层诊断中的应用尤为突出，因其有独特的优势：其一，能将相互交叉的不确定数据信息合理地分配到不同模式类别中，减少模式识别的不确定性，提高识别精度；其二，ＤＳ信息融合不需要训练样本，且在少量传感器的情况下，计算量小，识别率高。但是从文献中也可以看出，ＤＳ证据理论也存在着诸多问题，比如：对高冲突证据会产生有悖常理的结果，并且要求证据是独立的，等等。在实际应用中一般都是通过和其他算法融合或者改变权重的方法解决上述问题。

　　３．３基于模糊集的信息融合故障诊断方法

　　模糊集理论是基于分类的局部理论，并具有良好的自适应能力。其主要思想是将隶属度从０和１扩充到［０，１］区间的任意数值，满足对信息的不确定性描述。基于模糊集理论的信息融合故障诊断过程概括如下：设Ａ为故障诊断系统可能决策的集合，Ｂ为传感器的集合，Ｒ为Ａ和Ｂ的关系矩阵，Ｒ中的元素表示由传感器推断出某个决策的可能性，Ｘ表示各传感器判断的可信度，Ｙ是经过模糊变换得到的融合后各决策的可能性，即Ｙ就是融合结果，Ｙ＝Ｘ＊Ｒ。其中＊是模糊算子，其运算方法可以不同，因此可以形成多种模糊推理的方法。

　　基于模糊集的信息融合故障诊断方法可以用简单的方式表示不确定性问题，特别是不确定性是根据主观感受而非精确统计确定的，简单实用。同时，正由于这种情况的出现，使得隶属度函数的人为因素太大，在一定情况下影响诊断的准确性。文献探讨了模糊故障树分析的方法和步骤，并给出了相应的算例。文献提出一种将模糊集和模糊推理方法结合专家系统进行故障诊断的新方案。近年来，研究倾向于将模糊集和神经网络相结合的方法，文献和文献分别利用模糊神经网络对电动机和带式输送机的故障诊断进行了研究。

　　３．４基于粗糙集的信息融合故障诊断方法

　　粗糙集是一种刻画不完整性和不确定性的工具，能够有效地分析和处理不精确、不一致、不完整等不完备信息，并从中发现隐含的知识，揭示潜在的规律。因此，其在决策研究问题中有所应用。粗糙集的主要思想就是在保持分类能力不变的前提下，通过知识约简，导出问题的决策或分类规则。不同于模糊集理论注重描述信息隶属的程度，粗糙集强调了数据的不可辨别、不精确和模棱两可的性质，注重研究不同类中的对象组成的集合之间的关系。

　　在故障诊断领域，文献提出了一种基于粗糙集理论的诊断模型。该模型先从故障状态的原始数据出发，通过对数据预处理，建立起故障诊断决策表，然后对故障征兆进行属性约简和值约简，从而得到最大广义决策规则，再利用置信度、覆盖度及支持度３个指标对其进行评价，建立了精简的融合决策规则知识库。

　　由于粗糙集只能处理离散数据，所以需对征兆属性离散化处理，然后将离散化的征兆属性与融合诊断决策规则知识库中的规则进行推理与匹配，并对返回的诊断决策规则进行综合评价，得出诊断结论。

　　粗糙集理论虽然存在只能处理离散数据的局限性，但是其能够有效解决故障诊断中常存在的冗余和信息不一致的问题。因此，近年来粗糙集理论在故障诊断领域有着广泛应用。一般的，常将粗糙集理论和其他算法结合起来运用，如贝叶斯理论、ＤＳ证据理论、神经网络和专家系统。

　　３．５基于人工神经网络的信息融合故障诊断方法

　　该方法属于人工智能的故障诊断领域，是将人工神经网络引入信息融合故障诊断之中。由于模式识别和分类是神经网络的强项，所以一般应用于初级融合，当用于决策层级融合时，通常是结合模糊集理论进行故障判断。先通过传感器测试被诊断对象，获得相关隶属度值，将其作为神经网络的输入，经过融合输出各故障的隶属度值，最后对其决策判断。神经网络具有并行分布式处理、联想记忆、自组织及自学习的能力，并有极强的非线性映射特性，已经广泛应用于复杂系统的故障诊断。但是由于神经网络需要样本训练，在故障样本很难获取或者实时性较高的情况下，很难满足故障诊断的要求，而且还存在组合爆炸无穷递归等问题。当然用神经网络进行信息融合故障诊断的研究也很多，例如：研究人员利用神经网络的方法进行了故障诊断的研究.

　　３．６其他融合算法

　　除了以上几种常用融合算法以外，随机集理论也是一种近年来较为常见的融合算法。随机集理论是一种结合概率论和集合论的多源信息融合方法。由于其能够有效地统一诸如概率论、证据理论、模糊集理论、可能性理论和专家系统等几种常用不确定性理论，因此利用它研究多源信息融合故障诊断成为了当前的热点之一。例如：文献为实现模拟电路故障的准确定位，采用一种基于随机集与条件证据的融合先验知识的模拟电路故障诊断方法；文献为诊断并发故障，提出一种基于随机集理论的信息融合方法，并应用到电机柔性转子平台上，该方法显著提高了转子系统故障诊断的精度。此外，随机集理论常和证据理论结合起来进行故障诊断。为了解决算法的局限性，人们在研究过程中也尝试了一些新的算法。例如：文献采用了人工免疫算法，解决了ＰＣＢ电路信息融合故障诊断的问题；文献使用了灰色系统理论，将其与神经网络结合起来解决问题。

　　由于各种算法都有其局限性，因此在实际应用中更常见的是将两种或两种以上的算法结合起来用于故障诊断。例如，ＤＳ证据理论同神经网络结合；模糊集同神经网络结合；粗糙集或者模糊理论同贝叶斯网络结合；人工神经网络同粗糙集结合。

　　综合相关文献，基于贝叶斯理论的信息融合故障诊断方法在电力系统中的应用比较多，近年来，该算法的研究趋势是将粗糙集或者模糊理论同贝叶斯网络结合起来。ＤＳ证据理论应用的范围很广，在其应用研究中，需要解决高度冲突证据不能合成的问题，一般采用加权证据理论的方法对其进行处理。由于人工神经网络是一种智能化的研究方法，一直都是研究热点，并且由于神经网络和模糊集之间存在互补性和关联性，因此常将模糊集和人工神经网络结合在一起，但是近些年越来越多的研究将人工神经网络同粗糙集结合起来。

　　多源信息融合故障诊断的方法有很多，各有各的优缺点，也没有一个统一的通用理论或者结构解决一般性问题，其解决的问题多是系统性问题，结构复杂，理论性很强。目前，除了在旋转机械结构、电力系统、船舶工业、液压系统和电子电路等传统领域之外，多源信息融合故障诊断方法在输油管道、在轨航天器及水下机器人等领域也得到了较多的应用。

　　４、结语

　　近年来，多源信息融合故障诊断技术已取得了长足的发展，但从故障诊断的角度仍然有很多问题要解决，比如：传感器的选择和分布、数据的采集等，但是这类问题属于和具体问题密切相关的内容，不具有一般性。由于多源信息融合故障诊断方法的核心是信息融合，因此从信息融合的角度来看，未来发展趋势可能会集中在以下３个方向。

　　１）简洁有效的快速融合算法目前大多数的故障诊断使用的融合算法都是几种算法的集合，通过互补来得到较精确的融合结果，这就直接导致算法结构复杂、运行速度下降，因此需要寻找简洁、有效的新算法来满足故障诊断快速性、精确可靠性的技术要求。