信息融合课件.ppt

信息融合在电机故障诊断中的应用,目录,研究背景电机故障信息分类及传统方法基于信息融合的电机故障诊断技术D-S证据理论的应用及算例分析总结与展望参考文献,研究背景,自20世纪80年代以来，尤其是随着计算机技术的迅速发展和普及，电机设备故障诊断技术已成为一门跨学科的综合信息处理技术，它以可靠性理论、信息论、系统论为理论基础，涉及到诸多学科与技术，是一门实用性很强的新兴技术，正受到越来越多行业的重视。电机故障诊断过程的根本目的就是获取电机运行时的状态信息，并对电机性能进行评价，在电机故障诊断过程中，如何对大量信息进行处理和综合利用是电机故障诊断技术需要重点研究的问题。信息融合技术是当前迅速发展起来的一个热门技术，目前在电机故障诊断领域，这一技术得到了广泛的关注。,电机故障信息分析,电机故障诊断的首要问题在于指出不同故障的各自特征，这需要对电机故障信息进行分析。在故障诊断过程中，根据电机状态信息的物理特征来划分：（1）电机振动（如电磁振动,机械振动等）；（2）电机噪声（如电磁噪声、空气动力噪声、机械噪声、轴承噪声和电刷噪声等）；（3）电机运行中的过程量和过程参数（如电机工作时的电流、电压、频率、阻抗、输入输出功率、转速、转矩等过程量和过程参数等）；（4）其它信息（如电机表面温度、漏磁等）。这些信息从不同侧面、程度和层次反映了电机运行情况。,传统的电机故障诊断系统结构图,该诊断是基于单个参数、单个特征的。该故障诊断系统通过对某个可观测参数的特征提取判断是否存在故障特征从而做出诊断。诊断的可信度由模型的精度和信号处理的分辨率决定。在电机故障诊断领域中，由传感器所反映出的信息包含了大量的不确定性。不确定性主要有：传感器信号的不确定性信号采集和信号处理中的不确定性电机运行环境的不确定性和诊断过程的不确定性,基于信息融合的电机故障诊断技术,电机故障自电机发明以来一直是研究人员和制造商关心的问题。同时传统的电机故障诊断技术存在本身固有的不确定性，尤其是对于大型复杂的电机机组。在电机故障诊断领域尚处于起步阶段，之所以能将数据融合技术应用于故障诊断，是基于下面原因：1.传感器类型和数量多，需要处理的信息量增大；2.信号与特征之间的非线性；3.故障诊断中的不确定性。,电机故障的信息融合方法综述,利用信息融合技术进行电机故障诊断的方法很多，主要可归纳如下：（1）信号处理包括加权平均、自适应滤波、时域相关技术、频谱分析、时频分析、高阶谱分析、神经网络等技术，可对信号进行变换和重构，在不同的分析域中观察提取信号中蕴含的不同特征。（2）参数优化将不同的过程参数和信号指标进行重新组合和优化，产生更好的反映诊断对象的参数，其中的方法包括：尺度共轭法、遗传算法、多变量分析等。（3）统计和模式识别包括人工神经网络、统计决策理论、聚类分析等。（4）智能诊断这是一个决策级的融合过程，神经网络、贝叶斯推理、D-S证据理论、模糊推理等可被用于电机的智能诊断。,使用D-S证据理论,对于不确定性信息的处理，D-S证据理论方法提供了有效的手段。D-S证据理论是一种数据融合方法，其具有坚实的数学基础直观性强易于描述广泛用于信息融合和不确定推理等领域它能依据不确定性的信息进行推理因此更加准确全面地认识和描述诊断对象增加电机故障诊断的信任度。D-S证据理论具有很强的处理不确定信息的能力，它不需要先验信息，对不确定信息的描述采用“区间估计”而不是“点估计”的方法，解决了关于“未知”即不确定性的表示方法，在区分不知道与不确定方面以及精确反映证据收集方面显出很大的灵活性。,D-S证据理论,定义1令某条件E(或证据)下所有假设的有限集合U=x1,x2，xn为识别框架,U的所有子集所构成的集合为幂集，记为2U。定义2给定一识别框架U，U的幂集2U上的一个映射m:2U0,1在满足下列条件:(1)(2)时，称m(A)为A的基本概率分配函数或概率赋值。它表示对命题A的精确信任程度。定义3AU，如果m(A)0，则称A为信任函数Bel的焦元。定义4设信任函数Bel的焦元为A1,A2,An，则称为Bel的核。,定义5给定一识别框架U，m:2U0,1是U上的基本概率赋值(或可信度分配)，定义函数：Bel：m:2U0,1称函数Bel是U上的信任函数。其中，表示A的所有子集的可能性度量之和，也就是表示对A的总信任度，从而可知：定义6给定识别框架U，称为A的似然函数，记为pl(A)。也即那么，称Bel(A),pl(A)为A的信任区间。,定义7【Dempster组合规则】设Bel1和Bel2是同一识别框架U上的两个信任函数，m1和m2分别是其对应的基本概率赋值，相对应的焦元分别为A1，A2，.，Ak和B1，B2，.，Bk。又设那么，合成后的基本可信度分配函数m:2U0,1表示如下：在上式中，若K1,则m确定一个基本概率赋值;若K=1，则认为m1和m2矛盾，不能对基本概率赋值进行组合。由定义7给出的证据组合规则称为Dempster组合规则。对于多个证据的组合，可对证据进行两两综合，最终得出组合结果。,D-S证据理论的推理过程,在数据融合中应用D-S证据理论进行推理的基本过程如图所示，主要分为以下几个步骤：1.在深入分析决策问题的基础上，构造系统的命题集，即系统识别框架；2.针对目标信息系统，构造基于识别框架的证据体Ei,i=1,2,.,N；3.根据所收集各证据体的资料，结合识别框架中各命题集合的特点，确定各证据体的基本可信度分配mi(Aj),j=1,2,.,k;4.分别计算单证据体作用下识别框架各命题的信度区间Beli,pli；5.用D-S合成规则计算所有证据体联合作用下的基本可信度分配m(Aj)和信度区；6.根据具体问题构造相应的决策规则；7.根据该决策规则得出决策结论。,证据理论在信息融合中的推理过程图,D-S证据理论的应用及算例分析,对于一台电机，假如发现振动情况，那么振动的类型可能是机械振动或电磁振动，那么是哪一种情况还是兼而有之呢？,分析我们选取用三个独立的传感器来检测电机的两种可能故障，且假设机械振动为故障A,电磁振动为故障B,那么：识别框架为：故障A和故障B;幂集为：故障A、故障B、故障A，故障B;(其中故障A，故障B表示可能是故障A也可能是故障B，实际上就是无法准确区分这两种故障，故用不确定代替),假定经过三个传感器某次检测后判断得到关于故障A和B的可信度分配如表1所示,表1.三个独立传感器所测结果可信度分配,根据定义7的公式，我们可以计算传感器1和传感器2融合后的各故障的可信度分配,按照D-S证据理论的合成规则，将传感器1和传感器2融合后的结果与传感器3的判定结果再进行融合，得到最后的融合结果：,融合结果见表2所示,同样方法我们可以计算出：,表2.三个独立传感器所测结果可信度分配与融合结果,可以看出，每经过一次证据理论的融合，诊断结果的准确度都得到了一定程度的提高，而不确定度大大降低。所以在一定程度上采用传感器数量的增多能进一步提高诊断,应用中发现，尽管D-S证据理论的应用有一定的优势，但也发现了一些不足之处，具体表现总结如下。优点在于：D-S证据理论具有比较强的理论基础，即能处理随机性所导致的不确定性，又能处理模糊性所导致的不确定性；D-S证据理论可以依靠证据的积累，不断缩小假设集；D-S证据理论能将“不知道”和“不确定”区分开来；D-S证据理论可以不需要先验概率和条件概率密度。,小结,缺点在于：证据理论具有潜在的数据复杂度；在推理链较长时，使用证据理论很不方便；当基本概率赋值有一个很小的变化都可能导致结果很大的变化，甚至出现矛盾；当D-S证据理论在处理两个相互矛盾的基本概率分配函数时，得到的结果不理想。,神经网络和D-S证据理论,由于单纯使用D-S证据理论，仍然存在一些缺陷，于是提出了一种基于神经网络和D-S证据理论相结合的电机故障综合诊断模型,这样可以提高故障诊断的判决精度，有效的减少误判和漏报。神经网络的结构选取还可以根据具体的研究对象选择更合适的结构形式。比如可以采用BP网络、径向基网络、自组织网络、集成神经网络等。比如在测点很多的情况下，将各测点的信号可由各自对应的神经网络先诊断，这就将所测到的高维征兆信息空间分解成若干低维的征兆空间，从而完成单测点的局部诊断，而后将各神经网络的诊断结果利用D-S证据理论进行决策融合，最终得到综合诊断结果。,参考文献,1侯新国，夏立，吴正国.电机故障诊断中的信息融合利用问题研究.海军工程大学学报,2004,62孙向作,潘宏侠.基于多传感器数据融合的电机故障诊断.微计算机信息(测控自动化),2008,93付华,冯爱伟,单亚峰,徐耀松,王传英.基于信息融合技术的电机故障诊断.辽宁工程技术大学学报,2006,84稽斗，王向军.一种电机故障信息融合诊断方法研究.CSCAS20075倪国强,梁好臣.基于Dempster-Shafer证据理论的数据融合技术研究.北京理工大学学报.2001.26(3).6106王琳.多传感器信息融合技术及其应用.硕士学位论文，华北电力大学,20027王耀南,李树涛.多传感器信息融合及其应用综述.控制与决策,2001,168刘青松,钱苏翔,严拱标.基于多传感器的信息融合技术在电力系统中的应用.微计算机信息，2006，39张建文电气设备故障诊断技术中国水利水电出版社,200610马志刚,张文栋,王红亮D-S改进算法在数据融合中的应用.微计算机信息，2007，23,基于多传感器信息融合的红外小目标识别,第1组成员：安婷婷黄萍萍纪洁,融合方法,研究实例,改进方案,针对红外小目标难以识别且可信度低的问题，我们结合已有的识别算法，提出了一种基于D-S证据理论的多传感器信息融合的红外小目标识别方法，将小目标的灰度和速度信息作为主要识别证据,并在此基础上加入小目标的轨迹信息作为补充证据,以提高识别置信度。通过多传感器信息融合的方法达到证据积累的效果，大大提高了红外小目标的识别可信度。,对复杂场景下的红外小目标探测识别技术一直是监视和告警技术的重要组成部分。当目标距离较远时，目标在光学系统中所成的像是小目标(点和斑点目标)形态，而且目标的对比度比较低。小目标与面目标相比，由于成像面积小、信号弱、信噪比低、背景复杂、具有一定的运动性，所以检测识别小目标成为当前一个既热门又困难的课题。,背景介绍,一般的，空中小目标包括：真实目标(T)、诱饵(D)、随机噪声(N)和红外辐射星体(S)四种。空中小目标可以用来作为识别证据的信息主要是运动信息和灰度信息。首先利用运动信息区分出真实目标和诱饵与随机噪声、红外辐射星体的不同，这样识别框架为TD，N，S，再利用红外小目标平均灰度之比的信息区分出随机噪声和红外辐射星体，识别框架为T，D,空中小目标分类：,目标速度是通过连续L帧中目标质心的位移计算出来的,主要识别依据,补充证据,轨迹离散度:,轨迹角度差:,真实目标的斜率为k1,伴随诱饵的斜率为k2,证据融合方法的选择,有了主要识别依据，我们就可以运用D-S证据融合的方法进行数据融合。,使用基本的D-S证据融合时,是将各条证据看作相互平等的。,对于不同类型的证据,则需要考虑证据间的相互关系,选择相应的融合方法。,非平等D-S证据融合：若冲突严重,即判决偏向不一致时,则不进行融合；若冲突不严重,则不能简单地舍弃冲突的部分,而是要将冲突加以分配。,非平等D-S证据融合,定义1：设U为一识别框架，则函数m：,定义2：设m1和m2是同一识别框架U上的两个基本概率赋值,焦元分别为A1,Ak和B1,Bk，则,称m(A)为A的基本概率赋值。m(A)表示对命题A的精确信任程度,表示了对A的直接支持。,显然m(Ci)反映了完全支持融合后各个焦元的基本概率赋值。将m1设立为主要证据的基本概率赋值,设定证据关系因子p,0p1,m(U)m(U)时,A1即为判决结果,其中1和2为预先设定门限。对于第一次分类:根据经验选取1=0.80和2=0.1,关系因子p=0.8,采用“无轨迹信息的基本D-S证据融合”、“加入轨迹信息的基本D-S证据融合”,其判决结果如表6所示。对于第二次分类:同样选取1=0.80,2=0.1,关系因子p=0.8,采用“无轨迹信息的基本D-S证据融合”、“加入轨迹信息的基本D-S证据融合”和本文方法融合与判决结果如表8所示。,在小目标的灰度和速度信息的基础上加入轨迹信息作为补充信息,在利用灰度和速度信息后仍无法识别的情况下,采用改进的证据组合公式,将轨迹信息加入证据进行融合,提高了识别能力。,缺点,作为主要识别依据的运动信息和灰度信息，其传感器所采集的信息必须是十分可靠的，而这些信息仍受到环境、干扰、传感器故障等方面的影响，这样就直接导致最后的信息融合的结果产生偏差，使置信度降低。,改进方案,在提取主要识别依据和补充证据时，我们对每一种证据都利用多个传感器进行信息的采集，然后对采集后的信息赋予不同的权值，得到更加可靠的识别证据和补充证据。最后，将这些经过对传感器权值的计算的信息进行非平等D-S证据融合。,对于补充证据来说，在非平等D-S证据融合中是对主要信息起到一种“有限支持”的作用。因此，若在初步加权融合时，也将补充证据进行一次加权融合，反而使补充证据的置信度降低。所以，在加权融合中，我们只对主要识别依据做加权处理。,信息融合在指纹特征提取中的应用,随着计算机技术的迅速发展,信息安全问题随之受到人们的重视,而身份鉴别作为一种信息安全保障也面临了巨大的挑战。传统的身份鉴别主要是基于持有物或口令等方式进行,而持有物容易丢失或盗用,口令容易忘记,更为重要的是在网络为媒介的各个领域中,传统的身份鉴别显现出局限和弊端。于是为了满足信息时代的安全要求,产生了基于个人独特的生理或行为特征的自动身份鉴别,即生物特征识别技术。,研究背景,生物特征身份识别技术就是通过计算机利用人体所固有的生理特征或行为特征来进行身份鉴定的过程。已经用于身份识别的人体生理特征有脸像、指纹、虹膜、DNA等,行为特征有步态、签名等等(如图1)图1几种用来识别的生物特征,每一种生物识别技术在准确率、用户接受程度、成本等方面都不同,都有其自身的优势和缺点。指纹作为这些技术种运用比较早，比较成熟的技术，越来越多的受到广泛研究。指纹识别的优点：指纹是人体独一无二的特征，并且它们的复杂度足以提供用于鉴别的足够特征；如果要增加可靠性，只需登记更多的指纹、鉴别更多的手指，最多可以多达十个，而每一个指纹都是独一无二的；扫描指纹的速度很快，使用非常方便；读取指纹时，用户必需将手指与指纹采集头相互接触，与指纹采集头直接接触是读取人体生物特征最可靠的方法；指纹采集头可以更加小型化，并且价格会更加的低廉。指纹识别是使用最早和最为广泛的生物身份鉴定技术,能否从指纹图像中可靠地提取指纹细节特征信息直接影响到指纹匹配的精度和自动指纹识别系统的性能。,目前主流的特征点提取方法是基于细化图像的特征提取方法,这些方法大都包含各个预处理环节都可能产生新的伪特征点。考虑到不同的预处理方法将在不同位置产生不同类型的伪特征点,而指纹本身所固有的特征点在图像预处理过程中基本保持不变,因此,本文提出通过融合两种不同预处理方法所提取的特征信息来减少甚至消除在指纹图像预处理过程中新产生的伪特征点,然后根据特征点的结构信息来消除原始指纹图像本身所存在的伪特征点。,指纹信息预处理的方法,指纹图像规格化,式中，I(i,j)和G（i,j)分别为规格化前后的像素灰度值,M和Var为原始指纹图像的灰度均值和方差，M0和Var0为预置的灰度均值和方差。,基于Gabor滤波器的指纹图像增强算法用于增强指纹图像的偶对称Gabor滤波器如下,（2）,（3）,（4）,其中，u，v为滤波器的位置变量；x，y为频率通带和方向通带；Vx(x,y),Vy(x,y)分别是子块方向的水平和垂直分量；(x,y)是子块的方向角；f为指纹纹线频率。,指纹增强算法如下：1.将指纹图像分为WW的互不重叠的子块；2.分别计算纹线频率和各子块的纹线方向；3.利用式（2）分别为每个图像子块构建相应的增强模板；4.利用式（5）对所有子块内的像素点进行离散卷积运算：,（5）,G（i，j）为增强后的指纹图像像素的灰度值，滤波器的掩膜宽度取1111，X取10。,基于Bubble小波分析的多尺度指纹图像预处理方法由Bubble小波和高斯函数可计算出一组滤波器h(K)、g(k)。运用Mallat塔式快速算法,将图像信号逐级与h(K)、g(k)两个滤波器做离散卷积,可得到小波正交基下的分解系数:,(6)(7)(8)(9),图2Mallat快速算法示意图,分解过程如图2所示。用Ak代替G（i，j），继续进行小波变换，可实现多尺度分解。,基于上述小波分析的指纹图像预处理算法如下：1.对指纹图像G(i,j)进行k尺度小波分析,得到Hk和Vk;2.计算小波变换模Mk=mk(i,j):,(10),3.提取指纹脊线边缘的二值图。令:,(11),(12),其中m1是所有小波模值的中值；m2是将Mk划分成互不重叠的WW的子块后,各子块的中值；Ek是指纹脊线边缘的二值图。,4.求取指纹脊线边缘的多尺度综合图E：,（13）,按式（13）求取E图可充分利用小波分析的多分辨特性,既对指纹图像有较强的增强作用,又不会丢失指纹的细节信息。对大量指纹进行的试验表明,N=3时预处理效果较好。5.对E进行55的中值滤波,滤除结构性噪声,得到最终结果。,两种不同的预处理方法得到的结果如图3所示。图3(a)、(b)、(c)分别为原始指纹图像、Gabor滤波增强后的图像和小波分析处理后的图像。,图3（a）原始图像（b）Gabor滤波后图像（c）小波分析处理后图像,通过实验发现,两种预处理方法对特征点的提取都会引人误差。Gabor预处理方法能对破损的纹线有很好的修复,但改变了有些区域的纹线结构,易产生伪特征;Bubble小波分析预处理方法对指纹图像增强效果一般,但对纹线结构保留较好。用两种原理完全不同的方法进行指纹图像预处理所产生的伪特征点是不同的。因此,可以通过取两种不同预处理方法所提取的特征点集的交集来减少甚至消除在指纹图像预处理中产生的新的伪特征点。在此基础上,应用基于细节结构信息的去除伪特征点的规则对所取得的特征点集的交集中的各特征点进行分析判断,以此减少甚至消除原始指纹图像本身存在的伪特征点。,指纹细节特征分析指纹的细节特征主要有类型特征和结构特征两类。类型特征分为核型（Core）、三角形（Delta）和涡轮型（Whorl）三类结构特征包括端点（Endpoint）、分叉点（Bifurcation）、歧点、孤立点（Dot）、环点（Loop）、短纹（ShortRidge）等及其方向、曲率、位置等信息。端点和分叉点是最常用的结构特征点。在众多的指纹细节特征中,脊线端点和分叉点出现的频率最高,对噪声最不敏感,因此常用于细节匹配中。指纹细节特征点如图4所示。,图4指纹细节特征点,在得到可靠的细化二值图像后,只需要用一个33的模板便可将端点和分叉点的位置提取出来。对于细化后的二值图像,像素点的灰度值只有0、1两种情况,用0表示背景点灰度(白点),用1表示脊线点灰度(黑点),33的模板如图5所示。设Pi是二值化后的像素值,Cn(P)为Pi与P的交叉数,Sn(P)为像素P的8邻域内的脊线点数,则:,图5像素点P的33窗口,（14）（15）,显然,交叉数Cn(P)表示点P的8个邻域点中由白点变为黑点的次数,Sn(P)表示点P的8个邻域点中脊线点(即黑点)的数目。一幅完全细化的指纹图像只有以下3种脊线点。(1)端点:Cn(P)=1,Sn(P)=1;(2)连续点:Cn(P)=2,Sn(P)=2、3、4;(3)分叉点:Cn(P)=3,Sn(P)=3,通过信息融合提取特征点的步骤如下:(1)利用Gabor滤波法增强指纹图像并予以二值化、细化;(2)利用多尺度Bubble小波变换分割指纹图像并予以细化;(3)分别在同一幅原始指纹图像的两幅不同细化图像中提取细节特征,构成指纹图像的两个不同的特征点集;(4)取上述两个特征点集的交集作为该原始指纹的真实的细节特征点。以步骤(1)得到的细化图像中的特征点为中心,在步骤(2)得到的细化图像中相应位置的某个邻域内搜索相同类型的特征点,邻域大小取决于脊线宽度。若找到相同类型的特征点,则认为该点不是在预处理过程中产生的伪特征点,否则认为该点是伪特征点并予以去除。,本方法的实验结果如图6所示,其中图6(a)是Gabor滤波增强方法提取的指纹特征点分布图,图6(b)是基于Bubble小波分割方法提取的指纹特征点分布图,图6(c)是融合两者信息得到的结果。,图6信息融合方法提取特征点的过程及结果(端点,分叉点),从图6可以看出,信息融合法去除了图像预处理所产生的伪特征点,但原始指纹图像本身存在的伪特征点还未能去除。为此,采用基于结构信息的去除伪特征点的规则来剔除信息融合法所得的特征点集中的伪特征点。,图75种常见的伪特征,对图7所示的指纹细化图中常见的5类伪特征点及边界点,按照下述规则予以去除。(1)边界点:在图像边缘处提取出的特征点(主要是端点)大部分都是由于前、背景分割而产生的,因此,应将距离图像前、背景边缘一定阈值内的特征点去掉。(2)毛刺和短线:毛刺将产生分叉点和端点,短线产生两个端点,因此应查找距离在一定阈值内的特征点,并从其中一个端点出发,如果在一定阈值内使用脊线跟踪法可以到达另一个特征点,则认为其是伪特征点,两个特征点同时去除。(3)断点:如果两端点距离在一定阈值之内,且两端点的方向差不超过一定夹角,则认为两个端点为伪特征点。(4)孔洞和桥接:孔洞和桥接都是产生两个分叉点。当两个分叉点之间的距离小于一定阈值,且存在一条连接两个分叉点的脊线时,则认为其为伪特征点,予以去除。,实验分析,为了验证本方法的有效性,从采集的指纹库和国际指纹识别大赛FVC2004的指纹库中共选取80枚不同质量的指纹图像进行实验。按上述规则