神经网络多传感器信息融合故障检测实现

刘平安 徐翠琴

摘 要：燃料电池多传感器系统故障通过采用神经网络信息融合技术进行检测，然后在通过温度传感器对其故障检测进行仿真研究，通过此种方法显示，这种检测方法对系统故障特征的提取有很大的帮助，这种方法对燃料电池多传感器的故障检测的精准度有很大程度的提高，使故障检测的适时性得到很大程度的满足。

关键词：神经网络；燃料电池多传感器；信息融合；故障检测

1 引言

随着汽车电子技术的日益飞速增长，燃料电池技术也在不断的提高，结构和任务在燃料电池发动机系统中的要求也越来越高，其中控制的精度和稳定度更是高标准的要求。检测学方面看，检测中的每一种信息都不能确定其准确度。所以，在检测燃料电池传感器的故障过程中，要想得到更准确和可靠的检测，对于传感器的多维信息我们必须全方面的进行了解；另一方面，对于故障检测领域的信息技术我们必须不断研究引入更加符合要求的技术适应我们得到的越来越多的检测信息，只有这样才能分析出信息的深层含义，并且对多传感器的监测信息进行合理的有效利用，使故障检测的精确性、可靠性和有效性都得到了很大的提高。

燃料电池由于发动机中有多种传感器因此系统非常复杂，诸如：压力传感器、电压传感器、流量传感器、水位传感器、电流传感器、湿度传感器、温度传感器和电导率传感器等。这些传感器是系统中非常重要的部分，他们在其中的作用相当于是系统的“眼睛”，经常会通过这些传感器测量各种信息，传感器为系统提供最原始的数据信息。

如图1所示。

2 神经网络信息融合多传感器故障检测系统设计

文章中选择双传感器对系统进行分析，检测系统输出信息的实例，目的是为了能够保证系统输出的信息的精准无误。构成如图2所示的基于神经网络的多传感器信息融合故障检测系统。传感器输出数据通过融合单元采用三层BP网络进行融合；通过Elman递推的网络这一预测能力较强的预测单元为决策单位提供传感器故障检测的标准；在当前系统状态下决策单元做出决策的同时为控制器或监控器提供相应的输出信号。

2.1 融合单元

通过采用对同一物理量进行多个传感器测量，若每个传感器所测量出的数值都是接近正常值，这就说明此传感器是正常的，这是较为常用的船东的硬件冗余方法。并将这种测量得出的平均值作为这些传感器的参数标准。在现实应用过程中，可以在一些系统参数本身是耦合值中获得一些冗余信息。神经网络将对同一物理量通过不同传感器测量出来的信息进行融合，仅通过一种传感器测出的数据值远远不如通过这种方法获得的数值精确。鉴于此，借助于神经网络在进行硬件冗余技术中，选用同一物理量通过数据特性完全不同的传感器进行数据测量。通过这种方法可以避免选择的传感器参数一样，与此同时也可以减少传感器的使用量。设系统中某一输出量的标定值为y，对应两个传感器的输出值为y1和y2，则y可以用一个二次曲面拟合方程来描述：

由上式可以看出，在两个传感器都处于正常工作状态时，只要将其中一个传感器的数值确定为待定的常数，那么任何一组数据（y1，y2）都可以拟合出y值。由于多层BP网络可以逼近任意一个非线性函数，而且具有高速并行的处理能力，所以我们采用一个三层BP网络来求解这些待定常数。如果其中任何一个传感器在此过程中出现问题，就证明这个方法是没有用的，就必须改用决策单元分析中的处理方法来解决。

2.2 预测单元

传感器在故障发生时，要做到有效的对其进行重复配置系统控制，就要及时准确的检测出故障结果，并对其进行隔离。所以我们需要一个标准能对传感器的输出值做出正确的判断。传感器下一时刻的输出值可以利用传感器的当前时刻和当前时刻以前的输出值进行预测，目前算是比较有效的方法，然后再把预测的值作为下一刻的评判标准。

将联系单元到隐含单元、输入单元到隐含单元、隐含单元到输出单元的权矩阵设置为Wxa，Wxu，Wxy。隐含单元的作用函数为线性，且阈值为零。？琢为联系单元的自反馈增益。则此网络可用下述方程来描述：

由于传感器2出现问题，因此双传感器获得的y12（k）融合数据就不在是最好的融合数据，此时令y1（k）=yd（k），通过权值修正公式对网络的权值进行修正。用传感器1输出的数据y1（k）和经过修正后的权矩阵评估下一时刻输出的数值，下一次传感器的故障评判此次的数值为标准，并在传感器2出现故障时发出报警信号。

③若传感器1处于不正常状态，传感器2处于正常状态，其原理同②，给出传感器1发生故障的报警信号。

④两个传感器都处于非正常状态，即下式成立：

3 多温度传感器故障检测仿真研究

根据上述方法，温度的变化范围为10～70℃，其实际正常温度变化曲线如图3所示。

预测单元用Elman递归神经网络，作用函数为线性函数，阈值为零，隐层和联系层都含有六个神经元，联系层的自反馈增益选为？琢=-0.6，预测单元的输出曲线如图5所示。

4 结束语

网络收敛速度与诊断的精准度都会不同程度的受到来自神经网络诊断模型的选取、层数与隐层数的设置、训练样本的选择以及迭代步长的选取等问题的影响。这些参数只能够在研究过程中不断的出揣摩，因为这些参数都是不固定的。

参考文献

[1]张菊秀，全书海，王超.信息融合在燃料电池传感器故障识别中的应用[M].武汉理大学学报，2006.6，28（6）：113～116.

[2]吴兴伟.多传感器的信息融合在车载故障诊断中的应用研究[D].武汉理工大学，2006.

[3]胡丹丹，肖书明，王燕清.高庆吉.基于多传感器的数据融合技术[J].东北电力学院学报，2004.2，24（1）：62～67.

作者简介：刘平安（1992-），男，湖北荊州，本科在读，湖北工程学院计算机与信息科学学院，研究方向：人工智能。

徐翠琴（1981-），女，湖北孝感安陆，讲师，工学硕士，湖北工程学院计算机与信息科学学院，研究方向：检测技术及智能控制。