油液监测多源信息融合模型构建方法研究

石新发 刘东风 孙云岭

(中国人民解放军91663部队油液检测分析中心1) 青岛 266012)(海军工程大学动力工程学院2) 武汉 430033)

0 引 言

油液监测技术在装备保障中的应用越来越广泛，其作用也由装备故障的检出与诊断，拓展至装备摩擦学系统技术状态评估与态势感知，多技术手段、多参数综合监测成为了油液监测技术的应用趋势，监测获取的信息量将大幅增加,所获取的信息比较分散，不宜直接进行统计、判断，且数据呈现出多源性、各异性、高维性和非线性的特点[1]，信息应用中又存在协同、互补和冗余.虽然以往通过数据的直观分析能够获取部分装备状态信息，但是一方面需要依靠经验判断，主观因素影响较大，另一方面是无法获取深层次的信息特征，实现装备状态的准确评估.多源信息融合成为了油液监测信息应用的主要手段之一，而多源信息融合首先要解决的问题就是融合模型的问题，它关系到数据怎样用、流程怎样构和结构怎么建的问题.

1 油液监测多源信息融合内涵

油液监测多源信息融合就是要在获取的大量不同技术手段的信息中，梳理清楚各信息源之间的关系和信息源内部的指标关系，从中选择能够表征装备摩擦学状态特征的指标，在此基础上提取并形成相应的特征信息模型(数据集)，最终实现基于多源信息融合的装备摩擦学状态综合描述.油液监测多源信息融合主要包含以下几个方面：信息关联性分析、特征指标的选择、信息特征提取、信息的融合计算和基于信息融合的监测系统的构建与管理.

油液监测信息的融合流程主要包括监测信息的获取、数据预处理、特征指标的选择、状态信息特征提取、信息融合计算，然后依据融合结果的评估，实现监测系统构建与管理.从融合层次上看，包括数据层融合、特征层融合、决策层融合.基本融合流程图见图1.

图1 油液监测信息融合基本流程图

2 油液监测多源信息融合策略与框架

2.1 融合功能模型设计

如文献[1]所述，由于存在多源性、各异性、高维性和非线性等特点，使得油液监测多源信息融合的有很强的专用性，而目前较为常用的信息融合——JDL功能模型主要应用于军事领域[2]，因此本文在其基础上，进行相应的修改和重定义，以适用于油液监测多源信息融合.

1) 数据预处理层 该层主要完成多源数据和不同类数据的配准，使之能在一个框架内进行分析与处理.由于油液监测信息涉及手段多，数据单位形式各异，数据的量级上差别也很大，因此必须首先完成数据预处理.数据预处理层是信息融合系统的基础，其性能直接影响到融合的结果.

2) 特征提取选择与提取层 该层主要完成油液监测信息源间的信息关联性分析，理清楚信息之间的关系；进行信息特征选择，减少冗余信息的分析与处理[3]；提取与装备摩擦学系统状态相关的信息特征，实现油液监测信息协同、互补和信息降维等.

3) 状态估计层 该层主要处理特征信息，按照一定的数学算法和规则对特征信息进行融合，对装备摩擦学系统进行状态估计.此层是整个融合模型的核心，算法的选择在此层尤为重要，直接决定着融合系统的性能优劣.

4) 过程评估与优化 该层的功能基本与JDL模型相似，但是在优化中，不但要优化评估过程和传感器的管理，还要优化检测分析流程与故障诊断策略，实现信息获取与融合的整体优化.

2.2 油液监测多源信息融合策略

按照图2所示的装备故障发展过程，以及各监测信息源的信息特征，参照文献[4]，将油液监测信息分为功能型、指标型和过程型三类特征信息.

图2 装备故障发展过程

功能型特征指不具有时间依赖性，定性特征明显，且对能够表征装备损伤或故障程度的指标，比如分析式铁谱信息.

指标型特征指有瞬态时间属性，能够定量表达，且能够与标准或要求的参数值或范围对比，表征装备状态的指标.此类信息重点是指污染类信息，比如润滑油进海水后，水分含量与钠、镁元素浓度；润滑油进燃油后，闪点、黏度的变化，黏度、闪点也具有一定的过程型信息的特征，但表现没有指标型信息的特征明显.另外，PQ值和直读铁谱的大颗粒数在一定程度上也具有指标型信息的特征，但也具有一定过程型信息的特征，在处理过程中应当区别对待.

过程型特征信息指具有很强的时间依赖性的时变指标，在某一时刻，这类指标可能在一定范围内有随机性，但是整体变化趋势随时间呈现一定的规律性的.此类特征的代表是原子发射光谱中的磨损信息和红外光谱中的油品劣化信息以及理化指标分析中的酸碱值、机械杂质等.

在融合设计中，功能型特征参与信息融合时采用串联式融合，所在节点的输入是前一融合节点的输出，这样该节点本身就可以具有一定的决策能力.将表征油品污染(进水、进燃油等)的指标型特征信息采用并联式融合方式融合，在进行决策时，采取两种方式，①在日常监测中，可以利用指标型特征信息融合结果直接进行决策，比如：更换润滑油，查找故障原因等；②在任务中或紧急状态下，与过程型、功能型特征共同融合决策.将过程型特征采用状态级融合结构中的分布式融合结构融合，首先进行数据的预处理与特征选择，其次从单信息源的角度进行状态判定，第三进行提取能够表征装备技术状态的特征信息，第四开展装备信息融合.另外，在原子发射光谱、红外光谱等定量明显、检测效率高、检测指标相对全面的技术手段信息，可以针对性的设计信息融合方法，实施两手段的共同融合，整体上初步掌握装备摩擦学系统技术状态.

2.3 油液监测多源信息融合框架

柴油机为往复式机械，包含的摩擦副形式全面，相比其他监测技术，油液监测对其更为有效.因此，基于前几小节提出的融合策略，以柴油机为代表，构建了油液监测多源信息融合框架，见图3.除液压类装备需添加污染度测试信息融合流程，其它类型装备均可借鉴此框架实施油液监测信息融合.

图3 柴油机油液监测多源信息融合框架

3 多源信息融合算法模型

信息融合是基于框架或者方法对获得的油液监测信息进行提纯、综合，生成满足装备摩擦学系统评估需求的合成信息融合，要靠有效的融合算法来实现.算法模型是多源信息融合的核心和根本，从文献查找情况看，目前能够适用于油液监测信息的融合算法可以分为三类：基于物理模型的信息融合算法、基于不确定性推理的融合算法、基于知识推理的融合算法[5].目前，随着信息采集手段的增加，采集的信息量大为增加，基于数据驱动的多源信息融合成为了大量数据分析与处理的一种新方法.

3.1 基于模型的信息融合算法

该方法是根据获取监测对象状态数据的数学、物理特征，构建出能够在一定程度上反应其状态和参数变化等特征的精确数学、物理模型，依据一定的判断标准和目标分类特性，实现监测对象状态的识别与分类.目前常用的算法有：最小二乘、加权平均[6]、Kalman滤波、极大似然估计和最小方差逼近等线性模型构建方法，近年来，基于非线性高斯滤波等非线性随机建模也取得了一定的进展[7].

3.2 基于不确定性推理的融合算法

在实际监测中上，并不是所有的油液都能够进行全部项目的检测，因此，所获取的装备油液监测信息一般都是不完整、不精确、模糊的，信息中包含有很大成分上的不确定性[8].在融合过程中，只有依靠这些信息达到目标身份识别和状态属性判断的目的.不确定性推理方法是此类情况下信息融合的基本选择.目前该类融合算法包括：贝叶斯理论、D-S证据理论[9]、DSmT、模糊逻辑与推理、模糊集合理论和可能性理论等.

3.3 基于知识推理的融合算法

基于知识推理的融合算法是基于人类处理多源信息时，以自然属性和认识属性对事物划分而发展的，它包含逻辑模式、基于知识的系统和推理算法.逻辑模式是将已有的装备状态经验和知识表示为某种特定的状态，形成模板，在判断装备状态时，搜索与获取的油液监测信息最为相近的模板，以知识和经验对状态进行感知和判断.基于知识的系统是将专家的知识与规则结合起来形成知识库，将检测信息与知识库相匹配，实现对装备摩擦学系统状态的识别.基于知识推理的融合算法主要有随机集理论、粗糙集理论、灰色系统理论、信息熵理论、支持向量机、遗传算法、贝叶斯网络、神经网络等带有一定智能识别和可以实施机器学习特征的算法.

3.4 基于数据驱动的融合算法

在监测过程中，大量与装备状态相关的油液监测数据被采集、存储，数据维数的增加，非线性的增强等，造成了以往的依据数据信息建立有效的模型的难度增加，基于模型的信息融合实现难度也增加，甚至无法建立起与实际相符的数学模型[10].数据驱动主要宗旨是充分利用大量的离、在线数据和历史油液监测数据，通过把高维空间的数据通过某种投影变换投影到低维特征空间，以便能够采用常规的数学模型与方法进行分析与处理[11]，实现基于数据的监控、诊断、决策和优化等预期目标.数据驱动最大的特点避免了复杂的模型建立过程[12].在油液监测多源信息融合中，引入数据驱动的概念和思想，令其与模型驱动相互协同作用，将有助于提升多源信息融合的性能和应用范围[13-14].常用的数据驱动算法有：多元统计分析、费舍尔判别分析、规范变量分析、独立成分分析、主成分与核主成分析和支持向量机等，以上算法均能够应用到多源信息的融合中.

4 结 束 语

多源信息融合是油液监测信息应用的必然趋势，本文着重研究了油液监测多源信息融合中的首要问题—融合模型构建.阐释了油液监测多源信息融合的内涵；通过对JDL功能模型进行针对性的修改和定义，设计了油液监测多源信息融合功能模型，根据油液监测的组成、特点，将其分为功能型、指标型和过程型3类信息，提出了3类信息的融合策略；以柴油机为例，构建了油液监测多源信息融合框架模型；研究了适用于油液监测的多源信息融合算法，从现有资料看，随着油液监测应用深入而带来的数据量的大幅增加，与传统的算法相比，数据驱动将是油液监测多源信息融合中一种更为有效的算法.

[1] 石新发,刘东风,周志才.油液监测信息综合应用关键问题研究[J].汉理工大学交学报(交通科学与工程版),2014,38(6):1351-1354.

[2] 韩崇昭,朱洪艳,段战胜.源信息融合[M].2版.北京：清华大学出版社,2010.

[3] 石新发,刘东风,周志才,等.基于PSO聚类和特征贡献度的油液监测信息特征选择方法研究[J].润滑与密封,2016,15(1):86-89.

[4] 沈怀荣,杨露,彭颖,等.信息融合故障诊断技术[M].北京:科学出版社,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] 李伟,何鹏举,高社生.多传感器加权信息融合算法研究[J].西北工业大学学报,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] 石新发,刘东风,周志才.一种新的柴油机润滑油发射光谱数据综合评价方法[J]．海军工程大学学报,2015,27(3):38-42.

[9] 吴超仲,严新平,周新聪.基于遗传算法的信息融合在摩擦学组合故障诊断中的应用[J].摩擦学报,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] 吕宁.基于数据驱动的故障诊断模型及算法研究[D].哈尔滨:哈尔滨理工大学,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] 陈琳.基于数据驱动的多源信息融合技术[D]．杭州:杭州电子科技大学,2011.