多传感信息融合技术（共10篇）
多传感信息融合技术 篇1
1 引言
多传感器信息融合是现代信息处理领域新近崛起的一个前沿性的研究方向,是针对一个系统中使用多个传感器这一问题而展开的一种信息处理方法。它通过对多类同构或异构传感器的冗余信息和互补信息进行综合(集成或融合),得到被观测对象更加精确的评估,以便对事物进行正确的判断和决策[1]。相比于单传感器,多传感器信息融合能够增加测量的维数和置信度,改进系统的探测性能,扩展空间和时间的覆盖范围,改进系统可靠性和可维护性,提高系统容错性和鲁棒性,达到系统内优势互补,资源共享,提高了资源的利用率[2]。
信息融合技术开始与20世纪70年代,早期主要是应用在军事上,用于目标的检测、定位、跟踪和识别[3,4,5]。而随着工业系统的复杂化和智能化,该技术已经推广到了民用领域,主要应用有移动机器人[6,7]、医疗诊断[8]、智能交通[9]、智能制造[10]、智能检测、目标识别、现代化管理以及刑侦等很多领域。
本文对信息融合的模型结构和主要的融合算法进行详细的归纳总结,对目前的信息融合存在的问题进行阐述,并对未来研究方向进行展望。
2 信息融合的模型结构
多传感器信息融合的关键问题是模型设计。融合模型主要有功能模型和结构模型。功能模型从融合过程出发,描述数据融合包括哪些主要功能和数据库,以及进行数据融合时系统各组成部分之间的相互作用过程;结构模型从数据融合的组成出发,说明数据融合系统的软、硬件组成,相关数据流、系统与外部环境的人机界面[11]。
比较有代表性的功能模型:早期用于美国军事的JDL模型,它将信息融合分为三级:第一级为位置估计与目标身份识别;第二级为态势评估;第三级为威胁估计,这种分级方法广为认可和采用。为进一步使信息融合具有实际的指导性,何友等在JDL模型的基础上提出五级模型[12]。第一级检测级融合;第二级位置级融合;第三级目标识别级融合;第四级态势估计;第五级威胁估计。前三级的信息融合适用于任意的多传感器信息融合系统,后两级主要适用于军事的C3I系统。功能模型的最新进展是JDL提出的四级融合模型[13]。在原来三级模型的基础上又增加了“精细处理”级,此模型更强调了人在信息融合发展中认识上的升华。
对于结构模型,在信息融合的不同层次上有不同的结构模型。检测级的结构模型有:并行结构、分散结构、串行结构、和树状结构。位置级的结构模型有:集中式、分布式、混合式和多级式。属性级的结构模型有三类:对应决策层、特征层和数据层属性融合。
3 信息融合的主要算法
信息融合的研究内容极其丰富,涉及的基础理论也非常广泛,而信息融合方法是信息融合研究的核心技术。目前融合方法大致可以分两类:概率统计方法和人工智能方法[14]。其中概率统计方法主要有卡尔曼滤波、假设检验、贝叶斯方法、统计决策理论以及其他变形的方法。人工智能方法包括D-S证据推理、模糊逻辑以及神经网络、专家系统等。其中贝叶斯估计、D-S证据推理、模糊理论、神经网络占整个信息融合算法的85%[15]。而支持向量机作为一种比较新的机器学习方法也已经在信息融合中应用。
3.1 贝叶斯估计
贝叶斯融合方法产生于多传感器融合技术的初期,它首先对各传感器信息进行相容性分析,删除可信度低的错误信息,在假定已知相应的先验概率的前提下,根据贝叶斯规则获得每个输出假设的概率。对可信度低的错误信息可以采用数据探测技术中的分布图法[16]剔除。
贝叶斯是融合静态环境中多传感器低层信息的一种常用方法,适用于测量结果具有正态分布或具有可加高斯噪声的系统。此法的局限性在于先验概率的获得比较困难,特别是当数据是来自于低档传感器或,而未知命题的数量大于已知命题的数量时,先验概率是非常不稳定的。
3.2 Kalman滤波及其扩展
此方法用测量模型的统计特性递推决定在统计意义下是最优的融合数据估计。如果系统具有线性动力学模型,且系统噪声和传感器噪声是符合高斯分布的白噪声,那么,Kalman滤波为融合数据提供唯一的统计意义下的最优估计。工程实际应用中,系统模型线性程度的假设或者数据处理不稳定性时,将对信息融合过程产生较大影响。在这种情况下,常常采用扩展Kalman滤波(EKF)取代常规的Kalman滤波[17]。有时在使用不精确或错误的模型和噪声统计设计Kalman滤波器时会导致滤波器性能变坏,甚至使滤波发散。为了解决此问题,产生了自适应Kalman滤波[18]、去偏转换测量Kalman滤波[19]和无偏转换测量Kalman滤波[20]。针对目标状态的概率密度随时间演变的特点,又有Monte Carlo粒子滤波法[21]和无影变换Kalman滤波等[22]。而且现在也有很多研究者将Kalman滤波法和其它融合算法相结合,比如将小波变换和Kalman滤波相结合的多传感器数据融合在实际应用中也取得了较好的效果[23]。
此种方法用于实时融合动态的低层次冗余传感器数据采用Kalman滤波具有递推特性,但其计算要求和复杂性影响了其计算速度,但随着计算机技术的飞速发展,这些将不再阻碍此法的实际应用。
3.3 D-S证据推理
D-S(Dempster Shafer)证据推理是贝叶斯方法的扩展,它采用概率区间和不确定区间来确定多证据下假设的似然函数,也能计算任一假设为真条件下的似然函数值。它通过定义识别框架、基本可信度分配、信任函数、似真度函数、怀疑度函数、信任区间,在此基础上应用D-S合成规则进行证据推理,它能区分不确定信息和未知性信息,容错能力较强。
此方法缺点是一般情况下计算量非常大,且要求合并的证据相互独立,这在实际应用中很难满足。而且,在工程实际应用中,如何有效获取基本概率赋值也有待于进一步深入研究。同时,D-S理论只积累单独的信息源,而当事件合并后,时间权重与信任度之间存在不合理关系[9],因此,该理论还需进一步深入研究完善[24]。
3.4 模糊逻辑
利用模糊逻辑可将多传感器数据融合过程中的不确定性直接表示在推理过程中。通常模糊逻辑和其它的信息融合方法联合使用,如基于模糊逻辑和扩展的Kalman滤波的信息融合[25],基于模糊神经网络的多传感器融合[26~28]等。
3.5 人工神经网络
基于神经网络的信息融合实质上是一个不确定性推理过程,它充分利用外部环境的信息,实现知识的自动获取以及在此基础上进行联想推理。经过大量的学习和推理,将不确定环境的复杂关系融合为系统能够理解的符号。
传统的神经网络结构需要大量学习样本和隐结点数,甚至需要很多的隐含层,因此,需要很大的计算工作量。为了有效地改善神经网络信息融合的效果和速度,利用阵列神经网络进行信息融合的结构模型[29]。由多传感器所获取的有关环境方面的信息都具有一定程度的不确定性,所以现在很多采用模糊神经网络数据融合。模糊神经网络实质上就是将模糊逻辑推理的知识结构和神经网络的自学习能力结合起来,从而同时具有模糊逻辑和神经网络的优点。现在也有学者将神经网络和D-S证据理论相结合的数据融合算法研究。由此可见各种数据融合算法相结合,是未来算法研究的一个趋势。
3.6 支持向量机
支持向量机SVM(support vector machine)最初是由Vapnik提出的一种新兴的基于统计学习理论的学习方法。它通过构造最优超平面,使得对未知样本的分类误差最小。根据结构风险最小化归纳原则,为了最小化期望风险的上界,SVM通过最优超平面的构造,在固定学习经验风险的条件下最小化VC置信度[30,31]。与神经网络的启发式学习方式和实现中带有的很大的经验成分相比,SVM具有更严格的理论和数学基础,不存在局部最小问题。小样本学习使它具有很强的泛化能力,不过分依赖样本的数量和质量。
SVM已成为当前机器学习的一个研究热点,并且已经应用于多传感器信息融合中[32~35]。具体实际应用表明,该方法适用于解决小样本、高维特征空间和不确定条件下的多传感器信息融合问题,提高了融合结果的准确性和可靠性,提高了输入数据信息的利用效率和融合方法的灵活性。但由于本身支持向量机的理论和实践研究还都不够成熟,所以基于支持向量机的信息融合方法还有待完善。
随着人工智能技术的发展,以模糊理论、神经网络、证据理论、支持向量机为代表的智能方法占有越来越大的比例,因为这些方法兼有对问题描述的非建模优势和语言化描述与综合优势[36]。
4 信息融合研究中存在的问题
信息融合的绝大部分的研究都是针对特定的问题、特定的对象、特定的层次,并在此基础上形成所谓的最佳方案。因此信息融合问题本身至今未形成一套完整的理论,目前尚存在以下的问题:
(1)未形成基本的理论框架和广义融合算法:目前,绝大多数的融合研究皆是针对特定的应用领域的特定问题开展的,即根据问题的种类,各自建立直观的融合准则,形成最佳融合方案。目前还没有建立起一种通用的模型结构与方法,用来处理多维不确定性的信息,这不利于学科的发展和应用领域的开发。
(2)关联的二义性:关联的二义性是信息融合的主要障碍.进行融合处理前必须对来自多传感器的观测结果进行关联,保证所融合的信息是来自同一观测目标或事件,以保证融合信息的一致性。如果对不同目标或事件的信息进行融合,将难以使系统得出正确的结论.这就是所谓的关联的二义性问题。传感器测量的不精确性和干扰等都是引起关联二义性的因素。所以关联二义性是信息融合研究亟待解决的问题。
(3)信息融合方法与融合系统实施存在的问题:目前,大多数信息融合是信息的简单合成,并未充分有效地利用多传感器所提供的冗余信息,融合方法研究也还处于初步阶段[37]。而且目前很多研究工作亦是基础研究和仿真性试验。因此,信息融合系统的设计实施还存在许多实际的问题。
5 信息融合的研究方向展望
信息融合技术涉及传感器技术、数据处理、网络通信、人工智能等相关技术,尚处在不断的变化和发展过程中,未来主要的研究方向应包括以下几方面:
(1)多传感器信息融合统一理论模型的建立
目前信息融合的数学模型与融合方法都具有明显的个性特征,缺乏通用性。如果建立起统一理论框架,包括信息的统一描述、数据处理的一般流程、融合空间的统一模型结构、归一化的融合结果,这样,对信息融合技术的发展和应用将是一个重要突破。
(2)异类传感器信息融合技术的研究
异类多传感器信息融合由于具有时间不同步,甚至是空间上不同步,数据率不一致及测量维数不匹配等特点,因而具有很大的不确定性[38]。这样,在融合处理之前需要对异质信息进行预处理,包括信息的统一表述,信息的转换以及去异质性等[1]。在融合过程中,需要在公共的融合空间对多维信息分别进行定标、时空匹配和时空相关,以保持融合信息的一致性,使信息融合系统在公共空间中进行融合,最终得到高精度的、高质量的融合结果。
(3)人工智能技术在信息融合中的应用研究
人工智能在多传感器数据融合中的应用已经是国内外研究的一个热点。目前应用于数据融合的人工智能方法有模糊集合理论、神经网络、专家系统、粗集理论、小波分析理论、和支持向量机等。人工智能技术在数据关联、目标跟踪、目标分类、特征提取、管理和评估等数据融合模型的研究已取得了一些进展,但在工程实现上还有许多问题需要处理。
(4)信息融合中的数据库和知识库技术研究
建立信息融合用的数据库和知识库,研究高速并行检索和推理机制,利用大型空间数据库中数据和知识进行推理是融合系统过程中的关键任务。但其数据量往往非常庞大,这就有必要深入研究和探讨用于空间数据库的知识发现机制和方法。
(5)多传感器信息融合系统的工程实现
目前尽管信息融合技术已经应用于军事和民事领域,但是都属于简单的应用,尚未开发出功能先进的集信息获取、融合、传感器管理和控制一体化的多传感器信息融合系统。
(6)信息融合系统的性能测试与评估
对于复杂的多传感器系统的性能测试及可靠性评估是多传感器信息融合的重要研究内容。目前,在实际中,不同的融合目的有不同的融合评估准则和方法,为了使准则具有可检测性和可比性,我们希望能够建立一个一致、统一的信息融合的评估体系,对信息融合效果能够进行实用的、可比拟的、可操作的评估。
6 结束语
多传感器信息融合技术作为一种新的现代信息处理技术,正在得到越来越多的关注。随着工业大系统的蓬勃发展和未来信息战的需求,以及相关学科的不断发展,多传感器信息融合将会得到更深入的理论研究,也将拥有更广阔的应用前景。
摘要：系统地介绍了多传感器信息融合技术的理论、模型和应用,并对多传感器信息融合的几种主要算法进行了全面的阐述和归纳,指出了信息融合研究中存在的主要问题,最后对信息融合技术的未来研究方向进行了展望。
关键词：多传感器,信息融合,模型,算法
多传感信息融合技术 篇2
针对以上系统存在的一些问题，研究者们纷纷引入了多传感器信息融合技术，并提出了不同的融合算法。基于视觉系统的传感器可以提供大量的场景信息，其它传感器（如雷达或激光等）可以测定距离、范围等信息，对两方面的信息融合处理后能够给出更可靠的识别信息。融合技术可以采用Beaurais等人于提出的CLARK算法（Combined Likelihood Adding Radar）和Institude Neuroinformatik提出的I
[1] [2] [3] [4] [5]
多传感器融合组合导航技术研究 篇3
关键词：多传感器 组合导航 民用飞机
中图分类号：TP274. 2文献标识码：A文章编号：1674-098X（2014）09（a）-0021-01
近年来，随着GPS、格洛纳斯、伽利略和北斗全球导航卫星系统的日益完善，以飞行管理系统为核心的民用飞机机载导航设备对GNSS的依赖程度逐渐增大，特别是CAAC近年发布的PBN实施路线图要求机载导航系统逐步向RNP技术全面过渡。然而作为PBN导航技术核心定位源的GNSS有着一系列先天不足，在某些特定情况下，满足不了PBN对导航精度和连续性的较高要求，因此民用飞机必须采用多传感器融合的导航技术，提高瞬时定位精度以及GNSS不可用的情况下的导航能力。
1 多传感器组合导航技术
作为民用飞机机载航电系统的重要组成部分，机载导航设备为飞机提供全天候实时的高精度位置定位、飞行导引和完好性监控，其组成包括飞行管理系统（FMS）、全球导航卫星系统（GNSS）、惯性基准系统（IRS）、甚高频全向信标（VOR）、测距器（DME）等设备。[1]
导航系统的核心是飞行管理系统，它是一台具备各种复杂导航算法的高性能计算机，将其他导航设备发送的导航数据经过组合导航算法综合处理后得出飞机精确位置，并依据飞行员编制的飞行计划给出指引指令，引导飞机沿着既定航线飞行，取代了传统领航员的作用，大量减轻了飞行员的负担。因此，作为计算性能最强和接收信息最全的FMS理所当然是多傳感器组合导航技术的实施主体。[2]
以GPS为主的GNSS是一种覆盖全球的无源定位系统，通过接收机接收来自至少4颗卫星发出的时钟信号和星历，计算传播延时实现高精度自主实时定位，不依赖地面导航设施，在偏远地区和洋面飞行时具有突出优点，但也会受到可用卫星个数、卫星几何分布、空间射线干扰和地面地形遮蔽等因素影响，难以独自满足PBN对导航信号连续性的高要求。[3]
VOR/DME是传统的路基导航设施，通过接收地面台站发出的甚高频无线电信号结算成相对台站的方位和距离信息，结合已知的台站位置实现定位，性能可靠、便于使用，但是具有技术水平落后、导航精度不高和无法覆盖偏远山区和洋面的缺陷。
在所有的导航子系统中，惯性系统能提供的信息最全，且自主性、连续性、短期稳定性好，因此在整个区域或航路导航中始终以惯性导航系统作为基本导航手段，其它导航子系统（特别是GNSS）作为辅助手段以改善惯性系统的长期稳定性，保证导航性能符合所需导航性能要求。
导航系统的组合一般有两种基本方法：
（1）回路反馈法。即采用经典的反馈控制方法，抑制系统误差，并使子系统间性能互补。
（2）最优估计法。即采用现代控制理论中的最优估计法（卡尔曼滤波算法），从概率统计最优的角度估计出系统误差并消除之。
由于各子系统的误差源和量测中引入的误差都是随机的，所以第二种方法远优于第一种方法，卡尔曼滤波器也成为组合导航系统中最常用的算法。[4]
由于GNSS定位的高精度和实时性，采用IRS/GNSS为主用组合导航算法，可分别基于输出校正、位置组合和伪距组合的卡尔曼滤波模式。具体是用惯导和GPS输出的位置之差作为量测值，经卡尔曼滤波器估计惯导系统的各项误差，然后对惯导系统进行校正。伪距组合是一种复杂、紧密的信息综合。惯导输出位置结合GPS可见卫星位置，可以求出相应的计算距离，然后将之与GPS测量得到的距离之差作为量测值，通过卡尔曼滤波器估计惯导系统和GPS的误差量，然后进行反馈校正。在各IRS内部进行闭环修正，IRS系统的速度和姿态误差趋于收敛，即组合导航可以准确估计IRS的速度和姿态误差。在IRS/GPS组合导航状态，不使用气压高度进行高度阻尼，对GPS位置噪声有明显的抑制作用。[4]
在GNSS不可用的情况下（接收机故障或不满足信号接收要求），可采用IRS/无线电组合导航，包含IRS/DME/DME和IRS/VOR/DME这2种组合方式。IRS/无线电组合在飞行管理控制系统中进行，仅进行开环校正，目的在于对无线电推算的位置噪声进行抑制，经过对当前组合系统的性能评估，如当前状态位置精度明显优于即将引入的校准系统精度，则将延迟其进入组合状态的时间。
由于DME/DME定位精度由于VOR/DME，因此当DME台站信号良好且数量大于2时，可优先采用IRS/DME/DME组合导航，此方法基于双斜距组合方式，将DME斜距的测量误差看作由偏置误差和测量噪声误差构成，偏置误差与被测距离的远近有关，因此用刻度因子误差来描述。在构造量测前还需进行交会角判断。利用两套DME系统来确定飞机位置的定位误差却因飞机与两个地面台相对位置的不同而有较大的差异，当交会角为90°时，测距误差造成的定位误差区最小，为正方形；交会角大于90°，定位误差区域增大为菱形；若交会角接近180°，则定位误差最大。因此，在交会角在30°～150°时可采用此方法。
IRS/VOR/DME组合处理方式采用斜距/方位角组合，允许VOR和DME不在同一位置，尽管多数情况下VOR/DME地面台站是布置在同一位置的。将VOR、DME的方位和斜距测量误差看作由偏置误差和测量噪声误差构成，而DME的偏置误差与被测距离的远近有关，因此用刻度因子误差来描述。[4]
2 结语
随着航空电子技术的日新月异，以及未来对PBN技术导航精度和连续性的要求日益提高，民用飞机采用多传感器组合导航技术将成为主流，本文提出一种在FMS内部按照设备可用状态优先级实现IRS/GNSS、IRS/DME/DME、IRS/VOR/DME组合导航技术方法，可获得较为理想的导航精度和连续性。
参考文献
[1]钦庆生.飞行管理计算机系统[M].国防工业出版社，1991.
[2]Lan Moir，Allan Seabridge. Civil Avionics Systems[M]. Professional Engineering Publishing Limited，2006.
[3]Cary R.Spitzer.The Avionics Handbook[M].CRC Press LLC， 2001.
多传感信息融合技术 篇4
1 什么是信息融合
信息融合的定义大都是功能性的描述,JDL[1](Joint Directions of Laboratories:美国三军组织实验室理事联合会)从军事应用的角度将信息融合进行定义,信息融合是一种多层次、多方面的处理过程(包括对多源数据进行检测、相关、组合和估计等),以提高状态和特性的估计精度、实现对战场态势和威胁及其重要程度的实时完整的评价。JDL当前的最新定义是:“信息融合是组合数据或信息以估计和预测实体状态的过程”。Dasarathy[2]:信息融合是协同利用多源信息(传感器、数据库、人为获取的信息)进行决策和行动的理论、技术和工具,旨在比仅利用单信息源或非协同利用部分多源信息获得更精确和更稳健的性能。
广义的理解,信息融合未必一定体现在多个信息源。具体的融合对象有:信号、数据、图像、属性、知识、准则等。
对单源信息进行融合的例子:在一个时间段进行滤波、平滑及预测,在一个固定的时间点进行分解和融合。
当然,与单传感器相比,多传感器系统的复杂性大大增加,由此也会产生一些不利因素,如增加了系统成本,因尺寸、重量、功耗、辐射增大带来的易被敌方发现等,因而在设计多传感器系统时必须综合考虑,以实现系统的最优性能。
2 信息融合基础概念
2.1 基本原理
多传感器信息融合是人类或其它逻辑系统中常见的基本功能。人非常自然地运用这一能力把来自人体各种感官(眼、耳、鼻,手,口)的信息(景物,声音,气味,触觉)组合起来,然后根据知识和经验并按其习惯的思路对信息进行处理,以提出解决问题的方案。在信息融合系统中,感官就是系统的各种传感器,经验相当于统计学中的先验知识,思路便是人们常说的模型、算法,根据多传感器信息进行综合、分析、判断,这就是信息融合[8]。
由此可见,多传感器信息融合的基本原理也就像人脑综合处理信息一样,充分利用多个传感器资源,通过对这些传感器及其观测信息的合理支配和使用,把多个传感器在空间或时间上的冗余或互补信息依据某种准则来进行组合,以获取对被测对象全面正确的解释或描述。信息融合的基本目标是通过数据组合而不是出现在输入信息中的任何个别元素,推导出更多的信息,这是最佳协同作用的结果,即利用多个传感器共同或联合操作的优势,提高传感器系统的有效性。
2.2 设计流程
该设计流程由任务表述;汇集和关联;结构和算法;评估、训练等四部分构成,具体流程如图1。
2.3 典型信息融合处理过程
多传感器信息融合是将来自多传感器或多源的信息和数据模仿情报专家的综合信息处理能力进行智能化处理,从而获得更为全面、准确和可信的结论。其信息融合处理过程如图2。
2.4 信息融合的层次
按信息抽象的不同层次将信息融合分为五级[3,4],包括了从检测到威胁判断的完整过程:
第一级:检测级融合->目标检测判决;
第二级:位置级融合->目标位置及航迹,跟踪;
第三级:目标识别级融合->目标属性分类或身份估计;
第四级:态势估计(Situation Assessment-SA)->对战场上战斗力量分配情况的分析评价过程;
第五级:威胁估计(Threat Assessment-TA)->敌方威胁能力及企图。
在这种功能模型描述中,前三个层次的信息融合适合于任意的多传感器信息融合系统,而后两个层次主要适用于军事C3I系统中的信息融合。融合单元信息融合各层次的比较,详见表1。
3 信息融合涉及的学科
作为一种信息综合和处理技术,信息融合实际上是许多传统学科和新技术相结合的一个边缘新兴学科,以下扼要介绍这些技术手段。
1)信号处理与估计理论:信号处理与估计理论包括Kalman滤波等线性滤波技术,扩展Kalman滤波(EKF)和Gauss滤波(GSF)等非线性滤波技术,UKF滤波,基于随机采样技术的粒子滤波,Markov链等非线性估计技术,期望极大化EM算法,设计优化指标,实现最优估计(最小化风险法和最小化能量法等)。
2)统计推断方法:统计推断方法包括经典推理、Bayes推理、证据推理、随机集理论、支持向量机等。
3)信息论的方法:运用优化信息度量的手段融合多源数据,从而获得问题的有效解决。典型算法有熵的方法、最小描述长度方法(MDL)等。
4)人工智能方法(artificial intelligence):人工智能方法包括模糊逻辑、神经网络、遗传算法、不确定性推理、专家系统、逻辑模板法、品质因数法(FOM)等。
5)其他:决策论的方法,用于高级别的决策融合;几何方法,充分探讨环境与传感器模型的几何属性达到融合目的;数据结构与数据库管理等。
4 主要应用与关联领域
信息融合技术起源于军事领域,信息融合在军事上应用最早、范围最广,涉及战术或战略上的检测、指挥、控制、通信和情报任务的各个方面。主要的应用有采用多传感器的自主式武器系统和自备式运载器,广域监视系统,基于多传感器的截获、跟踪和指令控制的火控系统,情报收集系统,敌情指示和预警系统,态势与威胁估计,军事力量的指挥和控制站。如,俄罗斯研制的米28新型战斗机,使用了多传感器信息融合技术,融合了来自雷达、红外、电视摄像机、航空仪表、夜视仪等传感器的信息,构成了数据融合系统。
近年来,多传感器融合系统也在民事应用领域得到了较快发展,主要应用领域包括:图像融合,工业智能机器人,遥感,刑侦故障诊断,智能交通,金融领域。
5 信息融合要解决的几个关键问题[5]
1)数据对准与信息相关:在多传感器信息融合系统中,每个传感器提供的观测数据都在各自的参考框架之内。在对这些信息进行组合之前,必须首先将它们变换到同一个参考框架中去。但要注意的是,由于多传感器时空配准引起的舍入误差必须得到补偿。信息相关就是要对各传感器获得的信息进行关联处理。信息相关的核心问题之一是要克服传感器测量的不准确性和干扰等引起的相关二义性,即保持信息的一致性;另一个核心问题就是要控制和降低相关计算的复杂度,开发出合适的相关处理算法和模型。
2)同类或异类数据:多传感器提供的数据在属性上可以是同类也可以是异类,而异类多传感器较之同类传感器,其提供的信息具有更强的多样性和互补性;但同时由于异类数据在时间上的不同步,数据率不一致以及测量维数不匹配等特点,使得对这些信息的融合处理更困难。
3)观测数据的不确定性:由于传感器工作环境的不确定性,导致观测数据包含有噪声成分,以及传输过程的各种干扰,传感器、人、数据库、压缩量化方法、信息模型、算法局限等。在融合处理中需要对多源观测数据进行分析验证,并补充综合,在最大限度上降低数据的不确定性。
4)不完整、不一致和虚假数据:由于时、空、频等方面的感知局限,感知过程、人、算法等引起的多义性和冲突等。信息融合系统需要能够对这些不完整数据、不一致数据以及虚假数据进行有效的融合处理。
5)粒度:由于粒度级别不同、稀疏与稠密、处理级别、抽象级别不同,所以一个可行的融合方案应该可以工作在各种不同的粒度级别上。
6)数据库:数据库不仅要及时存储当前各传感器的测量数据,并把它们及时提供给融合推理,还应向融合推理提供所需要的各种其他数据。与此同时,数据库还应存储融合推理的中间结果、最终态势和决策分析结果等。数据库既包含当前实时数据,还包括非实时的先验数据等,它所要解决的难题是容量大、搜索快、开放互联性好,并具有良好的用户接口,因此,要开发出更有效的数据模型、有效查找的搜索机制,以及分布式多媒体数据库管理系统等。
7)信息安全:军用信息融合系统汇集了各类传感器和信息源的信息,以及信息融合的中间数据和最终结果信息等,这些信息通常具有不同级别的保密要求和访问权限。信息融合系统在实现信息融合功能的同时,还必须保证这些信息的安全,能够让应该使用信息的用户及时访问、获取所需信息,同时又要限制用户的存取权限。为此,必须对各种输入输出数据进行严格的分类,按照规定的保密程序及时把信息融合结果分发到各级用户,并保证满足保密要求。
8)性能评估[6]:信息融合的另一个重要问题就是如何量化信息融合系统的功效。由于信息融合理论和技术的发展仍处于完善和成熟过程之中,再加上实际应用的具体问题的千差万别,要真正建立完整的、实用的评估体系仍是非常困难的。
6 多传感器信息融合今后的发展趋势
随着多传感器信息融合技术的发展,在军事和民事方面的广泛应用,近年来发展迅速,但该技术尚处于不断发展变化阶段,尚有许多工作要作,在此仅简述其中的一些主要研究方向[3,4,10]。1)多传感器分布检测研究;2)多传感器综合跟踪算法研究;3)异类传感器信息融合技术研究;4)多层估计的一般理论研究;5)水下传感器信息融合技术研究;6)多目标跟踪与航迹关联的联合优化问题;7)多传感器跟踪中的航迹起始问题;8)目标识别及其融合技术研究;9)图像融合技术研究;10)信息融合系统性能评估技术研究;11)信息融合中的数据库和知识库技术研究;12)传感器资源分配和管理技术研究;13)人工智能技术在信息融合中的应用研究;14)信息融合系统的工程实现;15)随机集理论在信息融合中的应用;16)信息融合系统的性能测试与度量、评估;17)交叉学科的交流是未来信息融合技术研究的热点。
7 结束语
随着人工智能技术和工业技术的发展,信息融合技术正朝着智能化、集成化的趋势发展,可以预见其将在以下几个方面取得进展[3,8]:
1)确立信息融合理论标准和系统结构标准。目前的实际应用项目都是针对特定的对象和领域所进行的,缺乏统一的系统模型建立标准和系统结构标准;
2)改进融合算法提高系统性能。在完善原有算法基础上充分吸收其他学科、领域的最新成果,研究适应并行处理的融合算法;
3)发展并完善JDL模型,以解决现有JDL模型所不能处理的非军事应用问题;
4)传感器资源管理优化,针对具体应用问题,建立信息融合中的数据库和知识库,研究高速并行推理机制,是信息融合技术工程化及实际应用中的关键问题,是未来的研究重点之一;
5)建立系统设计的工程指导方针,研究信息融合系统的工程实现[7]。信息融合系统是一个具有强烈不确定性的复杂大系统,如何提高现有理论、技术、设备,保证融合系统的精确性、实时性以及低成本是未来研究重点之一;
6)建立测试平台,研究系统性能评估方法[11]。如何建立评价机制,对信息融合系统进行综合分析和评价,以衡量融合算法的性能,也是亟待解决的问题。
参考文献
[1]王润生.信息融合[M].北京:科学出版社,2007.
[2]Dasarathy B.Sensor Fusion Potential Exploitation Innovative Architectures and Illustrative Applications[J].Proceedings of IEEE,1997,85(1):24-38.
[3]何友,王国宏.多传感器信息融合及应用[M].2版.北京:电子工业出版社,2007.
[4]何友,关欣,王国宏.多传感器信息融合研究进展与展望[J].宇航学报,2005,26(4).
[5]韩崇昭,朱艳洪.多源信息融合[M].北京:清华大学出版社,2006.10-13.
[6]Zhu Y M.Multisensor Decision and Estimation Fusion.Boston:Kluwer Academic Publishers,2003.
[7]朱林,徐兴杰,张晓囡,等.信息融合系统工程方法[J].火力与指挥控制,2008,33(3).
[8]刘同明,夏祖勋,解洪成.数据融合技术及其应用[M].北京:国防工业出版社,1998:14-16.
[9]王凤朝,黄树采,韩朝超.多传感器数据融合及其新技术研究[J].航空技术算法,2009,39(1).
[10]Lawrence A klein.Sensor and Data Fusion Concepts and Applications.SPIE Optical Engineering Press,1999.
多传感信息融合技术 篇5
光电传感器因其灵敏轻便等优势而被广泛应用于自动化设备检测装置中。20世纪80年代，美国军事领域开始应用光电传感器信息融合技术;3月15日，美国国防先期计划研究局(DARPA)公布了在阿灵顿召开的已进入第二阶段的MIST-LR项目会议，指出在未来的第三阶段，将开发出能够提升飞行器性能的原型系统传感器，极大发挥其在民用和军事两个方面的助推器作用。
1 应用必要
第一，光电传感器获取信息的过程实际是一个多对一的对应抽样过程，在将客观世界空间的信息传输至传感器这一过程中信息丢失的问题难以避免;第二，军事领域中光电传感器的数量庞大，急需处理的信息量也繁多冗杂，这些都会给人工处理带来一定困扰，而光电传感器信息融合技术的应用巧妙地解决了这一信息综合处理的难题;第三，应用环境决定了光电传感器性能发挥的好坏，但截至目前尚未有一个国家可以开发出适用于任何环境下且性能优于其他类型的光电传感器。
2 概念优点
光电传感器信息融合的过程正是为了完成目标分类、识别及跟踪等任务而进行信息自动分析综合处理的过程。军事领域中的目标识别及跟踪可以实现光电传感器目标属性中的监视功能，有利于精确定位与预估判决。我国航天技术的高速发展离不开当前最热门的技术之一――航天技术上光电传感器信息融合技术，它能够有效提高空间的分辨率和系统的可靠性，无疑成为我国GDP增长的“助推器”。
3 工作原理
光电传感器能够有效检测到光强度变化的情况并将光强度的变化转换为电信号的变化。通常情况下，光电传感器这种小型电子设备由三部分组成：发送器、接收器与检测电路。发送器负责向目标发射来源于发光二极管、激光二极管及红外射二极管等的光束，不间断发射出的光束经过像光圈、透镜这种光学元件后达到由光电二极管、光电三极管及光电池构成的接收器中，接收器接收到光束后会将其传输至能够过滤该信号是否有效并决定是否应用的检测电路。详细流程见下图所示。
需要强调的一点是发射板和光导纤维作为光电传感器结构元件的一种也独具特色。众所周知，三角形的结构最为稳定，因此由极细小的三角锥体反射材料组成的三角反射板是一种能保证光束可以准确无误地从反射板返回的发射装置，其结构极其稳固且具有极强的实用性。
4 应用领域
4.1研制抄表系统
为及时结算用户的电费，一般由电力部门派专门的抄表人员到有关用户处定期走家串户地查看、抄写设置在现场的电能表，通过人工读取、记录、计算和收费。这不仅浪费人力，而且还会因人工读取造成不必要的误差，给用户带来不必要的麻烦和损失，甚至会发生不法分子假冒抄表人员入室作案而影响社会治安。因此，无论是电力部门还是用户们均迫切要求改变当前的落后状态。随着微电子技术、传感器技术、计算机技术及现代通讯技术的发展，可以利用光电传感器来研制自动抄表系统。
电能表的铝盘受电涡流和磁场的作用下产生的转矩驱动而旋转，采用光电传感器则可将铝盘的转数转换成脉冲数。如在旋转的光亮的铝盘上局部涂黑，再配以反射式光电发射接收对管，则当铝盘旋转时在局部涂黑处便产生脉冲，并可将铝盘的转数采样转换为相应的脉冲数，并经光电耦合隔离电路，送至CPU的T0端口进行计数处理。采用光电耦合隔离器可以有效地防止干扰信号进入微机，再结合其它传输方式便可形成自动抄表系统。目前自动抄表系统没有大规模使用与当前的技术有莫大关系，这套技术还有很多需要改进之处，相信在未来几年随着技术的发展，自动抄表将在全国范围内实现。
4.2节能灯具设计
光敏传感器、红外传感器、颜色传感器已进入各种自控节能LED照明系统的设计方案之中，它们的自主控制、方便应用使得不少公共照明LED灯具和居家照明灯具实现智能化。光电传感器可以协助公共照明的LED灯具实现灯光的自动开启关闭，可以智能的感应人和车辆进出而自动开关灯光，可以智慧的控制LED灯光开启的时间和控制亮度，甚至按人类的意愿自动调整光线的色温，营造人类想要的光氛围。
4.2.1光敏传感器应用
光敏传感器中最简单的电子器件是光敏电阻，它能感应光线的明暗变化，输出微弱的电信号，通过简单电子线路放大处理，可以控制LED灯具的自动开关。对于远程的照明灯具，如街灯、庭院灯、草坪灯等都可经济而简单的实现节能自动控制。太阳能路灯本身是利用太阳光发电、储能的LED照明灯具，无需电网供电也就无需架设成本不菲的输电线路，因此使用光敏传感器可以实现极低成本、自动开启关闭的节能管理。
4.2.2红外传感器应用
红外热释电传感器(PIR)在LED照明中的应用已有近十年的`历史。红外传感器的视角有限，需要搭配菲涅尔透镜才能扩大探测区，才能监视移动的热源(人或车)。菲涅尔透镜有两个作用：一是聚焦作用，将热释红外信号折射在PIR上;二是将探测区内分为若干个明区和暗区，使进入探测区的人能以温度变化的形式在PIR上产生变化的热释红外信号。
4.3航天技术应用
我国神舟十号发射成功后到与天宫一号的自动交会对接，多项航天技术成果移植国民经济成为经济发展“倍增器”，其中光电传感器技术发挥了重要作用。神舟十号和天宫一号对接机构十分复杂，由上百个传感器、上千轴承组合而成。对接任务要求严丝合缝且不能漏气。另外考虑到飞行器在太空环境中失重要经历高低温的变化，因此必须保证对接时不出现故障。手控交会对接时要有精确的传感器测量设备，不断测量两个飞行器之间的距离、相对速度和姿态等，稍有差池后果不堪设想。最后对接时，要求轴向误差≤18cm。这些对航天员的身心都是极大的挑战，要求他们具有极高的眼手协调性、操作精细性和过硬的心理素质等。在交会对接的过程中，航天员需要紧盯电视图像，根据实时传输的数据让两个航天器一点点逼近，根据仔细计算决定速度变化方案完成交会对接，其中传感器起到决定性作用，为实现航天梦奠定最强基础。
4.4工业自动化装置
光电传感器具有非接触、响应快、性能可靠等特点，在工业上常用于非接触测量物位、距离和条码等信息，因此在工业自动化装置和机器人中获得广泛应用。随着现代检测技术的发展出现了很多新型的光电传感器，特别是CCD图像传感器的诞生，为光电传感器的进一步应用开创了新的一页。相关应用行业的系列产品如下：
1)光电式烟雾报警器。没有烟雾时，发光二极管发出的光线直线传播，光电三极管没有接收信号，没有输出;有烟雾时，发光二极管发出的光线被烟雾颗粒折射，使三极管接受到光线，有信号输出，发出报警。如今频遭吐槽的雾霾天气说明环境污染问题严重，而光电式烟雾报警器则可通过光在烟道里传输过程的变化检测到烟道中的烟尘浊度;2)点钞机的计数传感器。具有结构微型化、操作简便化、使用耐用型等特点的点钞机在我们的日常生活中应用频繁，其不光在金融机构中被大量使用，也逐渐成为一些大型企事业单位必备的办公用品，成就其的正是结构简单、响应速度快、精确度高的光电传感器。点钞机的技术传感器采用两组由一个红外发光二极管和一个接收红外光的光敏三极管组成的红外光电传感器，没有钞票时，接收管受光照导通而输出为0;有钞票时，接收管光通量不足而输出为1且产生一个脉冲信号，经检测电路输入至负责计数和显示的单片机。只有不断提升光电传感器的性能，才能满足商业经济和财务自动化日新月异变化而产生的高要求。
参考文献
[1]黄斌.基于多传感器信息融合的节能控制系统.测控技术，2013(4).
[2]赵娟妮.多传感器数据融合技术及其在光伏电站监控系统中的应用.科技信息，2013(7).
[3]魏宏飞，赵慧.多传感器信息融合技术在火灾报警系统的应用[J].现代电子技术，2013(6).
多传感信息融合技术 篇6
众所周知,机械设备在运行过程中一旦失效或出现事故通常都会造成重大经济损失,更甚者还可能伴随着一定的人员伤亡,从而在社会舆论等方面造成十分恶劣的社会影响。为减少或避免此类状况的产生,定期对设备状况进行检测,根据现行情况早期研究事故的发展趋势,采取有效手段将事故扼杀的萌芽阶段,以避免在运行中的设备突然损坏,使之安全的生产作业,在工业生产中是非常必要的。
1 现状
1.1 机械故障检测诊断的主要内容
机械故障检测诊断包含两方面内容:(1)对设备运行状态的检测;(2)异常情况发现后对故障进行有效的分析和诊断。
1.2 主要技术方法现状
根据系统采用的决策方法和特征描述,故障检测诊断的方法主要有基于系统数学模型的故障诊断方法和基于非模型的故障诊断方法两大类。
基于系统数学模型的故障检测诊断技术是通过构造观测器估计出系统输出,然后将它与输出的测量值比较从中取得故障信息。该方法能与控制系统紧密结合,是监控、容错控制、系统修复和重构的前提;是以现代控制理论和现代优化方法为指导,以系统的数学模型为基础,利用观测器(组)、等价空间方程、滤波器、参数模型估计和辨识等方法产生残差,然后基于某种准则或阈值对该残差进行评价和决策。
基于非模型的故障诊断方法包括基于可测信号处理的故障诊断方法;基于故障诊断专家系统的诊断方法;故障模式识别的故障诊断方法;基于故障树的故障诊断方法;基于模糊数学的故障诊断方法;基于人工神经网络的故障诊断方法。
1.3 技术研究现状
目前,国内外主要的技术研究主要集中在传感技术,信号分析预处理技术,人工智能与专家系统,神经网络和诊断系统的开发与研究这几个方面。
近年来,人们对多传感器数据融合技术的关注度越来越高,也将此项技术应用的更加广泛,充分的发挥了其性能稳健,时空覆盖区域广阔,测量维数较多,目标空间分辨力较好等特点,使得多传感器数据融合技术的理论和方法成为智能信息研究的重要领域。
2 多传感器信息融合技术
2.1 多传感器信息融合技术的定义
为达到某一特定的目标,针对一个系统中使用多个传感器而进行的信息处理即信息融合。信息融合可解释将多传感器信息综合利用的同时,充分利用空间的多传感器数据资源和不同时间,对于按时间序列获得的多传感器观测数据运用计算机技术进行处理,并在一定的规律或准则约定下进行有效的分析、综合、支配和使用,通过它们之间的协调和性能互补的优势,克服单个传感器的不确定性和局限性,获得对被测对象的一致性解释与描述,进而实现相应的决策和估计,从而使得系统可以获取到更加充分的信息,使得整个传感器系统的有效性能得到全面的提高和完善,达到全面准确地描述被测对象的目的。多传感器的硬件基础是信息融合,信息融合的加工对象是多源信息,信息融合的核心是协调优化和综合处理。
2.2 多传感器信息融合技术的优点
多传感器信息融合技术的优点有很多,其优点主要表现为信息的冗余性、互补性、实时性、和低成本性。
2.3 多传感器信息融合的主要方法
多传感器信息融合技术自诞生起,就受到了科研学者及社会的普遍关注,各种不同的信息融合技术也不断诞生从而被人们所认识和接触,并被人们运用到实际的工作中。
2.4 多传感器信息融合的层次结构
目前的多传感信息融合系统中由数据层融合、特征层融合和决策层融合组曾的三级融合系统是目前普遍被大家认同的并广泛应用的。
2.4.1 数据层融合是最低层次的融合,它主要是来自于同等量
级别的传感器的原始数据进行最直接简单的融合,之后进行一定的特征提取和身份识别。卡尔曼滤波法和加权平均法是数据层融合的主要及常用方法。
2.4.2 中间层次的融合就是特征层融合,它先从传感器中对原
始信息进行一定的特征提取然后将提取的特征信息进行综合的分析和有效的处理。其优点主要表现在它实现了信息的大量的客观的压缩,同时非常的有利于信息的实时处理,并且可以最大限度的给出所需要得特征信息以方便做出最后的决策分析。神经网络法和模糊推理法是目前人们最熟知和常用的特征融合方法。
2.4.3 决策层融合高层次的融合即决策层融合,其主要的作用
就是为控制决策提供必要和必须的依据。从具体的决策问题的需求出发是决策层融合的前提和关键,其次要根据实际所面临的问题,充分的利用各方面所提供的信息,采用最适当的信息融合技术来实现解决问题。决策层的融合直接针对的是具体决策目标,它的融合结果直接的影响着最终的决策水平,是整个三级融合最终的产物。目前常用的决策层融合方法是D-S证据推理法和贝叶斯估计法。
3 总结
作为一门新兴的技术,信息融合技术涉及到了很多其他技术方面,例如计算机技术,人工智能技术,模拟识别技术等等,同时它也是未来机械诊断所需要的必要技术,因此信息融合技术有着强大的实际应用价值和良好的发展前景。就目前情况来看,有很多基于信息融合技术的故障诊断方法,各种诊断方法相互组合应用相互融合,必然将达到更好的诊断效果。
摘要：现代机械设备大都具备大型化、智能化、复杂化等特点,为了方便日常的诊断维修,能够熟练的指出机械故障的诊断方法是非常必要的。多传感器信息融合技术是机械故障诊断的热点,本文在充分介绍多传感器信息融合的方法与特点的基础上,加深探讨了其在机械设备故障诊断中的应用前景,并指明了机械设备故障诊断这一研究的方向。
关键词：传感器,信息融合,机械,故障诊断
参考文献
[1]张斌,张微薇.机械设备故障诊断技术概述[J].建筑机械化,2005,(8):14-36.
[2]黄伟力,黄伟建,王飞.机械设备的故障诊断技术及其发展趋势[J].矿山机械,2005,33,(1):66-68.
多传感信息融合技术 篇7
在当代社会中, 随着科技和经济的不断发展, 人口的相对集中主要体现在一些商业区、住宅区以及校园区等等, 这就加大了火灾危害的程度。如果人们能在火灾初期就能及时发现并且将其迅速扑灭, 那么就能够使火灾的损失降到最低。本文就火灾预警系统模型进行了整合。
1 多传感器信息融合系统总体结构
从图1可以看出, 本系统采用的是三层融合系统, 即像素层、特征层和决策层[1]。各个层次完成的主要任务如下: (1) 像素层, 最主要是负责完成探测器探测到的初始数据的采集和预处理; (2) 特征层, 将像素层经过处理的特征并行利用信息神经网络技术和模糊变换理论进行一定的融合, 从而实现非火灾源、阴燃火、明火以及火灾概率的识别; (3) 决策层, 通过对特征信息得到不同火灾情况的概率分析, 再利用适当的融合技术和模糊逻辑推理技术得到最终决策结果。
2 火灾探测系统模型算法流程图
图2为火灾探测系统模型算法流程图。火灾探测器探测到的基本数据开始时要在像素层中做适当的预处理, 提取这些不同类型的特征参量[2];其次特征层要把这些有用的特征信息置入特征融合器进行融合从而获得该层的融合结果;最后决策层把这些结果结合辅助信息进行一定的融合并通过模糊逻辑推理得到正确的决策输出结果。综上所述, 多传感器信息融合技术的火灾探测系统的基本思路就是将这些原始信息由信息低层向信息高层进行逐层融合得到最终的结果[3]。
图3为探测系统决策原理, 其中X1、X2和X3分别代表经过局部处理过后的CO气体、温度大小和烟雾浓度, 把这三个火灾特征参量在同一时间段里分别传到BP网络和模糊变换两种不同的特征融合器进行特征融合[3], 从而能够得到三种不同的融合结果明火概率Y1、阴燃火概率Y2、非火灾源概率Y3和火灾概率Z, 为后续决策层提供更全面的输入信息,
最终得出更加准确的决策结果[4]。
3 BP算法流程图
本文运用了BP神经网络, 将其作为其中之一的特征融合器, 图4为BP算法流程, 它的主要运作模式就是通过现场中已经发生过的火灾数据来进行网络的学习并且训练, 在训练过程中该网络改变其权值, 直到权值矩阵符合该网络的要求才算真正完成系统要求的任务,
然后才可以把这个网络进行泛化, 实现人工智能的目的[5]。
4 结束语
本文结合火灾探测技术的基本特点, 建立起基于多传感器信息融合的火灾探测系统的模型。整个系统的探测算法分为三层, 即像素层、特征层和决策层。在像素层中, 探测器对CO气体、温度、烟雾等特征参数进行数据采集和预处理[6];在特征层中, 将像素层中得到的信息利用BP神经网络和模糊变换进行融合, 实现目标对象特征非火灾源概率、阴燃火概率、明火概率以及火灾概率的识别, 为决策层提供直接性判据和间接性判据[7];在决策层中, 根据特征层提供的信息进行判断分析, 当特征层提供的信息可以判定火灾情况, 则直接输出, 反之, 则利用融合技术和推理判断技术把像素层的数据再次进行融合得到决策结果。
参考文献
[1]王耀南, 李树涛.多传感器信息融合及其应用综述[J].控制与决策, 2001, 16 (5) :518-522.
[2]张兢.基于多通道自适应加权融合算法的火灾特征识别[J].国外电子测量技术, 2006, 25 (1) :31-34.
[3]王晔.多方面监测火灾特征以区分火灾探测[J].消防技术与产品信息, 2001 (4) :46-52.
[4]袁宏永, 苏国锋, 李英.高大空间火灾探测及灭火新技术[J].消防技术与产品信息, 2003, 10:71-72.
[5]张兢, 路彦和, 雷刚.基于多传感器数据融合的智能火灾预警系统[J].计算机工程与应用, 2006 (6) :206-208.
[6]吴龙标, 袁宏永.火灾探测与控制工程[M].合肥:中国科学技术大学出版社, 1999.
多传感信息融合技术 篇8
在我国球磨机制粉系统是火电厂主要的辅助系统。对于中间仓储式制粉系统,球磨机的用电量约占制粉系统用电量的70%,占厂用电的15%左右,是电厂的耗电大户,也是潜在的节能大户。因此如何有效地使球磨机安全、高效、节能运行是电厂的重要目标[1,2,3]。理论和实践均已证明,当球磨机系统的出力接近最大,制粉的单位电耗较小,此时所对应的工况就是最佳工况。要降低制粉电耗,必须提高给煤机转速,增加筒内料位,增大制粉出力;但是料位太高容易造成球磨机堵煤。实际生产中,由于滚筒内部运行环境复杂和球磨机自身的特点,目前还缺乏对料位的有效监测,只能使球磨机在低出力下运行以防止堵煤,从而牺牲了经济性。因此如何有效、准确地监测料位,成为球磨机优化控制的关键。
目前料位测量的方法主要有压差法、音频法、功率法、振动法、气动差压法、应变法和油压法等[4,5,6,7,8,9],在此基础上的球磨机控制方法也有一定研究成果[10,11,12]。但是上述方法只是利用了球磨机运行中的某一类信息来反映料位,均存在各自的缺点,造成现有控制系统响应慢、无自适应能力﹑控制对象难以始终运行在最佳工况下,控制系统利用率不高,目前基本处于人工操作,导致制粉单位电耗偏高,系统优化节能长期得不到很好的解决。
针对球磨机系统控制的难点和不足,本文提出了一种基于多传感器信息融合的料位检测方法,并在此基础上研究了球磨机优化控制算法。仿真和应用结果表明了该算法的有效性和实用性。
1 料位与球磨机过程参数关系
1.1 料位的定义
料位为球磨机滚筒内煤的体积占滚筒有效容积(滚筒体积减去钢球所占体积)的百分比,即:
其中,L为球磨机料位;V为球磨机筒体体积;Bbt为筒内存煤量;Ggq为钢球装载量;ρm为原煤密度;ρgq为钢球堆积密度。
1.2 料位与出力的关系
根据球磨机进出口质量平衡方程[13,14]可知,球磨机出力Bm为:
其中,Bb为由球磨机型号计算的出力;Ktm﹑Ktf和Kcf分别为球磨机出口温度、系统通风量和粗粉分离器折向门开度变化对球磨机出力影响的修正系数;α为料位修正系数。
1.3 料位与进出口压差的关系
根据球磨机进出口压差-流量动态模型[13],压差ΔPm是球磨机出力Bm、通风量Gtf、钢球装载量Ggq和料位L的函数,即:
其中,g(·)为压差与出力、通风量、钢球装载量和料位之间的非线性函数。
1.4 料位与筒体振动的关系
球磨机运行时,钢球、煤块与护甲之间,钢球之间,钢球与煤块之间产生的撞击造成球磨机的振动。钢球的一部分能量被原煤所吸收,实现原煤的破碎和研磨过程,另一部分能量消耗在钢球之间的碰撞摩擦以及钢球与护甲的碰撞摩擦,这一部分能量的释放导致了滚筒的振动,并沿着筒体和轴承座传播开来,引起球磨机轴承的振动。
根据能量守恒定律,对于转速恒定、钢球装载量一定的球磨机而言,功率方程可描述为:
其中,P为钢球功率,为常数;PsT为磨煤过程中所需有效功率与热损的总和;Pz为球磨机振动所消耗的功率,即钢球碰撞功率。
由式(4)可知,Pz与Ps T密切相关,Ps T越小,则Pz越大,反之则Pz越小;而Ps T与L变化趋势一致,因此Pz和L之间存在一定的对应规律,两者基本为弱非线性关系,从理论上可以认为对于同一台球磨机,运行时滚筒内料位升高则筒体振动减弱,反之则振动增强。
此外,根据球磨机运行机理分析,料位还与球磨机运行电流有关,尤其是在钢球装载量一定的情况下,电流的变化反映了料位的变化。
2 基于多传感器信息融合的球磨机料位检测
2.1 传感器信息的选取和采集
在球磨机实际运行中,球磨机的型号一旦确定,相关的规格参数如筒体直径、长度、转速等就是确定的;且通过优化实验可以确定一些重要的设备参数,如钢球装载量、粗粉分离器开度和系统通风量,因此可以认为这些参数是不变的。根据第1节的分析可知,球磨机料位主要与出力、运行电流、进出口压差、出口温度和筒体振动信息有关。在这些参数中,除了筒体振动信号之外,其他过程参数都由传感器进行数据采集和传输,本文重点研究筒体振动信号的采集、保存与传输问题。
本文开发出一套由数据采集器-数据通信器-PC机3层结构组成的球磨机筒体振动信号采集装置[15,16]。将振动检测装置的数据采集器安装在球磨机筒体上,与传感器相连;将振动检测装置的数据通信器安装在球磨机筒体附近,通过串口线与PC机相连。每对采集器与通信器独立工作,并保持采样同步。PC机可以控制振动检测装置按照指定的采样频率、采样长度和采样角度进行筒体振动信号的采集。PC机的命令通过串口传给数据通信器,再由数据通信器通过无线传输发送给数据采集器;数据采集器接收到命令后,配置采样参数,按照要求进行采样;采样结束后,数据采集器将采样数据通过无线传输发送给数据通信器,再由数据通信器将串行数据发送至PC机;PC机接收到数据后,进行数据的解析、保存等工作。最后,通过变送器转化为4~20 m A电流信号送到分散控制系统(DCS)中。
实验中,在距离进煤端和出煤端2.4 m处,沿滚筒轴向各安装1个振动加速度传感器;将振动数据采集装置的数据采集器安装固定在球磨机筒体上,并与传感器相连;将振动检测装置的数据通信器安装在球磨机筒体附近,通过串口与PC机相连,振动传感器安装位置如图1所示。
2.2 基于LS-SVM的料位信息融合
最小二乘支持向量机LS-SVM(Least SquareSupport Vector Machine)是标准支持向量机的一种扩展,它与标准支持向量机的主要区别是采用了等式约束,并将求解优化问题转成求解线性方程,避免了求解耗时的受约束的二次型规划(QP)问题,求解速度相对加快。另外,其需要预先确定的参数也比标准支持向量机算法少,目前广泛用于模式识别、信息融合等领域。本文采用LS-SVM实现多传感器信息的融合。
为了获取料位信息融合的数据样本,以某电厂135 MW机组DTM350/600型球磨机进行实验。实验中,通过调节给煤量改变实验工况以改变筒内料位,在不同的给煤量和料位工况下采集实验数据。其中,球磨机筒体振动信号由现场同步采集,其他过程参数由电厂DCS实时采集。选取给煤量为45 t/h的工况下所获得的试验样本数据50组,前30组数据作为LS-SVM的训练样本,后20组数据用来验证模型的泛化能力。LS-SVM算法正规化参数和径向基核参数为:λ=40,σ=25。
为了便于比较,针对同一组样本,给出LS-SVM算法与径向基神经网络(RBFNN)算法、偏最小二乘回归(PLS)算法的信息融合结果比较,如图2所示。
定义泛化均方根误差如下:
其中,yk和y赞k分别为样本的实际值和模型值,N为样本总数。
比较结果如下:LS-SVM算法为0.016 1,RBFNN算法为0.022 3,PLS算法为0.031 0。可知,LS-SVM算法的精度高于RBFNN算法和PLS算法,说明基于LS-SVM的料位信息融合方法具有较高的精度和泛化能力。
3 基于料位检测的球磨机模糊控制
球磨机优化控制是指在料位检测的基础上,通过调节给煤机转速,将负荷(料位)控制在优化状态,使得出力达到最佳。球磨机对象的动态特性随工况参数的变化而变化,难以建立精确的数学模型,使得常规的PID控制难以取得较好的控制效果。模糊控制是将手动操作的经验用模糊语言加以描述,总结成一系列模糊控制规则,可以实现不过于依赖精确数学模型即可达到很好的控制效果。因此,本文将采用模糊控制算法进行控制。
料位模糊控制器采用料位误差和误差的变化率作为输入量。料位误差变化范围取[-10%,10%],误差变化率的变化范围取[-3%/min,3%/min]。选择误差Em的论域为X1,误差变化率Cm的论域为X2,输出量U1的论域为Y1。输入变量X1的语言值模糊子集取为{NB,NM,NS,0,PS,PM,PB},代表{负大,负中,负小,零,正小,正中,正大}。输入变量X2、输出变量U1的语言值模糊子集取为{NB,NM,NS,0,PS,PM,PB},量化论域:X1={-3,-2,-1,0,+1,+2,+3},X2={-3,-2,-1,0,+1,+2,+3},Y1={-3,-2,-1,0,+1,+2,+3}。根据Mamdani模糊推理合成运算,并采用最大隶属度法来求输出语言变量U1在论域上的值,可以得到料位的模糊控制表,如表1所示,表中数据分别为Em、Cm和U1在论域上的值。
基于某电厂现有的Network-6000+集散控制系统,研究料位测控系统的实现。在硬件设计中,在球磨机筒体上安装振动信号加速度传感器,通过变送器转化为4~20 m A电流信号送到DCS中,其他信号都可使用DCS中已有的信号,不需要增加其他硬件设备。软件组态采用图形化、模块化组态方式,根据DCS所提供标准的多种功能及算法模块,实现数据采集、料位检测、模糊控制等功能。负荷模糊控制曲线如图3所示。
由图3可见,当负荷设定值由30%变化到40%时,给煤量迅速调整,从而使负荷达到设定值。通过模糊控制策略对球磨机负荷进行了有效控制,提高了给煤量和制粉出力,而且能够使系统维持在高出力工况下运行。因此,与手动控制相比,自动控制系统能有效地提高出力,降低制粉单位电耗。
4 结论
多传感信息融合技术 篇9
当前,随着社会经济生活的不断发展,对能源资源消耗巨大,传统能源将越来越少。新能源沼气技术不仅能解决群众生活用能的问题,也可以降低对传统能源的依赖,保护生态环境,有效改善人们的生活质量,促进当地经济可持续发展,因而在全国范围内得到了大力推广[1]。为了能顺利地解决众多能源问题、顺利地使农村地区走上可持续型发展道路,合理地开发和利用农村能源将具有极其重要的意义[2]。但因沼气使用的自动化程度和安全性不高,广大农户的使用情况并不理想。比如:发酵池内部甲烷浓度、二氧化碳浓度过高,均存在安全隐患;发酵效率易受温度、气体浓度和料液PH值影响,产气率得不到稳定保障;传统沼气发酵技术仅仅凭借经验,没有实现数据化智能化控制,同时缺乏预警系统,不能将该技术的危险系数降到最低。如果能对多个沼气池内各项指标采集实时数据,并及时做出决策,则可以显著提升系统发酵效率、自动化程度和系统安全性。因此,本文提出了采用多传感器信息融合技术实现对沼气池的远程智能监控。
2 多传感器信息融合技术基本原理
多传感器信息融合(MSIF)是目前我国信息领域一项颇有前景的研究方向,其主要过程就是将数据现场和多传感器采集的信息数据结合,在一定的准则下,通过计算机技术实现自动分析综合,达到所需要的决策和估计。它可以获得比单个传感器更可靠、更全面的综合信息。避免了单个传感器信息的不完整性,消除单个传感器的信息盲区,有利于提高多传感器信息处理结果的质量,实现最终的决策[3]。多传感器数据融合技术充分利用了多个信源,类似于大脑对信息处理的过程,对所采集信息综合支配和使用,实现对被测对象的统一解释[4]。该系统中信息之间都是相互联系的,信息融合将多传感器之间的冗余和互补信息按一定的规则进行优化组合,合理地配置和运用各个传感器所采集的信息,来达到对监测环境的一致描述[5]。
多传感器的融合技术经常采用的方法有加权平均法、统计决策理论法、贝叶斯估计、模糊神经网络、证据推理法等等[6]。
3 智能沼气池监控系统设计
3.1 智能监控系统结构
基于多传感器数据融合技术的远程智能沼气池监控系统共分为三个层次。
第一层是分布式无线传感器网络。由分布在沼气池内的甲烷传感器(MQ-2)、二氧化碳传感器(MG-118)、温度传感器、PH值传感器等构成的多传感器终端组成,用于池内各项指标的实时监测,并进行数据的实时采集。
第二层是云技术服务平台。运用多协议融合技术将数据汇聚到现场智能主机,并通过4G无线通信网络传入云服务器平台,完成特征级数据融合,并将分析处理后的数据提供给移动终端的用户或维修中心监测,实现云服务器与现场测控设备之间高速、平稳的数据交换。
第三层是由移动终端设备组成。提供监测服务时,允许授权用户通过手机、PC机等移动终端访问云服务器平台,并能将用户或维修监控中心的控制信号传输给上位机,由上位机发出指令,实现远程监控。如图1所示是智能监控系统结构。
3.2 系统的硬件设计
系统设计中的普通传感器网络节点由TI公司的CC2431芯片作为核心处理器,外加相应的外围电路,包括数据采集传感器模块、数据处理模块、数据传输模块、电源管理模块等组成,用于传感器数据的采集和处理并构成分布式无线多传感器网络系统。多传感器网络系统是整个信息数据融合的硬件基础,多传感器信息是它的操作对象,通过对信息进行综合优化,实现融合的核心操作[7]。
而作为传感器网络系统的主控制器选择了ATMEL公司基于ARM Cortex-M内核的STM32系列嵌入式处理器STM32F103C8T6,其高性能、低成本、低功耗,是作为嵌入式芯片的一大优势,便于将实时数据汇聚到现场主机。如图2,为无线传感网络节点的结构设计。
STM32F103C8T6作为现场主机内部核心芯片,使用了两个重要的串口,其中USRT接口与CC2431芯片相接,用于处理无线传感网络节点汇聚到现场主机的数据,实现快速数据交互,而另一个串口与4G无线模块相接,通过串口的AT指令使4G无线模块与网络相接,并将现场数据上传至云服务器,同时接受云服务器发来的测控指令。图3即为现场数据无线传输系统图。
3.3 系统的软件实现
服务器软件的设计是本系统软件实现最重要、最核心的部分。“云服务器平台”的搭建离不开性能可靠的硬件设施(如数据采集终端、无线传感网络等),也离不开相应的服务器软件。因此,云服务器软件的设计需充分考虑到各种复杂的网络环境,用户可以随时访问云服务并进行资源管理,而不再受地点或设备的限制,从而提供优质的用户体验。与此同时,通过实时接收云服务器监控结果,用户能够全面地掌控当前云服务器的运行状态[8]。
针对大多数的Windows操作系统用户,可采用B/S(Brows⁃er/Server,即浏览器/服务器)和C/S(Client/Server,即客户端/服务器)两种工作方式。基于Microsoft提供的标准网络接口函数(如MFC的CSocket类等),结合沼气发酵池中各数据采集终端的分布特点、指令和数据的传输方式,采用先进的多线程处理技术,设计出用于统一“监控中心”的服务器软件,实现数据的准确传输。集控制和管理于一体的智能监控软件管理系统如图4所示。
以基于B/S架构的客户端软件为例,应用软件应基于模块化设计,可扩展性好,适用于各种应用现场,界面友好,操作简单,易学易用,且具有“定时检测”、“实时检测”等多种用户自定义功能,允许授权用户通过互联网实现对现场的实时监控,提供报表打印、数据分析等功能。对于C/S工作方式下的客户端软件,Android智能手机操作系统具有开放性好、功能扩展性强,便于支持应用程序开发的优点[9],则可基于安卓开发环境中使用Java的整合型可扩平台Eclipsc来实现移动终端软件的设计,做出具有良好的人机交互性的移动终端软件,便于用户更加直观清晰地了解沼气池内部数据指标,实现远程智能沼气池监控功能。
4 结论与展望
本论文设计的远程智能沼气池监控系统,应用了最新最热、使用前景广阔的多传感器信息融合技术。国际上已有许多公司不断推出智能传感器产品,如美国的Honeywell公司固态电子中心(SSEC)开发的PPT系列的精密智能压力传感器具有数字补偿、组态、控制、通讯的功能,具有RS-232C,RS485,USB串行接口或EPP并行接口,国内也有研究机构与企业已经开始开发智能化传感器[10]。
该系统的设计以沼气池内环境信息采集处理为目标,设计了三级处理系统。设计中采用了数据融合思想,对采集到的环境信息进行同质和异质融合,去除冗余信息,减少数据通信量,避免传感器采集冲突。采用了图形化界面,并在本地计算机上实现了服务器功能,通过手机端智能实时监测沼气池内环境情况。通过整个系统的有机运行,提高了发酵池内外应急联动能力,提升了自动化水平和发酵池安全性,极大地节省了人力资源,降低了系统能耗。可以预见,在未来生活中的各个领域,环境信息的动态监测与分析将会广泛应用,可依据本系统进行相应功能的扩充与修改,必然能够得到十分有价值的应用前景。
参考文献
[1]王飞,蔡亚庆,仇焕广.中国沼气发展的现状、驱动及制约因素分析[J].农业工程学报,2012,28(1):184-189.
[2]李萍.农村户用沼气池建设的能源、经济、环境效益研究[D].南京:南京农业大学,2007:1-2.
[3]周芳,韩立岩.多传感器信息融合技术综述[J].遥测遥控,2006,27(3):1-7.
[4]黄惠宁,刘源璋,梁昭阳.多传感器数据融合技术概述[J].科技信息,2010(15):72-73.
[5]孔军.基于多传感器信息融合的道路收费系统[J].电子技术,2003(1):55-57.
[6]高金辉,陈玉珠,汪晓晨.多传感器信息融合技术在智能火灾报警系统中的应用[J].传感器世界,2008(6):41-44.
[7]林月芳,吉海彦.基于多传感器信息融合技术的防盗报警系统[J].微计算机信息,2003(10):58-59.
[8]薛琳.基于i OS平台的云服务器管理系统研究与实现[D].上海:东华大学,2014:1-2.
[9]叶小岭,赵二摆,朱春阳.基于Android智能手机的户用沼气池管理系统[J].江苏农业科学,2014,42(6):358-360.
多传感器信息融合综述 篇10
多传感器信息融合是随着传感器技术、数据处理技术、计算机技术、网络通讯技术、人工智能技术和并行计算的软硬件技术等相关技术的发展而诞生的一门新兴学科。信息融合是关于协同利用多传感器信息, 进行多级别, 多方面, 多层次信息检测、相关、估计和综合以获得目标的状态和特征估计以及态势和威胁评估的一种多级信息自动处理过程。它首先广泛地应用于军事领域, 如海上监视、空-空和地-空防御、战场情报、监视和获取目标及战略预警等, 随着科学技术的进步, 多传感器信息融合至今已形成和发展成为一门信息综合处理的专门技术, 并很快推广应用到工业机器人、智能检测、自动控制、交通管理和医疗诊断等多种领域。
1 多传感器信息融合的概念
信息融合 (information fusion) 起初被称为数据融合 (data fusion) , 起源于1973年美国国防部资助开发的声纳信号处理系统, 其概念在20世纪70年代就出现在一些文献中。在20世纪90年代, 随着信息技术的广泛发展, 具有更广义化概念的“信息融合”被提出来。在信息融合领域, “多传感器融合”、“数据融合”和“信息融合”都被人们经常提及, 实际上, 它们之间是有差别的, 但在不影响应用的前提下, 数据融合和信息融合是可以通用的。本文作者认为比较确切的概念为:综合来自多个传感器的感知数据, 以产生更可靠、更准确或更精确的信息。经过融合的多传感器系统能完善地、精确地反映检测对象特性, 消除信息的不确定性, 提高传感器的可靠性。
2 多传感器信息融合的层次
在多传感器数据融合中, 数据的多样化要求按照数据的类型、采集方式特点或工程的需要有层次、分步骤的进行融合, 这就需要引入数据融合的层次问题。一般来说, 数据荣浩然有三种基本结构:即数据层融合、特征层融合和决策层融合。
2.1 数据层融合
这是最低层次的信息融合。这种方法是直接在采集到的原始数据层上进行的融合, 在各种传感器的原始测量未经处理之前就进行数据的综合分析。
2.2 特征层融合
这是中间层次的信息融合。在这种方法中, 每种传感器提供从观测数据中提取的有代表性的特征, 这些特征融合成单一的特征向量然后运用模式识别的方法进行处理。这种方法对通信带宽的要求较低, 但由于数据的丢失使其准确性有所下降。
2.3 决策层融合
这是最高层次的信息融合。在这种方法中, 将每个传感器采集的信息变换, 以建立对所观察目标的触笔结论, 最后更具一定的准则以及每个判定的可信度做出最优决策。
3 信息融合的主要算法
多传感器数据融合的常用方法基本上可概括为随机和人工智能两大类, 随机类算法有加权平均法、卡尔曼滤波法、多贝叶斯估计法、证据推理、产生式规则等;而人工智能类则有模糊逻辑理论、神经网络、粗集理论、专家系统等。可以预见, 神经网络和人工智能等新概念、新技术在多传感器数据融合中将起到越来越重要的作用。以下扼要介绍这些技术方法。
3.1 平均加权算法
信号级融合方法最简单、最直观方法是加权平均法, 该方法将一组传感器提供的冗余信息进行加权平均, 结果作为融合值, 该方法是一种直接对数据源进行操作的方法。
3.2 卡尔曼滤波法
卡尔曼滤波主要用于融合低层次实时动态多传感器冗余数据。该方法用测量模型的统计特性递推, 决定统计意义下的最优融合和数据估计。
3.3 多贝叶斯估计法
多贝叶斯估计将每一个传感器作为一个贝叶斯估计, 将各个单独物体的关联概率分布合成一个联合的后验的概率分布函数, 通过使用联合分布函数的似然函数为最小, 提供多传感器信息的最终融合值, 融合信息与环境的一个先验模型提供整个环境的一个特征描述。
3.4 证据推理法
证据推理是贝叶斯推理的扩充, 其3个基本要点是:基本概率赋值函数、信任函数和似然函数。D-S方法的推理结构是自上而下的, 分三级。第1级为目标合成, 其作用是把来自独立传感器的观测结果合成为一个总的输出结果 (D) ;第2级为推断, 其作用是获得传感器的观测结果并进行推断, 将传感器观测结果扩展成目标报告。这种推理的基础是:一定的传感器报告以某种可信度在逻辑上会产生可信的某些目标报告;第3级为更新, 各种传感器一般都存在随机误差, 所以, 在时间上充分独立地来自同一传感器的一组连续报告比任何单一报告可靠。因此, 在推理和多传感器合成之前, 要先组合 (更新) 传感器的观测数据。产生式规则采用符号表示目标特征和相应传感器信息之间的联系, 与每一个规则相联系的置信因子表示它的不确定性程度。当在同一个逻辑推理过程中, 2个或多个规则形成一个联合规则时, 可以产生融合。应用产生式规则进行融合的主要问题是每个规则的置信因子的定义与系统中其他规则的置信因子相关, 如果系统中引入新的传感器, 需要加入相应的附加规则。
表1对常用的数据融合算法进行了比较。
4 结束语
多媒体信息融合是一个新兴的研究领域, 随着信息融合技术的发展, 其应用领域得以迅速扩展。信息融合已成为现代信息处理的一种通用工具和思维模式。本文主要对多传感器信息融合的概念, 层次以及主要算法进行了论述, 多媒体数据融合技术具有十分广泛的应用前景, 一下两个研究方向是我们值得关注的:一是基于Agent的信息融合;二是WEB信息融合。
摘要：多传感器信息融合是一门新兴的学科, 它已被广泛应用于许多研究领域。本文主要对多传感器信息融合的概念, 多传感器信息融合的层次, 信息融合的主要算法等方面进行了介绍和展开了综述。
关键词：多传感器,信息融合,综述
参考文献
[1]杨万海.多传感器数据融合及其应用[M].西安:西安电子科技大学出版社, 2004, 4.
[2]何友, 王国宏.多传感器信息融合及应用[M].北京:电子工业出版社, 2000, 11.
[3]高隽.智能信息处理方法导论[M].北京:机械工业出版社, 2004, 6.