一種針對證據(jù)沖突的d-s證據(jù)法融合改進方的制作方法
【技術領域】
[0001] 本發(fā)明涉及及故障診斷技術領域，尤其涉及一種針對證據(jù)沖突的D-S證據(jù)法融合 改進方法。
【背景技術】
[0002] 齒輪箱故障診斷由于采用了基于D-S證據(jù)法的多傳感器融合診斷技術，提高了診 斷效率。其融合規(guī)則:假設齒輪箱故障類型辨識框架0={Sl，S2,…，Sn}，即有n種故障，有s 個證據(jù)：m i : m i ( S j )，（ i = 1，2，…，s ; j = 1，2，…，n )，則融合后的概率分配 。該方法能有效地辨識齒輪箱故障。 q=^ p=i
[0003] 然而，當個別傳感器出故障，按照D-S融合規(guī)則，有可能得出錯誤結(jié)論。因此有必要 對D-S融合規(guī)則進行改進。
[0004] 當前，尹學忠提出的基于J 0 u s s e 1 m e距離的證據(jù)加權(quán)融合方法，利用基于 Jousselme距離的證據(jù)沖突度構(gòu)造證據(jù)相互支持度矩陣，進而計算證據(jù)權(quán)重，最后利用D-S 融合規(guī)則對加權(quán)修正后的證據(jù)進行融合，有效地解決了"一票否決"問題，但正確率不高； Yager提出將沖突分配給辨識框架，導致組合中損失了大量原本有效的信息使得融合后證 據(jù)的不確定性增大;Dubois提出將沖突分配給并集，但正確率不高;王玉成提出的基于角度 相似度的證據(jù)加權(quán)融合方法，利用證據(jù)向量的夾角余弦值度量證據(jù)之間的相似性，并構(gòu)造 相似度矩陣，從中獲取證據(jù)的置信度并對原證據(jù)進行修正得到新的證據(jù)，并按照D-S融合規(guī) 則組合，有效地解決了"一票否決"問題，但正確率不高;Shafer提出的折扣運算，是在知道 某些不確定性因素的先驗信息時，把它加入到證據(jù)的概率分配m函數(shù)中，轉(zhuǎn)化為適當?shù)恼劭?因子，對m函數(shù)進行適當?shù)男拚?，并按照D-S融合規(guī)則組合，該方法的主要問題是如何確定 先驗信息的折扣率;Murphy提出了一種證據(jù)平均組合規(guī)則，首先將證據(jù)基本信度指派進行 平均，然后再用D-S融合規(guī)則進行信息融合，該方法只是將多源信息進行簡單的平均，沒有 考慮各個證據(jù)之間的相互關聯(lián);Deng利用改進的歐氏距離來求出證據(jù)之間的相關性，并求 出證據(jù)權(quán)重，然后修改原證據(jù)，再用D-S融合規(guī)則進行信息融合，有效地解決了 "一票否決" 問題，但正確率不高。

【發(fā)明內(nèi)容】

[0005] 本發(fā)明所要解決的技術問題在于，提供一種針對證據(jù)沖突的D-S證據(jù)法融合改進 方法，正確率高，有效地解決了 "一票否決"問題。
[0006] 為了解決上述技術問題，本發(fā)明提供了一種針對證據(jù)沖突的D-S證據(jù)法融合改進 方法，包括：
[0007] 按照D-S證據(jù)法融合規(guī)則進行融合，得到融合結(jié)果mlAO;其中，辨識框架為? =
，布爾代數(shù)子集為{ ?，Ai，A2，'"，A2n-1}，有S個證據(jù):mi:m
_ =1，2,…，2n-l;
[0008] 將每個概率分配值mi(Aj)都加上一個正數(shù)N，得到MiUj^nuUjHN，再將Mi(Aj)按 照D-S證據(jù)法融合規(guī)則進行融合得到M(、），之后將每個M(、)都減去N的最高次項Ns，得到Mo (心），再進行歸一化后得到融合結(jié)果
5
[0009] 對比融合結(jié)果以、)和m⑷），若融合結(jié)果0、)和m (、)指向不同的故障類型，則 融合結(jié)果m (、）即為最終融合結(jié)果；
[0010] 若融合結(jié)果和m (、）指向同一的故障類型，則設； h將每 個nu (&)都減去e后，再按照D-S證據(jù)法融合規(guī)則進行融合，得到融合結(jié)果m ' (、）；
[0011]對比融合結(jié)果n^A^nTUj)和m'（A丄選取其中指向性最強的融合結(jié)果為最終融 合結(jié)果m(Aj)。
[0012]進一步的，N為遠大于1的正數(shù)。
[0013] 實施本發(fā)明，具有如下有益效果：本發(fā)明正確率高，有效地解決了"一票否決"問 題，應用于故障診斷時，能保證故障診斷結(jié)果正確的前提下，在傳感器系統(tǒng)不出故障時提高 診斷效率;在個別傳感器出故障時并可能提高診斷效率，避免因為個別傳感器不準確而導 致整體決策出錯，有效地解決"一票否決"問題。
【具體實施方式】
[0014] 下面將對本發(fā)明實施例中的技術方案進行清楚、完整地描述，顯然，所描述的實施 例僅僅是本發(fā)明一部分實施例，而不是全部的實施例。基于本發(fā)明中的實施例，本領域普通 技術人員在沒有作出創(chuàng)造性勞動前提下所獲得的所有其他實施例，都屬于本發(fā)明保護的范 圍。
[0015] 本發(fā)明實施例提供了 一種針對證據(jù)沖突的D-S證據(jù)法融合改進方法，包括步驟：
[0016] 按照D-S證據(jù)法融合規(guī)則進行融合，得到融合結(jié)果其中，辨識框架為? = .
」布爾代數(shù)子集為......，有s個證據(jù):mi:mi(Aj)，i = l，2,…，s，j
=1，2,…，2n-l;
[0017] 將每個概率分配值mi (Aj)都加上一個正數(shù)N，得到Mi (Aj) =nu (Aj)+N，再將Mi (Aj)按 照D-S證據(jù)法融合規(guī)則進行融合得到M(、），之后將每個M(、)都減去N的最高次項Ns，得到Mo (、），再進行歸一化后得到融合結(jié)身
'N為遠大于1的正數(shù)。
[0018] 對比融合結(jié)果以、)和m⑷），若融合結(jié)果0、)和m (、)指向不同的故障類型，則 融合結(jié)果m (、）即為最終融合結(jié)果；
[0019] 若融合結(jié)果以、)和m(Aj)指向同一的故障類型，則設
將每 個nu (&)都減去e后，再按照D-S證據(jù)法融合規(guī)則進行融合，得到融合結(jié)果m ' (、）；
[0020] 對比融合結(jié)果
選取其中指向性最強的融合結(jié)果為最終融 合結(jié)果m(Aj)。
[0021 ]下面對于本發(fā)明得效果進行具體實施驗證。
[0022] 驗證例1
[0023]將本發(fā)明應用于齒輪箱故障判別中，設齒輪箱故障分為4種：S1 =完好，S2 =斷齒， S3 =軸承外圈點蝕，S4 =齒根裂紋，即辨識框架0 = {Si，S2，S3，S4}，布爾代數(shù)子集為{ ?，心， A2,…，A15}，假設△1 = 31，厶2 = 32，厶3 = 33，厶4=54，(1)為空集，
[0024]斷齒故障齒輪箱有s = 3個傳感器證據(jù)為：
[0025] mi :mi(Ai) =0 ? 020819，mi(A2)=0.953965，mi(A3)=0.018060，mi(A4) =0.015571， 其他焦元的概率分配值nu (A5)~m (A15)都為0;
[0026] m2 :m2(Ai) =0 ? 041925，m2(A2)=0.928404，m2(A3)=0.034728，m2(A4) =0.031065， 其他焦元的概率分配值m2(A5)~m2(A15)都為0;
[0027] m3 :m3(Ai) =0 ? 035601，m3(A2) =0? 947966，m3(A3) =0.011717，m3(A4) =0.011533， 其他焦元的概率分配值m3(A5)~m3(A15)都為0;
[0028] 按照 D-S 融合規(guī)則得到融合結(jié)果:1^^)=0.000037,1^^2)=0.999943,11^^3) = 0.000008，m\A4) = 0.000012，其他焦元的概率分配值為0，融合結(jié)果得出齒輪箱故障為S2 = 斷齒的正確結(jié)論。
[0029] 按照本發(fā)明的改進方法進行融合，最終融合結(jié)果為m(Ai) = 0.000009，m(A2)= 0.