基于多傳感器數(shù)據(jù)融合的噴水推進(jìn)泵空化分類(lèi)識(shí)別

蘇永生，王永生，段向陽(yáng)

(海軍工程大學(xué) 船舶與動(dòng)力學(xué)院，武漢 430033)

由于多傳感器數(shù)據(jù)融合技術(shù)可以對(duì)同類(lèi)或異類(lèi)的多傳感器信息進(jìn)行協(xié)調(diào)優(yōu)化和綜合處理，將各傳感器在空間和時(shí)間上的互補(bǔ)與冗余信息依據(jù)某種優(yōu)化準(zhǔn)則組合起來(lái)，從而減小信息的模糊性，擴(kuò)展時(shí)間和空間覆蓋面，克服單個(gè)傳感器的不確定性和局限性，提高系統(tǒng)的可信度，因此在現(xiàn)代測(cè)試信息處理中得到了越來(lái)越廣泛的應(yīng)用［1－5］。

本文針對(duì)噴水推進(jìn)泵實(shí)船空化測(cè)量環(huán)境的復(fù)雜多變性，利用多傳感器數(shù)據(jù)融合技術(shù)對(duì)測(cè)試信號(hào)進(jìn)行時(shí)間和空間上的融合，提高噴水推進(jìn)泵空化分類(lèi)識(shí)別的準(zhǔn)確度。

1 噴水推進(jìn)泵實(shí)船空化測(cè)量

整個(gè)測(cè)量系統(tǒng)由傳感器，信號(hào)調(diào)理模塊，數(shù)據(jù)采集卡，便攜計(jì)算機(jī)以及相應(yīng)的分析處理軟件組成，其組成結(jié)構(gòu)如圖1所示。

試驗(yàn)中通過(guò)測(cè)取噴水推進(jìn)泵內(nèi)的水聲信號(hào)和泵殼體振動(dòng)信號(hào)來(lái)確定泵的空化狀態(tài)，同時(shí)測(cè)取泵軸轉(zhuǎn)速和航速信號(hào)。航速通過(guò)422串口從計(jì)程儀引入，轉(zhuǎn)速通過(guò)HE－01霍爾式轉(zhuǎn)速傳感器測(cè)取，水聲信號(hào)通過(guò)RHS－30水聽(tīng)器獲取，振動(dòng)信號(hào)通過(guò)PCB加速度傳感器測(cè)取。數(shù)據(jù)采集卡采用了NI的PXI系列板卡，其中PXI－4472用來(lái)采集振動(dòng)和水聲信號(hào)，PXI－6251用來(lái)采集轉(zhuǎn)速信號(hào)，PXI－8431/2用來(lái)采集航速信號(hào)。所有信號(hào)同步采集，其中水聲信號(hào)和振動(dòng)信號(hào)采樣率分別設(shè)為 102.4 kHz和 51.2 kHz。

圖1 測(cè)量系統(tǒng)組成示意圖Fig.1 Schematic diagram of measurement system composition

試驗(yàn)船安裝有四臺(tái)噴水推進(jìn)泵，由于噴水推進(jìn)船在部分泵工作時(shí)容易進(jìn)入空化區(qū)，試驗(yàn)中主要測(cè)取了兩內(nèi)泵工作在無(wú)空化Ⅰ區(qū)、空化Ⅱ區(qū)和空化Ⅲ區(qū)三種工況，試驗(yàn)測(cè)量工況如圖2所示。圖中的三條空化限制線由泵廠家提供。

圖2 試驗(yàn)測(cè)量工況Fig.2 Operating conditions for the test measurement

2 多傳感器數(shù)據(jù)融合方法

由于實(shí)船測(cè)試環(huán)境的復(fù)雜性，測(cè)試信號(hào)難免受到各種噪聲的干擾。再加上空化信號(hào)的隨機(jī)性和瞬時(shí)性，使得空化特征捕捉的難度進(jìn)一步加大。受安裝環(huán)境的限制，實(shí)船測(cè)試時(shí)每臺(tái)泵對(duì)應(yīng)的位置只安裝了一個(gè)水聽(tīng)器和一個(gè)加速度傳感器。為了更準(zhǔn)確的獲取空化特征，首先對(duì)單類(lèi)傳感器的信號(hào)在時(shí)間上進(jìn)行融合，即選取某一穩(wěn)定工況下單傳感器N個(gè)時(shí)段的數(shù)據(jù)作為N個(gè)傳感器的輸出，依照某種規(guī)則對(duì)其進(jìn)行數(shù)據(jù)級(jí)融合，然后分別提取兩類(lèi)傳感器各自的特征，再將兩類(lèi)傳感器的特征組合起來(lái)進(jìn)行特征級(jí)融合，最后根據(jù)融合結(jié)果進(jìn)行分類(lèi)識(shí)別［6］。數(shù)據(jù)融合的結(jié)構(gòu)如圖3所示。

圖3 多傳感器數(shù)據(jù)融合示意圖Fig.3 Schematic diagram of multi-sensor data Fusion

2.1 基于奇異值分解的多傳感器數(shù)據(jù)融合算法

由于空化發(fā)生后，會(huì)輻射出強(qiáng)烈的噪聲并誘發(fā)振動(dòng)，此時(shí)水聲信號(hào)和振動(dòng)信號(hào)的能量都會(huì)增加。但空化的發(fā)生具有一定的隨機(jī)性和瞬時(shí)性，不同時(shí)段的數(shù)據(jù)可能包含不同程度的空化信息，分析時(shí)選取不同時(shí)段的數(shù)據(jù)可能會(huì)得到不一樣的結(jié)果。如果采用傳統(tǒng)的時(shí)域平均方法，可能會(huì)消弱空化的特征信息，特別是對(duì)于空化初生階段的微弱特征可能無(wú)法獲得。為此，分別將各穩(wěn)定工況下水聽(tīng)器和加速度傳感器的某一段測(cè)量數(shù)據(jù)分成N個(gè)不同時(shí)段，歸一化后作為輸入矩陣的N列向量，對(duì)該輸入矩陣進(jìn)行SVD分解，得到N個(gè)大小不同奇異值，這些奇異值的大小反應(yīng)了各段測(cè)量數(shù)據(jù)的能量分布［7］。根據(jù)奇異值的大小分別賦予各段數(shù)據(jù)相應(yīng)的權(quán)值，奇異值大的賦予較大的權(quán)值，奇異值小的賦予較小的權(quán)值，根據(jù)各段數(shù)據(jù)的權(quán)值進(jìn)行數(shù)據(jù)級(jí)的融合，這樣估計(jì)出的結(jié)果將有效地綜合考慮空化的隨機(jī)性影響，能更好的反映出空化的特征信息。

假設(shè)水聲信號(hào)和振動(dòng)信號(hào)分別為ai和vi(i=1，…，N)，經(jīng)奇異值分解后得到的奇異值分別為 σai和σvi，則對(duì)應(yīng)的權(quán)值分別為:

融合后的水聲信號(hào)和振動(dòng)信號(hào)分別為:

2.2 基于人工神經(jīng)網(wǎng)絡(luò)的特征分類(lèi)識(shí)別方法

相對(duì)于傳統(tǒng)的線性或簡(jiǎn)單的非線性分析方法，人工神經(jīng)網(wǎng)絡(luò)由于其較強(qiáng)的自適應(yīng)性和自學(xué)習(xí)能力，在模式識(shí)別等應(yīng)用領(lǐng)域得到了廣泛的應(yīng)用。本文利用神經(jīng)網(wǎng)絡(luò)對(duì)噴水推進(jìn)泵的空化狀態(tài)進(jìn)行分類(lèi)識(shí)別。如圖4所示，首先提取融合后的水聲信號(hào)和振動(dòng)信號(hào)的特征，然后將所有特征組合起來(lái)作為神經(jīng)網(wǎng)絡(luò)的輸入項(xiàng)，最后根據(jù)神經(jīng)網(wǎng)絡(luò)的輸出判別分類(lèi)識(shí)別的結(jié)果。

圖4 基于神經(jīng)網(wǎng)絡(luò)的分類(lèi)識(shí)別方法示意圖Fig.4 Schematic diagram of ANN-based classification method

3 噴水推進(jìn)泵空化分類(lèi)識(shí)別

根據(jù)上述方法，分別選取各穩(wěn)定工況下水聲信號(hào)和振動(dòng)信號(hào)的10 s數(shù)據(jù)，將其平均分成5個(gè)時(shí)段，作為5個(gè)傳感器的輸出，經(jīng)奇異值分解后計(jì)算其權(quán)值，如表1所示。

表1 各時(shí)間段數(shù)據(jù)的權(quán)值Tab.1 The weights of each time slice

根據(jù)奇異值分解得到的權(quán)值分別對(duì)水聲信號(hào)和振動(dòng)信號(hào)進(jìn)行數(shù)據(jù)級(jí)融合，然后分別提取各自的空化特征。研究表明，高階導(dǎo)數(shù)可以凸顯出信號(hào)的微小變化，有利于空化特征的提?。?］。針對(duì)聲壓信號(hào)和振動(dòng)信號(hào)及其二階導(dǎo)數(shù)序列，空化特征集的選取如表2所示。

表2 空化特征集組成Tab.2 Composition of cavitation feature sets

將水聲信號(hào)和振動(dòng)信號(hào)的上述特征量組合起來(lái)作為神經(jīng)網(wǎng)絡(luò)的輸入進(jìn)行分類(lèi)識(shí)別，輸入層節(jié)點(diǎn)數(shù)為12。三種工況信號(hào)對(duì)應(yīng)的輸出分別記為［0，1］、［1，0］、［1，1］，輸出節(jié)點(diǎn)數(shù)為2。為了對(duì)比單傳感器分類(lèi)識(shí)別和多傳感器數(shù)據(jù)融合分類(lèi)識(shí)別效果的差異，分別將水聲信號(hào)和振動(dòng)信號(hào)各自的特征作為神經(jīng)網(wǎng)絡(luò)輸入進(jìn)行分類(lèi)識(shí)別，對(duì)應(yīng)輸入層節(jié)點(diǎn)數(shù)為6。同時(shí)，為了說(shuō)明基于奇異值分解的數(shù)據(jù)融合算法的有效性，將其分類(lèi)識(shí)別結(jié)果同未經(jīng)融合的分類(lèi)識(shí)別結(jié)果進(jìn)行對(duì)比，其中未經(jīng)過(guò)奇異值分解的權(quán)值為0.2，采用奇異值分解后選用計(jì)算得到的權(quán)值。

分別采用BP網(wǎng)絡(luò)和RBF網(wǎng)絡(luò)作為狀態(tài)分類(lèi)器進(jìn)行特征級(jí)融合處理。BP網(wǎng)絡(luò)的隱含層層數(shù)和RBF網(wǎng)絡(luò)的徑向基函數(shù)分布密度經(jīng)多次訓(xùn)練后擇優(yōu)選取。每工況取100個(gè)樣本作為訓(xùn)練樣本，另外取40個(gè)樣本作為測(cè)試樣本，總的訓(xùn)練樣本和測(cè)試樣本分別為300和120。網(wǎng)絡(luò)訓(xùn)練滿足要求后，對(duì)測(cè)試樣本進(jìn)行分類(lèi)，分類(lèi)識(shí)別的結(jié)果如表3～表6所示。

表3 未經(jīng)奇異值分解的BP網(wǎng)絡(luò)識(shí)別結(jié)果Tab.3 Recognition rate based on BP network without SVD

表4 未經(jīng)奇異值分解的RBF網(wǎng)絡(luò)識(shí)別結(jié)果Tab.4 Recognition rate based on RBF network without SVD

表5 基于奇異值分解的BP網(wǎng)絡(luò)識(shí)別結(jié)果Tab.5 Recognition rate based on BP network with SVD

表6 基于奇異值分解的RBF網(wǎng)絡(luò)識(shí)別結(jié)果Tab.6 Recognition rate based on RBF network with SVD

就單一傳感器特征融合和多傳感器特征融合來(lái)說(shuō)，采用水聲信號(hào)和振動(dòng)信號(hào)組合特征的分類(lèi)識(shí)別結(jié)果都要優(yōu)于單一采用水聲信號(hào)或振動(dòng)信號(hào)特征融合的結(jié)果。即使沒(méi)有經(jīng)過(guò)奇異值分解融合，基于兩種神經(jīng)網(wǎng)絡(luò)的多傳感器特征融合的分類(lèi)識(shí)別率均達(dá)到了95%以上。此外，單就各個(gè)工況小樣本的分類(lèi)識(shí)別結(jié)果而言，工況3的識(shí)別率明顯要高于另外兩個(gè)工況。這主要是因?yàn)楣r3時(shí)空化已經(jīng)發(fā)展到一定程度，空化特征比較明顯，因此容易識(shí)別。而工況2處于空化初生階段，空化特征還比較微弱，增加了識(shí)別的難度。

對(duì)比兩類(lèi)神經(jīng)網(wǎng)絡(luò)的識(shí)別結(jié)果可以看到，無(wú)論是否經(jīng)過(guò)奇異值分解融合，基于RBF網(wǎng)絡(luò)的識(shí)別率都要稍高于BP網(wǎng)絡(luò)。值得注意的是，無(wú)論采用那種神經(jīng)網(wǎng)絡(luò)，經(jīng)奇異值分解融合后的分類(lèi)識(shí)別率明顯提高，均達(dá)到96%以上，工況1和工況2的小樣本識(shí)別率均有5%～10%的提高，尤其是基于奇異值分解融合的RBF網(wǎng)絡(luò)分類(lèi)識(shí)別率均達(dá)到了100%。由此可見(jiàn)，采用基于奇異值分解的權(quán)值算法將單傳感器信號(hào)在時(shí)間上進(jìn)行融合后，凸顯了信號(hào)的特征，提高了信號(hào)的可信度，可以捕捉到微弱的信號(hào)特征，尤其適合于空化初生的檢測(cè)和識(shí)別。

4 結(jié)論

本文結(jié)合奇異值分解融合算法和基于神經(jīng)網(wǎng)絡(luò)的多傳感器數(shù)據(jù)融合方法對(duì)噴水推進(jìn)泵的空化狀態(tài)進(jìn)行了分類(lèi)識(shí)別，主要結(jié)論如下:

(1)對(duì)于噴水推進(jìn)泵的空化狀態(tài)識(shí)別而言，基于RBF網(wǎng)絡(luò)的分類(lèi)識(shí)別效果要優(yōu)于BP網(wǎng)絡(luò);

(2)基于水聲信號(hào)和振動(dòng)信號(hào)的多傳感器數(shù)據(jù)融合的分類(lèi)效果明顯優(yōu)于水聲信號(hào)或振動(dòng)信號(hào)單一傳感器的分類(lèi)效果;

(3)經(jīng)奇異值分解融合后，分類(lèi)識(shí)別率有明顯的提高，增加了對(duì)空化初生微弱特征的檢測(cè)識(shí)別效果。

［1］ 徐冬芳，鄧飛其.基于多傳感器數(shù)據(jù)融合的智能故障診斷系統(tǒng)［J］.儀器儀表學(xué)報(bào)，2004，25(4):404－406.XU Dong-fang，DENG Fei-qi.Artificial fault diagnosis system based on data fusion algorithm［J］.Chinese Journal of Scientific Instrument，2004，25(4):404－406.

［2］ 黃建新.多傳感器數(shù)據(jù)融合技術(shù)在軸承故障診斷中的應(yīng)用研究［D］.武漢:武漢理工大學(xué)，2006.

［3］ 楊 雷.弱小目標(biāo)檢測(cè)與多傳感器數(shù)據(jù)融合跟蹤技術(shù)研究［D］.哈爾濱:哈爾濱工程大學(xué)，2007.

［4］ Dalberg E，Lauberts A，Lennartsson R K，et al.Underwater Target Tracking by Means of Acoustic and Electromagnetic Data Fusion［C］.9th International Conference on Information Fusion，F(xiàn)lorence，Italy，2006.

［5］ Li H K，Ma X J，He Y.Diesel Fault Diagnosis Technology Based on the Theory of Fuzzy Neural Network Information Fusion［C］.6th International Conference of Information Fusion，Cairns，Queensland，Australia，2003.

［6］ Hannah P，Starr A.Decisions in Condition Monitoring-an Examplar for Data Fusion Architecture［C］.3rd International Conference on Information Fusion，Pairs，F(xiàn)rance，2000.

［7］ 楊惠娟，張建秋.一種基于奇異值分解的動(dòng)態(tài)多傳感器數(shù)據(jù)融合算法［J］.傳感技術(shù)學(xué)報(bào)，2004，(3):440－445.YANG Hui-juan，ZHANG Jian-qiu.A SVD based multi-sensor data fusion algorithm［J］.Chinese Journal of Sensors and Actuators，2004(3):440－445.

［8］ Teder L，Pappel T.Detection of cavitation in pumps through higher order derivatives［C］.4th International DAAAM Conference“Industrial Engineering-Innovation as Competitive Edge for SME”，Tallinn，Estonia，2004.