一种大型复杂结构损伤诊断的多主体与信息融合方法
阅读：952发布：2020-05-19
专利汇可以提供一种大型复杂结构损伤诊断的多主体与信息融合方法专利检索，专利查询，专利分析的服务。并且一种大型复杂结构损伤诊断的多主体与信息融合方法，它涉及多主体与信息融合方法技术领域。一种大型复杂结构损伤诊断的多主体与信息融合方法它包含四个步骤。采用上述技术方案后，本 发明 的有益效果为：它的设计合理，可以有效提高各传感主体、 信号 处理主体、损伤诊断主体及决策级主体处理结果的准确度与可信性，对不一致的诊断结果进行冲突的消解，最终对大型复杂结构的损伤状态进行合理有效的诊断与评估。，下面是一种大型复杂结构损伤诊断的多主体与信息融合方法专利的具体信息内容。
1.一种大型复杂结构损伤诊断的多主体与信息融合方法，其特征在于它包含以下方法步骤：步骤一，系统先由传感主体SA分别对结构损伤状态信息进行观测，再经信号处理主体SPA作初步处理，提取结构损伤特征因子，产生各主体对大型结构各局部健康状态信息的信念；步骤二，数据层融合模块中的数据级融合主体DFA负责对传感主体SA及信号处理主体SPA送来的信息进行融合处理，去除冗余信息，使面向同一监测目标的不同传感主体SA能达到信息互补，该层融合主体可以采用加权平均、卡尔曼滤波等算法；步骤三，特征级融合主体对各信号处理主体SPA提取的结构损伤特征因子进行融合处理，得到结构综合的损伤特征因子；步骤四，决策层融合主体CIFA对不同主体的信念进行融合与决策，最终由综合决策主体对结构损伤的全局信息进行分析，从而对大型复杂结构损伤状态做出全局决策与评估。
2.根据权利要求1所述的一种大型复杂结构损伤诊断的多主体与信息融合方法，其特征在于：所述的步骤二中的数据层融合模块部分可以根据需要选用，也可以不经数据层融合模块直接将数据信息送到特征级融合主体FFA或损伤诊断主体DEA，由损伤诊断主体DEA对送来的信息进行损伤评估与诊断。
3.一种大型复杂结构损伤诊断的多主体与信息融合方法，其特征在于：所述的步骤三中的特征级融合主体可选用贝叶斯、D-S证据推理、模糊集理论等算法或几种算法的组合。
一种大型复杂结构损伤诊断的多主体与信息融合方法
技术领域
[0001] 本发明涉及多主体与信息同和方法技术领域，具体涉及一种大型复杂结构损伤诊断的多主体与信息融合方法。
背景技术
[0002] 随着科学技术的不断进步，经济社会各个领域迎来了快速的发展，各种大型、复杂工程结构和设施不断出现和日益增加，如大型飞机、卫星、空间站等航空航天飞行器结构，大型高楼大厦、大跨度桥梁等大型土木工程结构。这些结构所采用的材料复杂，包括钢筋混凝土、金属和各种复合材料等，这些大型复杂结构许多面临复杂恶劣的使用环境，容易受到各种外来冲击、腐蚀或材料疲劳等而产生不同程度的损伤，各类损伤累积到一定程度，将影响其承载能力和耐久性，使抵抗自然灾害的能力下降，甚至引发各种灾难性的突发事故,如何针对类似桥梁等大型工程结构的特点，利用先进的理论和方法，对结构的损伤进行有效的科学的诊断，对于防灾减灾、确保其安全服役，具有重大的理论意义和工程指导意义。
[0003] 所谓主体(主体)是指能够通过相互合作来共同求解自身难以完成的复杂问题的个体。主体(主体)能够自主地通过传感器感知外界环境，经过一系列的处理，利用驱动器对外界环境作出动作，如机器人主体利用摄像头、红外测距仪等作为传感器，各种马达作为驱动器，能自主完成各种任务。构成工程结构的材料多种多样，可能产生的损伤也各不相同，损伤所体现出的征兆也不同，如钢筋混凝土结构的疲劳裂纹等。随着损伤诊断技术的发展，产生了很多损伤诊断方法，这些方法共同之处是都要利用各种传感器获取结构的损伤信息，再利用小波分析、HHT变换等信号处理算法得到反映结构状态的损伤特征，利用各种损伤诊断算法对结构的损伤特征因子进行处理，最终得到结构的损伤类别、损伤位置、损伤程度等损伤信息。
[0004] 在传统的损伤识别过程中，损伤数据的采集、损伤特征因子提取与损伤模式确定是损伤识别的关键，决定着损伤识别结果的准确性。目前这三个环节都建立了一定的基础理论和方法，如损伤特征因子提取可以采用时域信号分析、快速傅立叶分析、小波分析、HHT﹙Hilbert-Huang Transform﹚分析等各种先进的时频信号处理技术，在损伤模式识别上，可以采用模式识别、人工神经网络、遗传算法、多主体协作等方法。这些方法对小尺寸的结构，在实验室环境下能取得满意的结果，但对于大型复杂实际工程结构，工作环境及造成的损伤复杂，外界干扰大，传感器优化布置、数据采集、特征提取以及损伤诊断等都还没有成熟的普适的理论与方法，有时还会给出错误的诊断结果。
[0005] 目前大型复杂结构损伤识别在以上三个环节主要面临如下困境：
[0006] (1)、对于某种损伤，采用某一种诊断手段很难测得结构准确的损伤特征信息，而采用多种诊断手段可能会得到不一致的结果，从多种诊断手段所获得的结果中得到准确的结构损伤信息有较大的困难；
[0007] (2)、对同一组诊断数据源，一般都能用多种信号处理算法及特征提取算法进行处理，但这些方法的诊断结果可能不一致，如何根据特征向量特点选取最能反映该损伤特征的方法，如何从不一致的结果中得到准确的结构损伤信息有较大的困难；
[0008] (3)、伤状态综合诊断与评估带来困难。
发明内容
[0009] 本发明的目的在于针对现有技术的缺陷和不足，提供一种大型复杂结构损伤诊断的多主体与信息融合方法，它的设计合理，可以有效提高各传感主体、信号处理主体、损伤诊断主体及决策级主体处理结果的准确度与可信性，对不一致的诊断结果进行冲突的消解，最终对大型复杂结构的损伤状态进行合理有效的诊断与评估。
[0010] 为实现上述目的，本发明采用以下技术方案是：步骤一，系统先由传感主体SA分别对结构损伤状态信息进行观测，再经信号处理主体SPA作初步处理，提取结构损伤特征因子，产生各主体对大型结构各局部健康状态信息的信念；步骤二，数据层融合模块中的数据级融合主体DFA负责对传感主体SA 及信号处理主体SPA送来的信息进行融合处理，去除冗余信息，使面向同一监测目标的不同传感主体SA能达到信息互补，该层融合主体可以采用加权平均、卡尔曼滤波等算法；步骤三，特征级融合主体对各信号处理主体SPA提取的结构损伤特征因子进行融合处理，得到结构综合的损伤特征因子；步骤四，决策层融合主体CIFA对不同主体的信念进行融合与决策，最终由综合决策主体对结构损伤的全局信息进行分析，从而对大型复杂结构损伤状态做出全局决策与评估。
[0011] 所述的步骤二中的数据层融合模块部分可以根据需要选用，也可以不经数据层融合模块直接将数据信息送到特征级融合主体FFA或损伤诊断主体 DEA，由损伤诊断主体DEA对送来的信息进行损伤评估与诊断。
[0012] 所述的步骤三中的特征级融合主体可选用贝叶斯、D-S证据推理、模糊集理论等算法或几种算法的组合。
[0013] 采用上述技术方案后，本发明有益效果为：它的设计合理，可以有效提高各传感主体、信号处理主体、损伤诊断主体及决策级主体处理结果的准确度与可信性，对不一致的诊断结果进行冲突的消解，最终对大型复杂结构的损伤状态进行合理有效的诊断与评估。附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1是发明中传感器监测级信息融合过程图；
图2是本发明针对大型复杂结构损伤监测的特征级融合过程图；
图3是本发明多传感器信息融合过程图；
图4是本发明分布式多主体大型复杂结构损伤诊断系统混合信息融合体系结构模型框架图；
图5是本发明基于遗传神经网络及D-S证据推理理论的多主体信息融合算法结构框图；
图6是本发明多主体协作与信息融合结构损伤系统的损伤诊断功能验证图；
图7是本发明PZT6采集的信号波形图；
图8是本发明BP网络监测结构示意图。
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1是发明中传感器监测级信息融合过程图；
图2是本发明针对大型复杂结构损伤监测的特征级融合过程图；
图3是本发明多传感器信息融合过程图；
图4是本发明分布式多主体大型复杂结构损伤诊断系统混合信息融合体系结构模型框架图；
图5是本发明基于遗传神经网络及D-S证据推理理论的多主体信息融合算法结构框图；
图6是本发明多主体协作与信息融合结构损伤系统的损伤诊断功能验证图；
图7是本发明PZT6采集的信号波形图；
图8是本发明BP网络监测结构示意图。
具体实施方式
[0014] 本具体实施方式采用的技术方案是：步骤一，系统先由传感主体SA分别对结构损伤状态信息进行观测，再经信号处理主体SPA作初步处理，提取结构损伤特征因子，产生各主体对大型结构各局部健康状态信息的信念；步骤二，数据层融合模块中的数据级融合主体DFA负责对传感主体SA及信号处理主体SPA送来的信息进行融合处理，去除冗余信息，使面向同一监测目标的不同传感主体SA能达到信息互补，该层融合主体可以采用加权平均、卡尔曼滤波等算法；步骤三，特征级融合主体对各信号处理主体SPA提取的结构损伤特征因子进行融合处理，得到结构综合的损伤特征因子，，提高可靠性；步骤四，决策层融合主体CIFA对不同主体的信念进行融合与决策，最终由综合决策主体对结构损伤的全局信息进行分析，从而对大型复杂结构损伤状态做出全局决策与评估。
[0015] 所述的步骤二中的数据层融合模块部分可以根据需要选用，也可以不经数据层融合模块直接将数据信息送到特征级融合主体FFA或损伤诊断主体 DEA，由损伤诊断主体DEA对送来的信息进行损伤评估与诊断。
[0016] 所述的步骤三中的特征级融合主体可选用贝叶斯、D-S证据推理、模糊集理论等算法或几种算法的组合。
[0017] 多传感器信息融合(Multi-Sensor Information Fusion,MSIF)是对人脑综合处理复杂问题的一种功能模拟，能利用计算机技术将来自多传感器或多源的信息和数据加以自动分析与综合，在时空上将冗余与互补的多源信息按照一定的信息融合算法进行处理，能够对多源信息给出一致性解释与可靠的评估，从而得出准确可信的结论。信息融合的最终目的是提高整个监测系统输出结果的有效性。
[0018] 按照对不同传感主体监测结果、不同信号处理主体处理结果以及不同损伤诊断主体的诊断结果进行多源信息融合的需求，应用于多主体结构损伤诊断系统的信息融合功能模型架构有传感器监测级融合﹑特征提取级融合和综合决策级融合3类。
[0019] 传感器监测级信息融合主要发生在原始数据处理之前，利用各种信息融合算法，对各类传感器所采集得到的各种数据进行融合处理。该层信息融合所能处理的原始信息多，融合的结果可信度高。例如，对钢筋混凝土多主体结构损伤诊断系统，对损伤诊断时所布置的电阻应变片、光纤布拉格光栅等传感器测量结果进行传感器监测级融合，其融合过程如图1所示。
[0020] 特征级融合不是直接对传感器的原始数据进行融合处理，而是利用各种信号处理算法从大量的原始测量数据中提取各种结构损伤特征参数，构建损伤特征向量，然后利用神经网络、模式识别等算法对进行综合分析和融合处理。如在对大型航空铝材壁板进行冲击损伤定位时，需要提取各传感器的波达时间等局部特征因子，而提取的方法有阈值法、最大能量法、互相关法以及小波分析法等，每种方法各有优缺点，很难用一种方法获得满意的结果。为此可在特征提取级对各种方法得到的局部特征值加以融合，以获得结构损伤的总体特征值。针对大型复杂结构损伤监测的特征级融合过程如图2所示。
[0021] 综合决策级融合所处层级最高，其融合处理的结果也最终决定系统的决策水平，能够为监测与决策提供依据。综合决策级融合主要是面向具体的领域需求，从具体决策问题出发，充分利用数据级、特征级融合的结果，对传感器采集的各种数据或其融合结果、特征提取级处理结果或融合后的结果做最后仲裁，利用合适的信息融合处理技术对这些繁杂的冗余而又含有互补的特征信息进行处理，从中提取出反映该领域最本质的信息。其融合过程如图3 所示。
[0022]
[0023]
[0024]
[0025] 假设结构损伤识别系统有n个传感监测源，并有N个损伤需要进行识别。每个传感监测源基于自己的观测与处理可以得到相应的局部特征数据，这样就可以有n个局部特征数据，通过进一步融合就可以得到来自n个传感监测源的总体特征，再经过综合决策得到结构的损伤状态信息。由于不同损伤状态下采集的信号特点不一样，在具体的信息融合算法上，很难用某一种方法来对所有的传感器采集的信息及其处理后的信息进行融合处理，大多数场合下需要根据具体的信号特点合理选用。能够应用于工程结构损伤识别的信息融合算法很多，如加权平均、卡尔曼滤波、参数估计(最小二乘法、极大似然估计、贝叶斯估计等)、Dempster-Shafer证据推理理论、模糊集理论、神经网络等。不同的方法对损伤敏感度及计算复杂程度不同，取得的效果则往往取决于研究对象和条件。根据航空铝材壁板结构特点，结合前期所做的大量研究工作，重点研究加权平均、Bayes融合、D-S证据理论、遗传算法、神经网络等融合算法原理，并以此为基础，结合多主体技术，研究大型复杂结构多主体损伤诊断系统信息融合技术。
[0026] 对于分布式多主体结构损伤诊断系统，通过系统中多个智能主体的协调协作，能够把分布在不同区域、具有不同功能的智能主体有机结合为一个整体，共同完成复杂的任务。但由于各主体常由于资源、知识、经验、技能等受限，对某一任务给出的处理结果可能出现冲突；多主体结构损伤诊断系统所处环境恶劣，且常常在动态变化，各主体得到的信息也一定程度上表现出不确定性和动态性，对于某个确定的明确的测量对象，可能不同的主体采集到的信息不同，这些信息可能包含大量冗余信息，也可能有一些是互补的，如果用传统的处理方法，不但会导致计算工作量激增，也可能导致有用信息的丢失，使任务难以完成；另外，对于同一个数据源，不同的信号处理算法也可能得到不同的结果，可能导致系统产生不同的判断结果，引起冲突。这些问题的存在会影响系统工作效果，严重的会导致整个系统任务的失败。
[0027] 针对上述问题，结合前面对信息融合技术与方法，如果在分布式多主体结构损伤诊断系统中采用多源信息融合技术，并结合多主体自身的自治性、社会性等特点，建立相应的融合方法，就既能去除系统中大量的冗余信息，又能合理利用不同主体间的互补信息，最终得到合理的结果。根据数据融合处理所处分布式多主体系统中的不同层级，系统中的信息融合包括数据级、特征级及决策级等三个层次的融合，每一层次所采用的信息融合算法也将根据所处理的数据特点而不同，如遗传算法、神经网络、D-S证据推理理论等混合结构，图4给出了按此思路所设计的分布式多主体大型复杂结构损伤诊断系统混合信息融合体系结构模型框架。
[0028] 图4中的各主体在中央协调管理主体(CCA)的管理与控制下，相互共享各自的信念、目标、意图、知识及技能，自动对采集的结构状态信息进行自动分析、加工和处理，再利用事先设计的信息融合算法有效实现对不同主体的诊断结果进行融合处理，并可根据需要采取一定的决策与行动。
[0029] 信息融合主体设计的关键是信息融合算法的设计。课题组通过对几种损伤识别信息融合方法的研究得知，每一种损伤诊断信息融合算法都可以在一定程度上解决损伤诊断中出现的不确定性问题及冲突，但是每种方法都存在一些不足。比如D-S证据推理理论在进行多源信息融合前需要知道各信息对融合目标的基本可信度分配基本概率分配函数，实际工程测量中较难操作，而人工神经网络能模拟人脑功能处理大规模数据及不确定信息。如果将遗传神经网络与D-S证据推理理论相结合，则能够较好处理精确信息和不确定信息，同时利用神经网络的自学习能力自动得到BPA。设计的基于遗传神经网络及D-S证据推理理论的多主体信息融合算法结构如图5所示。
[0030] 下面对所设计的多主体协作与信息融合结构损伤系统的损伤诊断功能进行验证。以铝材壁板结构为例。铝材壁板结构可能发生的损伤有静态载荷、冲击载荷以及螺钉松动三种，利用加载装置来模拟静态载荷，利用断铅及冲力锤模拟冲击载荷，利用扳手随机拧开固定壁板的螺钉来模拟螺钉松动损伤。
[0031] 损伤类型识别的关键是各传感主体(SA)对结构损伤状态参数的定期采集与识别。假设某一时刻在A1_7区域加载70N，同时在A3_6位置用断铅敲击，拧开第19颗螺钉，如图6所示。
[0032]
[0033]
[0034]
[0035] 下面分析损伤类型的识别过程。
[0036] ⑴静态损伤诊断部分
[0037] 系统采用YJ33电阻应变仪组成的静态传感主体YJSA1～YJSA8和无线传感节点组成的静态传感主体WSNSA1～WSNSA8两种手段，定期对结构进行观测，每个主体将诊断结果组成四维向量，表示第i区域的四个传感器观测值。每个SA对损伤发生与否且发生的概率作出自己的判断，YJSA和WSNSA的诊断结果(测量20次取平均)分别见表1、表2所示。
[0038] 表1 YJSA1～YJSA8诊断结果(με)
[0039]
[0040] 表2 WSNSA1～WSNSA8诊断结果(με)
[0041]
[0042] 设Θ＝{A1,A2,...,A8}，证据集合为E＝{E1,E2,...Ei...,En}，m1,m2分别对应该识别框架Θ上的信度函数分配，本实验则为与两种方法对应的的信度函数。两种方法对八个区域的静态损伤情况有自己的判断，分别记为m1(Ai)、 m2(Ai)。其中m1(Ai)表示YJSA方法获得的对第i区域损伤的信度赋值，m2(Ai) 表示WSNSA方法获得的对第i区域损伤的信度赋值，该信度赋值有采集的结构状态数据及专家经验(参见推理规则Rule1～Rule4，F_Rule 1～F_Rule 2.5) 决定，见表5.3。从表可知，YJ33电阻应变仪组成的主体以90％的概率支持m(A1)，以5％的概率支持m(A2)与m(A5)，而完全否定其它区域的损伤；无线传感节点gent以89％的概率支持损伤m(A1)，以6％的概率支持m(A2)，5％的概率支持m(A5)，而完全否定其它区域的损伤。这些信度值容易受环境及专家主观因素影响，在实际使用过程中需要通过BP神经网络不断学习。
[0043] 下面按D-S组合公式对m1(.)和m2(.)组合，见表3所示。
[0044] 表3 信度函数融合
[0045]
[0046] m1(.)和m2(.)这两批证据的冲突因子K为：
[0047]
[0048] 于是可得组合的信度函数为：
[0049]
[0050]
[0051]
[0052] 经过信息融合后的结论是：二者以99.32％的信任度支持m(A1)，0.37的信任度支持m(A2)，0.31的信任度支持m(A5)。可见经过信息融合之后，非常肯定地认为A1区域发生了损伤，置St2＝1，并将其送给损伤类型决策主体。
[0053] ⑵冲击损伤诊断部分
[0054] PZTSA监测结构声发射信号，当用断铅敲击壁板结构A3_6处时，声发射信号沿着结构向四周传播，各PZTSA接收到声发射信号并对这些信号低通滤波，消除外界高频干扰，留下原有信号的轮廓，再由ILSPA分别利用峰值检波、有效值检波等算法提取各声发射信号的峰值或有效值，若其中任一个PZT 采集到的信号峰值或有效值大于设置的阈值(取阈值为0.4V)，则认为有冲击损伤发生，将St0置1，否则认为没有冲击损伤。图7为PZT6采集的信号波形，由此可见其信号峰值大于阈值0.4V，则认为有冲击损伤，将St0置为1，并将其送给损伤类型决策主体。
[0055]
[0056] ⑶螺钉松动损伤诊断
[0057] 下面利用欧基里德距离算法和BP神经网络算法来识别松动的螺钉状态。
[0058] ①欧基里德最小距离算法
[0059] 进入螺钉松动监测进程后，PZTDRA依次激励板四周的PZT1～PZT12，PZTSA 循环采集与当前受激励PZT相邻的两个PZT传感器信号，提取信号峰值，一个循环结束即可得到一组24维向量，记为Mi(mi1,...,mi24)，i＝0,1,...,64。表示结构没有螺钉松动时测得的向量；Mi，i＝1,...,64表示第i颗螺钉发生松动时测量得到的向量，mi1,mi2分别为第i颗螺钉发生松动时PZT1激励，与其相邻的 PZT12和PZT2采集信号的峰值，mi3,mi4分别为第i颗螺钉发生松动时PZT2激励，与其相邻的PZT1和PZT3采集信号的峰值，以此类推。为提高各种螺钉松动情况下对应的标准模式的精度，对64颗螺钉松动情况下都要测量20次取均值，得到的65个向量作为专家知识存储到知识库，该知识库内容还应该随着环境的变化进行自学习(限于篇幅为列出)。在实际操作中mij往往采用变化量表示，因而可对标准模式进行改进，取各损伤模式与健康模式各向量的差值，记为M′i(m′i1,...,m′i24)，i＝0,1,...,64。
[0060] 其中m′ij＝mij-m0j，i＝0,1,…,64；j＝1,…，表示第i颗螺钉松动时激励第 (j+1)/2个PZT得到的其相邻PZT的损伤信号与无螺钉松动时健康信号的差值。
[0061] 实际测量时，若某颗螺钉发生了松动(假设只有一颗螺钉发生松动)，则启动螺钉松动监测进程并得到一组24维测试样本M′x(m′1,...,m′24)，利用欧基里德距离算法，分别计算M′x(m′1,...,m′24)与标准模式M′i(m′i1,...,m′i24)，i＝0,1,...,64的距离欧几里德最小距离对应的模式即为当前螺钉松动的损伤模式。
[0062] 表4为某螺钉松动测量得到的测试样本。对该损伤共测量20次，每次的都能得到一个这样的测试样本，共20个。BDEA调用方法库中的欧基里德最小距离算法，计算测试样本与知识库中65个标准模式的距离，欧氏距离最小对应的模式即为当前螺钉松动的损伤模式。20个测试样本就能得到20个识别结果，表5为BDEA调用欧基里德最小距离算法的识别结果，其中M19表示测试样本与模式19的欧式距离最小，即判断第19颗螺钉B19发生松动。从表可知，20次测量，有16次判定B19螺钉发生松动，有两次认为B17螺钉发生松动，认为B18、B20螺钉发生松动的各一次，而实际螺钉松动为B19，实际判定准确率为80％。
[0063] 表4 测试样本(单位：V)
[0064]
[0065] 表5 欧基里德最小距离算法识别结果
[0066]
[0067] ②BP神经网络方法
[0068] BP神经网络采用三层结构，采用Sigmoid函数作传输函数，BP网络的输入向量为测试样本的24位向量X＝{x1，x2，x24}，输出为识别结果{M0,M1,…M64}，表示螺钉松动对应的模式Mi。BP网络监测结构如图8所示。
[0069]
[0070] 神经网络设计完成后必须要用一些已知样本对其加以训练。为简单起见，将前面测量得到的65个标准模式M′i(m′i1,...,m′i24)，i＝0,1,...,64分别作为BP网络的训练样本，并用这些样本对其进行训练，训练完成后即可投入使用。在实际工作阶段，未知的螺钉松动测试样本输入网络，则由输出即可确定螺钉松动模式。
[0071] 将上例中B19螺钉松动测量得到的20个测试样本分别输入所设计的BP 网络，共得到20次识别结果，表6为BP神经网络识别结果，从表可知，20 次测量，有18次判定B19螺钉发生松动，有一次认为B17螺钉发生松动，有一次认为B20螺钉发生松动，而实际螺钉松动为B19，实际判定准确率为90％。
[0072] 表6 BP神经网络识别结果
[0073]
[0074] ③信息融合
[0075] 由表5-6所示结果可知，利用欧基里德距离算法及BP神经网络方法算法进行螺钉松动识别的结果有部分是冲突的，下面试图用D-S证据推理轮对此冲突进行消解，以提高系统测试的准确度。
[0076] 设识别框架Θ＝{B0,B1,B2,...,B64}，证据集合为 E＝{E1,E2,...Ei...,En}，m1,m2分别对应该识别框架Θ上的信度函数分配，分别对应欧基里德最小距离算法及BP神经网络算法。以两种方法对64颗螺钉松动情况监测结果的判断准确率作为D-S证据推理理论的概率密度分配，分别记为m1(Bi)、m2(Bi)。其中m1(Bi)表示欧基里德最小距离算法获得的对第i颗螺钉松动的信度赋值，m2(Bi)表示BP神经网络算法获得的对第i颗螺钉松动的信度赋值，该信度赋值由采集的结构状态数据及专家经验(即由表5-6识别结果得到)决定。对B19螺钉松动进行的20次监测数据并用欧基里德最小距离算法及BP神经网络算法识别后得到的信任度分配如表7所示。
[0077] 表7 两种算法的信任度分配
[0078] B0 B1 B2 B3 B4 B5 B6 B7 B8 B9 B10 B11 B12 B13 m1(Bi) 0 0 0 0 0 0 0 0 0 0 0 0 0 0m2(Bi) 0 0 0 0 0 0 0 0 0 0 0 0 0 0
B14 B15 B16 B17 B18 B19 B20 B21 B22 B23 B24 B25 B26 B27 m1(Bi) 0 0 0 0.1 0.05 0.80 0.05 0 0 0 0 0 0 0
m2(Bi) 0 0 0 0.05 0 0.90 0.05 0 0 0 0 0 0 0
B28 B29 B30 B31 B32 B33 B34 B35 B36 B37 B38 B39 B40 B41 m1(Bi) 0 0 0 0 0 0 0 0 0 0 0 0 0 0
m2(Bi) 0 0 0 0 0 0 0 0 0 0 0 0 0 0
B42 B43 B44 B45 B46 B47 B48 B49 B50 B51 B52 B53 B54 B55 m1(Bi) 0 0 0 0 0 0 0 0 0 0 0 0 0 0
m2(Bi) 0 0 0 0 0 0 0 0 0 0 0 0 0 0
B56 B57 B58 B59 B60 B61 B62 B63 B64
m1(Bi) 0 0 0 0 0 0 0 0 0
m2(Bi) 0 0 0 0 0 0 0 0 0
B14 B15 B16 B17 B18 B19 B20 B21 B22 B23 B24 B25 B26 B27 m1(Bi) 0 0 0 0.1 0.05 0.80 0.05 0 0 0 0 0 0 0
m2(Bi) 0 0 0 0.05 0 0.90 0.05 0 0 0 0 0 0 0
B28 B29 B30 B31 B32 B33 B34 B35 B36 B37 B38 B39 B40 B41 m1(Bi) 0 0 0 0 0 0 0 0 0 0 0 0 0 0
m2(Bi) 0 0 0 0 0 0 0 0 0 0 0 0 0 0
B42 B43 B44 B45 B46 B47 B48 B49 B50 B51 B52 B53 B54 B55 m1(Bi) 0 0 0 0 0 0 0 0 0 0 0 0 0 0
m2(Bi) 0 0 0 0 0 0 0 0 0 0 0 0 0 0
B56 B57 B58 B59 B60 B61 B62 B63 B64
m1(Bi) 0 0 0 0 0 0 0 0 0
m2(Bi) 0 0 0 0 0 0 0 0 0
[0079] 从表可知，欧基里德最小距离算法以80％的信任度支持B19，以10％的信任度支持B17，以5％的信任度支持B18及B20，而完全否定其它螺钉松动； BP神经网络算法以85％的信任度支持B19，以5％的信任度支持B17及B20，而完全否定其它螺钉松动。这些信度值容易受环境及专家主观因素影响，在实际使用过程中需要通过神经网络不断学习。
[0080] 下面按D-S组合公式对m1(.)和m2(.)组合，见表8所示。
[0081] 表8 信度函数融合
[0082]
[0083] m1(.)和m2(.)这两批证据的冲突因子K为：
[0084]
[0085] 于是可得组合的信度函数为：
[0086]
[0087] m(B18)＝0
[0088]
[0089]
[0090] 经过信息融合后的结论是：二者以98.97％的信任度支持B19，0.69％的信任度支持B17，0.34％的信任度支持B20。可见经过信息融合之后，判定结果为螺钉B19发生了松动，且经过信息融合处理后系统识别的准确率得到了较大提高。
[0091] 采用上述技术方案后，本发明有益效果为：它的设计合理，可以有效提高各传感主体、信号处理主体、损伤诊断主体及决策级主体处理结果的准确度与可信性，对不一致的诊断结果进行冲突的消解，最终对大型复杂结构的损伤状态进行合理有效的诊断与评估。
| 标题 | 发布/更新时间 | 阅读量 |
|---|---|---|
| 一种基于免疫学习的工业控制系统功能安全验证方法 | 2020-05-12 | 221 |
| 一种基于大数据挖掘的公共政策分析模型部署方法及其系统 | 2020-05-14 | 608 |
| 一种基于模糊动态贝叶斯网络的系统模糊可靠性分析方法 | 2020-05-13 | 669 |
| 一种基于贝叶斯网络的多方证据关联模型构建方法和证据链提取方法及装置 | 2020-05-18 | 141 |
| 一种基于不确定性量化的涡轮叶片热机械疲劳概率寿命预测方法 | 2020-05-13 | 865 |
| 一种多重不确定性的水库调度规则提取方法及系统 | 2020-05-14 | 301 |
| 基于贝叶斯网络法的柔性多状态开关可靠性分析方法 | 2020-05-17 | 350 |
| 一种基于深度学习的信息推荐方法 | 2020-05-08 | 876 |
| 基于贝叶斯网络的问答装置、方法及存储介质 | 2020-05-15 | 918 |
| 应用程序质量监测方法、装置、计算机设备和存储介质 | 2020-05-15 | 7 |
高效检索全球专利专利汇是专利免费检索,专利查询,专利分析-国家发明专利查询检索分析平台，是提供专利分析，专利查询，专利检索等数据服务功能的知识产权数据服务商。
我们的产品包含105个国家的1.26亿组数据，免费查、免费专利分析。
分析报告
专利汇分析报告产品可以对行业情报数据进行梳理分析，涉及维度包括行业专利基本状况分析、地域分析、技术分析、发明人分析、申请人分析、专利权人分析、失效分析、核心专利分析、法律分析、研发重点分析、企业专利处境分析、技术处境分析、专利寿命分析、企业定位分析、引证分析等超过60个分析角度，系统通过AI智能系统对图表进行解读，只需1分钟，一键生成行业专利分析报告。
QQ群二维码
意见反馈
意见反馈