石新發(fā) 劉東風(fēng) 孫云嶺

(中國(guó)人民解放軍91663部隊(duì)油液檢測(cè)分析中心1) 青島 266012)(海軍工程大學(xué)動(dòng)力工程學(xué)院2) 武漢 430033)

0 引 言

油液監(jiān)測(cè)技術(shù)在裝備保障中的應(yīng)用越來(lái)越廣泛，其作用也由裝備故障的檢出與診斷，拓展至裝備摩擦學(xué)系統(tǒng)技術(shù)狀態(tài)評(píng)估與態(tài)勢(shì)感知，多技術(shù)手段、多參數(shù)綜合監(jiān)測(cè)成為了油液監(jiān)測(cè)技術(shù)的應(yīng)用趨勢(shì)，監(jiān)測(cè)獲取的信息量將大幅增加,所獲取的信息比較分散，不宜直接進(jìn)行統(tǒng)計(jì)、判斷，且數(shù)據(jù)呈現(xiàn)出多源性、各異性、高維性和非線(xiàn)性的特點(diǎn)[1]，信息應(yīng)用中又存在協(xié)同、互補(bǔ)和冗余.雖然以往通過(guò)數(shù)據(jù)的直觀分析能夠獲取部分裝備狀態(tài)信息，但是一方面需要依靠經(jīng)驗(yàn)判斷，主觀因素影響較大，另一方面是無(wú)法獲取深層次的信息特征，實(shí)現(xiàn)裝備狀態(tài)的準(zhǔn)確評(píng)估.多源信息融合成為了油液監(jiān)測(cè)信息應(yīng)用的主要手段之一，而多源信息融合首先要解決的問(wèn)題就是融合模型的問(wèn)題，它關(guān)系到數(shù)據(jù)怎樣用、流程怎樣構(gòu)和結(jié)構(gòu)怎么建的問(wèn)題.

1 油液監(jiān)測(cè)多源信息融合內(nèi)涵

油液監(jiān)測(cè)多源信息融合就是要在獲取的大量不同技術(shù)手段的信息中，梳理清楚各信息源之間的關(guān)系和信息源內(nèi)部的指標(biāo)關(guān)系，從中選擇能夠表征裝備摩擦學(xué)狀態(tài)特征的指標(biāo)，在此基礎(chǔ)上提取并形成相應(yīng)的特征信息模型(數(shù)據(jù)集)，最終實(shí)現(xiàn)基于多源信息融合的裝備摩擦學(xué)狀態(tài)綜合描述.油液監(jiān)測(cè)多源信息融合主要包含以下幾個(gè)方面：信息關(guān)聯(lián)性分析、特征指標(biāo)的選擇、信息特征提取、信息的融合計(jì)算和基于信息融合的監(jiān)測(cè)系統(tǒng)的構(gòu)建與管理.

油液監(jiān)測(cè)信息的融合流程主要包括監(jiān)測(cè)信息的獲取、數(shù)據(jù)預(yù)處理、特征指標(biāo)的選擇、狀態(tài)信息特征提取、信息融合計(jì)算，然后依據(jù)融合結(jié)果的評(píng)估，實(shí)現(xiàn)監(jiān)測(cè)系統(tǒng)構(gòu)建與管理.從融合層次上看，包括數(shù)據(jù)層融合、特征層融合、決策層融合.基本融合流程圖見(jiàn)圖1.

圖1 油液監(jiān)測(cè)信息融合基本流程圖

2 油液監(jiān)測(cè)多源信息融合策略與框架

2.1 融合功能模型設(shè)計(jì)

如文獻(xiàn)[1]所述，由于存在多源性、各異性、高維性和非線(xiàn)性等特點(diǎn)，使得油液監(jiān)測(cè)多源信息融合的有很強(qiáng)的專(zhuān)用性，而目前較為常用的信息融合——JDL功能模型主要應(yīng)用于軍事領(lǐng)域[2]，因此本文在其基礎(chǔ)上，進(jìn)行相應(yīng)的修改和重定義，以適用于油液監(jiān)測(cè)多源信息融合.

1) 數(shù)據(jù)預(yù)處理層 該層主要完成多源數(shù)據(jù)和不同類(lèi)數(shù)據(jù)的配準(zhǔn)，使之能在一個(gè)框架內(nèi)進(jìn)行分析與處理.由于油液監(jiān)測(cè)信息涉及手段多，數(shù)據(jù)單位形式各異，數(shù)據(jù)的量級(jí)上差別也很大，因此必須首先完成數(shù)據(jù)預(yù)處理.數(shù)據(jù)預(yù)處理層是信息融合系統(tǒng)的基礎(chǔ)，其性能直接影響到融合的結(jié)果.

2) 特征提取選擇與提取層 該層主要完成油液監(jiān)測(cè)信息源間的信息關(guān)聯(lián)性分析，理清楚信息之間的關(guān)系；進(jìn)行信息特征選擇，減少冗余信息的分析與處理[3]；提取與裝備摩擦學(xué)系統(tǒng)狀態(tài)相關(guān)的信息特征，實(shí)現(xiàn)油液監(jiān)測(cè)信息協(xié)同、互補(bǔ)和信息降維等.

3) 狀態(tài)估計(jì)層 該層主要處理特征信息，按照一定的數(shù)學(xué)算法和規(guī)則對(duì)特征信息進(jìn)行融合，對(duì)裝備摩擦學(xué)系統(tǒng)進(jìn)行狀態(tài)估計(jì).此層是整個(gè)融合模型的核心，算法的選擇在此層尤為重要，直接決定著融合系統(tǒng)的性能優(yōu)劣.

4) 過(guò)程評(píng)估與優(yōu)化 該層的功能基本與JDL模型相似，但是在優(yōu)化中，不但要優(yōu)化評(píng)估過(guò)程和傳感器的管理，還要優(yōu)化檢測(cè)分析流程與故障診斷策略，實(shí)現(xiàn)信息獲取與融合的整體優(yōu)化.

2.2 油液監(jiān)測(cè)多源信息融合策略

按照?qǐng)D2所示的裝備故障發(fā)展過(guò)程，以及各監(jiān)測(cè)信息源的信息特征，參照文獻(xiàn)[4]，將油液監(jiān)測(cè)信息分為功能型、指標(biāo)型和過(guò)程型三類(lèi)特征信息.

圖2 裝備故障發(fā)展過(guò)程

功能型特征指不具有時(shí)間依賴(lài)性，定性特征明顯，且對(duì)能夠表征裝備損傷或故障程度的指標(biāo)，比如分析式鐵譜信息.

指標(biāo)型特征指有瞬態(tài)時(shí)間屬性，能夠定量表達(dá)，且能夠與標(biāo)準(zhǔn)或要求的參數(shù)值或范圍對(duì)比，表征裝備狀態(tài)的指標(biāo).此類(lèi)信息重點(diǎn)是指污染類(lèi)信息，比如潤(rùn)滑油進(jìn)海水后，水分含量與鈉、鎂元素濃度；潤(rùn)滑油進(jìn)燃油后，閃點(diǎn)、黏度的變化，黏度、閃點(diǎn)也具有一定的過(guò)程型信息的特征，但表現(xiàn)沒(méi)有指標(biāo)型信息的特征明顯.另外，PQ值和直讀鐵譜的大顆粒數(shù)在一定程度上也具有指標(biāo)型信息的特征，但也具有一定過(guò)程型信息的特征，在處理過(guò)程中應(yīng)當(dāng)區(qū)別對(duì)待.

過(guò)程型特征信息指具有很強(qiáng)的時(shí)間依賴(lài)性的時(shí)變指標(biāo)，在某一時(shí)刻，這類(lèi)指標(biāo)可能在一定范圍內(nèi)有隨機(jī)性，但是整體變化趨勢(shì)隨時(shí)間呈現(xiàn)一定的規(guī)律性的.此類(lèi)特征的代表是原子發(fā)射光譜中的磨損信息和紅外光譜中的油品劣化信息以及理化指標(biāo)分析中的酸堿值、機(jī)械雜質(zhì)等.

在融合設(shè)計(jì)中，功能型特征參與信息融合時(shí)采用串聯(lián)式融合，所在節(jié)點(diǎn)的輸入是前一融合節(jié)點(diǎn)的輸出，這樣該節(jié)點(diǎn)本身就可以具有一定的決策能力.將表征油品污染(進(jìn)水、進(jìn)燃油等)的指標(biāo)型特征信息采用并聯(lián)式融合方式融合，在進(jìn)行決策時(shí)，采取兩種方式，①在日常監(jiān)測(cè)中，可以利用指標(biāo)型特征信息融合結(jié)果直接進(jìn)行決策，比如：更換潤(rùn)滑油，查找故障原因等；②在任務(wù)中或緊急狀態(tài)下，與過(guò)程型、功能型特征共同融合決策.將過(guò)程型特征采用狀態(tài)級(jí)融合結(jié)構(gòu)中的分布式融合結(jié)構(gòu)融合，首先進(jìn)行數(shù)據(jù)的預(yù)處理與特征選擇，其次從單信息源的角度進(jìn)行狀態(tài)判定，第三進(jìn)行提取能夠表征裝備技術(shù)狀態(tài)的特征信息，第四開(kāi)展裝備信息融合.另外，在原子發(fā)射光譜、紅外光譜等定量明顯、檢測(cè)效率高、檢測(cè)指標(biāo)相對(duì)全面的技術(shù)手段信息，可以針對(duì)性的設(shè)計(jì)信息融合方法，實(shí)施兩手段的共同融合，整體上初步掌握裝備摩擦學(xué)系統(tǒng)技術(shù)狀態(tài).

2.3 油液監(jiān)測(cè)多源信息融合框架

柴油機(jī)為往復(fù)式機(jī)械，包含的摩擦副形式全面，相比其他監(jiān)測(cè)技術(shù)，油液監(jiān)測(cè)對(duì)其更為有效.因此，基于前幾小節(jié)提出的融合策略，以柴油機(jī)為代表，構(gòu)建了油液監(jiān)測(cè)多源信息融合框架，見(jiàn)圖3.除液壓類(lèi)裝備需添加污染度測(cè)試信息融合流程，其它類(lèi)型裝備均可借鑒此框架實(shí)施油液監(jiān)測(cè)信息融合.

圖3 柴油機(jī)油液監(jiān)測(cè)多源信息融合框架

3 多源信息融合算法模型

信息融合是基于框架或者方法對(duì)獲得的油液監(jiān)測(cè)信息進(jìn)行提純、綜合，生成滿(mǎn)足裝備摩擦學(xué)系統(tǒng)評(píng)估需求的合成信息融合，要靠有效的融合算法來(lái)實(shí)現(xiàn).算法模型是多源信息融合的核心和根本，從文獻(xiàn)查找情況看，目前能夠適用于油液監(jiān)測(cè)信息的融合算法可以分為三類(lèi)：基于物理模型的信息融合算法、基于不確定性推理的融合算法、基于知識(shí)推理的融合算法[5].目前，隨著信息采集手段的增加，采集的信息量大為增加，基于數(shù)據(jù)驅(qū)動(dòng)的多源信息融合成為了大量數(shù)據(jù)分析與處理的一種新方法.

3.1 基于模型的信息融合算法

該方法是根據(jù)獲取監(jiān)測(cè)對(duì)象狀態(tài)數(shù)據(jù)的數(shù)學(xué)、物理特征，構(gòu)建出能夠在一定程度上反應(yīng)其狀態(tài)和參數(shù)變化等特征的精確數(shù)學(xué)、物理模型，依據(jù)一定的判斷標(biāo)準(zhǔn)和目標(biāo)分類(lèi)特性，實(shí)現(xiàn)監(jiān)測(cè)對(duì)象狀態(tài)的識(shí)別與分類(lèi).目前常用的算法有：最小二乘、加權(quán)平均[6]、Kalman濾波、極大似然估計(jì)和最小方差逼近等線(xiàn)性模型構(gòu)建方法，近年來(lái)，基于非線(xiàn)性高斯濾波等非線(xiàn)性隨機(jī)建模也取得了一定的進(jìn)展[7].

3.2 基于不確定性推理的融合算法

在實(shí)際監(jiān)測(cè)中上，并不是所有的油液都能夠進(jìn)行全部項(xiàng)目的檢測(cè)，因此，所獲取的裝備油液監(jiān)測(cè)信息一般都是不完整、不精確、模糊的，信息中包含有很大成分上的不確定性[8].在融合過(guò)程中，只有依靠這些信息達(dá)到目標(biāo)身份識(shí)別和狀態(tài)屬性判斷的目的.不確定性推理方法是此類(lèi)情況下信息融合的基本選擇.目前該類(lèi)融合算法包括：貝葉斯理論、D-S證據(jù)理論[9]、DSmT、模糊邏輯與推理、模糊集合理論和可能性理論等.

3.3 基于知識(shí)推理的融合算法

基于知識(shí)推理的融合算法是基于人類(lèi)處理多源信息時(shí)，以自然屬性和認(rèn)識(shí)屬性對(duì)事物劃分而發(fā)展的，它包含邏輯模式、基于知識(shí)的系統(tǒng)和推理算法.邏輯模式是將已有的裝備狀態(tài)經(jīng)驗(yàn)和知識(shí)表示為某種特定的狀態(tài)，形成模板，在判斷裝備狀態(tài)時(shí)，搜索與獲取的油液監(jiān)測(cè)信息最為相近的模板，以知識(shí)和經(jīng)驗(yàn)對(duì)狀態(tài)進(jìn)行感知和判斷.基于知識(shí)的系統(tǒng)是將專(zhuān)家的知識(shí)與規(guī)則結(jié)合起來(lái)形成知識(shí)庫(kù)，將檢測(cè)信息與知識(shí)庫(kù)相匹配，實(shí)現(xiàn)對(duì)裝備摩擦學(xué)系統(tǒng)狀態(tài)的識(shí)別.基于知識(shí)推理的融合算法主要有隨機(jī)集理論、粗糙集理論、灰色系統(tǒng)理論、信息熵理論、支持向量機(jī)、遺傳算法、貝葉斯網(wǎng)絡(luò)、神經(jīng)網(wǎng)絡(luò)等帶有一定智能識(shí)別和可以實(shí)施機(jī)器學(xué)習(xí)特征的算法.

3.4 基于數(shù)據(jù)驅(qū)動(dòng)的融合算法

在監(jiān)測(cè)過(guò)程中，大量與裝備狀態(tài)相關(guān)的油液監(jiān)測(cè)數(shù)據(jù)被采集、存儲(chǔ)，數(shù)據(jù)維數(shù)的增加，非線(xiàn)性的增強(qiáng)等，造成了以往的依據(jù)數(shù)據(jù)信息建立有效的模型的難度增加，基于模型的信息融合實(shí)現(xiàn)難度也增加，甚至無(wú)法建立起與實(shí)際相符的數(shù)學(xué)模型[10].數(shù)據(jù)驅(qū)動(dòng)主要宗旨是充分利用大量的離、在線(xiàn)數(shù)據(jù)和歷史油液監(jiān)測(cè)數(shù)據(jù)，通過(guò)把高維空間的數(shù)據(jù)通過(guò)某種投影變換投影到低維特征空間，以便能夠采用常規(guī)的數(shù)學(xué)模型與方法進(jìn)行分析與處理[11]，實(shí)現(xiàn)基于數(shù)據(jù)的監(jiān)控、診斷、決策和優(yōu)化等預(yù)期目標(biāo).數(shù)據(jù)驅(qū)動(dòng)最大的特點(diǎn)避免了復(fù)雜的模型建立過(guò)程[12].在油液監(jiān)測(cè)多源信息融合中，引入數(shù)據(jù)驅(qū)動(dòng)的概念和思想，令其與模型驅(qū)動(dòng)相互協(xié)同作用，將有助于提升多源信息融合的性能和應(yīng)用范圍[13-14].常用的數(shù)據(jù)驅(qū)動(dòng)算法有：多元統(tǒng)計(jì)分析、費(fèi)舍爾判別分析、規(guī)范變量分析、獨(dú)立成分分析、主成分與核主成分析和支持向量機(jī)等，以上算法均能夠應(yīng)用到多源信息的融合中.

4 結(jié) 束 語(yǔ)

多源信息融合是油液監(jiān)測(cè)信息應(yīng)用的必然趨勢(shì)，本文著重研究了油液監(jiān)測(cè)多源信息融合中的首要問(wèn)題—融合模型構(gòu)建.闡釋了油液監(jiān)測(cè)多源信息融合的內(nèi)涵；通過(guò)對(duì)JDL功能模型進(jìn)行針對(duì)性的修改和定義，設(shè)計(jì)了油液監(jiān)測(cè)多源信息融合功能模型，根據(jù)油液監(jiān)測(cè)的組成、特點(diǎn)，將其分為功能型、指標(biāo)型和過(guò)程型3類(lèi)信息，提出了3類(lèi)信息的融合策略；以柴油機(jī)為例，構(gòu)建了油液監(jiān)測(cè)多源信息融合框架模型；研究了適用于油液監(jiān)測(cè)的多源信息融合算法，從現(xiàn)有資料看，隨著油液監(jiān)測(cè)應(yīng)用深入而帶來(lái)的數(shù)據(jù)量的大幅增加，與傳統(tǒng)的算法相比，數(shù)據(jù)驅(qū)動(dòng)將是油液監(jiān)測(cè)多源信息融合中一種更為有效的算法.

[1] 石新發(fā),劉東風(fēng),周志才.油液監(jiān)測(cè)信息綜合應(yīng)用關(guān)鍵問(wèn)題研究[J].漢理工大學(xué)交學(xué)報(bào)(交通科學(xué)與工程版),2014,38(6):1351-1354.

[2] 韓崇昭,朱洪艷,段戰(zhàn)勝.源信息融合[M].2版.北京：清華大學(xué)出版社,2010.

[3] 石新發(fā),劉東風(fēng),周志才,等.基于PSO聚類(lèi)和特征貢獻(xiàn)度的油液監(jiān)測(cè)信息特征選擇方法研究[J].潤(rùn)滑與密封,2016,15(1):86-89.

[4] 沈懷榮,楊露,彭穎,等.信息融合故障診斷技術(shù)[M].北京:科學(xué)出版社,2013.

[5] BAHADOR K, ALAA K, FAKHREDDINE O, et al. Multisensor data fusion: a review of the state-of-the-art[J]. Information Fusion,2013(14):28-44.

[6] 李偉,何鵬舉,高社生.多傳感器加權(quán)信息融合算法研究[J].西北工業(yè)大學(xué)學(xué)報(bào),2010,28(5):674-678.

[7] WANG X X, LIANG Y, PAN Q, et al. A Gaussian approximation recursive filter for nonlinear systems with correlated noises[J]. Automatica,2012,48(9):2290-2297.

[8] 石新發(fā),劉東風(fēng),周志才.一種新的柴油機(jī)潤(rùn)滑油發(fā)射光譜數(shù)據(jù)綜合評(píng)價(jià)方法[J]．海軍工程大學(xué)學(xué)報(bào),2015,27(3):38-42.

[9] 吳超仲,嚴(yán)新平,周新聰.基于遺傳算法的信息融合在摩擦學(xué)組合故障診斷中的應(yīng)用[J].摩擦學(xué)報(bào),2001,21(3):301-304.

[10] XU J X, HOU Z S. Notes on data-driven system approaches[J]. Acta Automatica Sinica,2009,35(6):668-675.

[11] 呂寧.基于數(shù)據(jù)驅(qū)動(dòng)的故障診斷模型及算法研究[D].哈爾濱:哈爾濱理工大學(xué),2009.

[12] ALEXEY Z, SERGEY P. Data-driven method of fault detection in technical systems[J]. Procedia Engineering,2015(2):242-248.

[13] WANG H F. Prognostics and mangement for complex system based on fusin of model-based approach and data-drvien approach[J]. Physics Procedia,2012(24):828-831.

[14] 陳琳.基于數(shù)據(jù)驅(qū)動(dòng)的多源信息融合技術(shù)[D]．杭州:杭州電子科技大學(xué),2011.