声发射源多传感器数据融合识别技术

（华南理工大学机电工程系广州 510641）www.12317.com

摘要 波形数字声发射技术的发展，给声发射源的特性识别带来了可能性。由于各种噪声的影响，以及声发射信号传播过程的复杂性，又给声源的识别带来一定的困难。为了解决干扰情况下声发射源的定性问题，本文提出了在决策层上的多传感器数据融合的识别方法。利用定位传感器组中各个传感器得到的数据，同时考虑在同一个定位组中各个传感器所得数据的置信度不同，来对声发射源性质进行识别。实验结果证明了数据融合后，声发射源特性识别的可靠性明显大于单个传感器的识别效果，这也表明了多传感器融合识别的可能性和有效性。
关键词 声发射数据融合 目标识别
中图分类号：TP242.3 文献标识码：A

TECHNIQUE OF MULTISENSOR DATA FUSION IN ACOUSTIC EMISSION SOURCE RECOGNITION

Li Guanghai Liu Zhengyi
(the Mechatronics Engineering Department of South China University of Technology，Guangzhou, 510641)
ABSTRACT With the development of digital and wave-form acoustic emission (AE) technology, it makes the recognition of AE source possibility. Because of the noise and complex of AE signal transmission characteristic, the recognition of AE source is very difficult. In order to resolve this problem, the author presents the method of multi-sensor data fusion on decision level. Using the data from each sensor in a location set and considering the confidence value for each sensor, we can acquire the AE source characteristics. Experiment results show that the data fusion result is better than that of single sensor and the multi-sensor data fusion method is effective.
KEYWORDS Acoustic Emission , Data fusion, Object recognition,
1 引言
与其他的无损检测方法相比，声发射检测技术有着其自身优点，尤其是对大型构件的整体性检测，无损检测的目的是为了对检测对象的缺陷进行定位、定量和定性分析。关于声发射技术，人们对声发射源的定位（线性、平面和空间）和定量（能量、幅度、活性等）方面都进行了较深入的研究，并且已经制定了相应的判别标准（如GB/T18182等）。但对声发射源的定性方面研究得较少，其中的主要原因之一是声发射仪器的制约，使人们无法对声发射信号进行全波形采集。随着计算机软、硬件技术的飞速发展，使基于计算机的测量技术也有了质的提高。现在已经出现了全波形数字化采集的声发射仪器，这给声发射源的定性带来了可能，也有人开始进行声发射模式识别方面的研究。
在声发射检测中，为了达到较为精确的定位，通常采用时差定位方法，这就需要两个或两个以上的传感器组合使用。如典型的平面三角形定位，用三个传感器为一个定位组。在声发射源的识别过程中，由于传播过程或其它因素的影响，对同一声发射源，定位组的三个传感器的识别结果可能不相同。在这种情况下，要想获得较高的识别可信度，就必须充分利用多个传感器的信息资源，对检测到的信号进行合理支配和使用，把空间上冗余或互补信息依照某种准则进行组合，减少过程识别中的不确定性，以获取对所识别声发射源的全面的一致性估计。这就是通常所谈的多源数据融合技术。
2 数据融合的结构和方法[1]
2.1 数据融合的结构
融合模型的结构按数据抽象的层次可以分为：数据级融合，特征级融合和决策级融合。根据声发射信号的特征，我们选择最高层次的融合方法，即决策级融合。由于球罐等大型构件，通常采用数十个通道同时进行信号采集，数据量非常大，所以应在各个传感器局部目标识别的基础上，进行全局的决策。这样操作起来非常灵活，也有利于减少系统的复杂程度，使整个决策系统清晰可靠，而且在一个或几个传感器判断失效的情况下仍能继续工作，即具有一定的容错能力。
2.2 基于D-S证据理论的数据融合方法
常用的数据融合方法有：统计模式识别法，贝叶斯估计法，Dempster-shafer证据推理法(D-S推理)，模糊积分法以及神经网络方法。在声发射检测系统中，由于声波传播过程中的模式转换，传感器本身的精度、系统集成的各个环节，外部环境等因素的影响，会导致整个检测具有不确定性，因此需要采用推理方法来解决数据融合的问题。在各种非精确推理方法中，D-S推理理论是最适合目标识别领域应用的一种非精确推理方法。它的最大优点在于无须先验概率的信息，并且给出了目标识别的信任测度和似然测度，即对假设信任程度的下限估计（悲观估计）和上限估计（乐观估计）。
2.2.1 D-S证据理论的数学性质
若定义代表某一事件的参数为(，它的所有可能值的集合为(，则称(为识别框架，(的所有子集所构成的集合就是(的幂集，记为2(。证据理论就是要对这个识别框架进行运算，并提供计算幂元素的逻辑。D-S推理用于多传感器数据融合时，由各传感器独立获得关于识别目标的信息，并由此产生对该目标的特征度量，就构成了该理论中的证据，并利用这些证据通过构造相应的基本概率分布函数，对所有的命题（包括识别框架）赋予一个可信度。对于一个基本概率分布函数以及相应的识别框架，合称之为一个证据体，因此每个传感器就相当于一个数据体。而多传感器数据融合的实质就是在同一个识别框架下，利用Dempster合并规则将各个证据体合并成一个总体基本可信度分配，而产生的新证据体表示了融合所得的信息，然后根据设定的决策规则进行目标的分类决策。
2.2.2基本概率分配函数与信任函数
如果(是一个识别框架，如果函数m：2( ?[0,1]满足：
m(()=0 （1）
（2）
则称m为识别框架(上的基本概率分配，它是附给A的置信测度，m(A)称为A的基本可信数，A称为焦点元素。
由D-S理论可知，要想获得假设A的信任度的总和，则须将假设A的所有子集B的基本可信数相加，也称为对A的信任测度。
（3）
关于对一个识别目标假设A的信任，单用信任测度来描述是不够的，还需引入怀疑A的程度的量，即已经确定不是A而是其它目标的量，我们把它定义为Dou(A)，称Dou为Bel的怀疑函数，Dou(A)为A的怀疑度。则对于，有。
由于：
因此：
剩下的一部分称为不确定概率，用m(θ)表示，它有可能支持A，也有可能支持其他假设，再引入一个似然函数Pl，用Pl(A)来表示A的似然测度，即表示不怀疑A假设的程度。
（4）
这样[Bel(A),pl(A)]实际上表示了A的不确定区间，即前面提到的悲观估计和乐观估计。下图直观地给出D-S理论对目标假设的不确定性表示。

似 然 区 间 拒绝区
支 持 区 不确定区
图1 信息的不确定表示
应用D-S证据理论的关键是如何构造上述的基本概率分布函数，D-S理论本身并没有现成的表达式，使用者应根据经验或具体情况构造。对声发射检测的具体情况，我们可以构造如下概率的分布函数[3]。
（5）
（6）
上式中各符号如下定义：
NS：传感器的数目，对于三角形定位NS=3;
Ci(j)：传感器i与声发射源类别j之间的属性测度,是单个传感器的识别结果，将通过下文介绍的神经网络处理，获得其值；
Ri：传感器本身的置信测度，当在声发射检测时，使用不同类型的传感器时，我们可以根据试验的结果来进行赋值，如采用宽带传感器和谐振传感器，可以赋予不同的置信度，通常在实际检测中，我们都使用同一种类型的传感器，那么我们将忽略此项；
ωi：传感器的位置因子，由于实际声发射检测中各传感器分布在构件的不同区域，如局部结构的不连续，都会给波的传播模式带来影响，因而造成对声发射源的识别的正确性带来影响，用此因子进行修正；
(i：传感器i与各目标的最大相关系数，(i=max{CiCj}；
( i：传感器i与各目标相关系数的分布函数，；
mi(j)：传感器i赋予目标类别j的基本概率分布值；
mi(()：传感器i赋予识别框架(的基本概率值，即传感器i的不确定性概率值。
式中的项，其物理意义在传感器与识别声发射源之间的置信测度，与传感器本身的可靠性无关。
2.2.3 D-S证据推理的合并法则
关于D-S证据推理的合并法则，在文献[1]中，有详细的描述，现概括如下：
在同一个识别框架下有两个信任度函数Bel1和Bel2，m1，m2分别是相应的基本可信度分配，二者的焦点元素为A1，...，Ak和B1，...，Bl。
给定，若，则
(7)
在证据相互独立的前提下有以下两个信任度的合并规则：
（A不为空） (8)
对于两个以上的信度函数的合并，可以先合并两个，产生新的信度函数，再与第三个合并产生新的信度函数，以此类推，多个证据的结合与次序无关。
2.2.4 D-S的合并规则
由D-S方法进行数据的融合后，得到最终合并后基本可信度的分布值，要对最终的基本可信度的分布值进行分析和决策，必须给出决策的依据，这些依据必须根据具体问题具体分析。在声发射源的识别中，本文提出了如下的基于D-S融合方法的目标识别决策规则[4]。
规则一：目标类别应具有最大可信度（即基本概率分布值）；
规则二：目标类别的可信度与其它类别的可信度值的差必须大于某一阈值；
规则三：不确定性概率值必须小于某一阈值；
规则四：目标类别的可信度值必须大于不确定性概率值。
对于规则二和规则三中的阈值要根据目标识别所要求的精度来确定，可以用样本声发射源对整个融合识别系统进行校正，得出合理的取值。
3 D-S数据融合在声发射源识别中的应用
3.1 神经网络与D-S证据推理相结合的识别模型
对于单个传感器的目标分类，我们采用神经网络进行非线性映射，如何根据声发射信号的特征，（尤其在标准样本的获取困难的情况下），选取合适的网络进行识别将另文讨论，本文的着重点是讨论D-S推理数据融合技术在声发射源识别的可行性，所以在进行实验验证时选取的声发射源较工程状况下简单些，神经网络选用成熟、可靠的BP网络。其整个识别模型如下图：
传感器1 特征提取 神经网络识别
Dempster 决策
构件 传感器2 特征提取 神经网络识别 合并规则 逻辑
传感器3 特征提取 神经网络识别 识别输出
图2 声发射多传感器识别系统的模型
在声发射源识别过程中，以平面三角形定位为例，当定位组中有声发射信号发生时，信号的波形分别被该定位组中的三个传感器接收，经放大后，存储于计算机中。为了提高神经网络局部识别的能力，需要对原始信号进行预处理以提取信号的特征。小波分析对瞬态信号有较好的局部时频特性，所以通常采用小波分析的方法进行信号特征提取。提取特征的信号送入神经网络进行单个传感器的局部目标分类。输出的值用于构造mi(A)和mi(()函数，再按Dempster合并规则，得到最终的基本可信度的分配值。最后，依照各命题的可信度和似然度等指标，用全局决策规则，得到目标识别的结果。
3.2 实验研究
由于本文的任务是原理验证，又考虑声发射标准样本信号较难获得，因此我们只使用了三种模拟的声发射信号：（1）标准断铅信号S1；（2）保温岩棉的磨擦信号S2；（3）石子的自由落体撞击信号S3。试验采用平面三角形的定位组，将三个传感器按三角形布置在1500(1500(15mm的钢板上，用以上三种模拟信号进行实验。本文用的前处理神经网络同样是用这三种信号进行训练的，不同的是在目标识别实验中，我们用信号发生器加入了白噪声。表1列出了声发射模拟源的单独识别结果和数据融合后的识别结果。（本文中决策规则中取0.1，取0.25。）
利用三个传感器所得到的基本可信度分配以及融合后新的基本可信度分配，再根据全局的识别决策规则进行分类。从表中可以看出，经过数据融合，不确定性概率值明显减少，这说明采用多传感器数据融合方法可以减少识别的不确定性，从而提高系统的识别能力和系统的容错和抗噪能力。
表1：数据融合的试验结果
声发射源
传感器
不确定性
证据区间 [Bel(A), Pl(A)]
结果
S1
S2
S3
S1
1
0.207
0.458 0.665
0.050 0.212
0.321 0.528
S1
2
0.265
0.363 0.628
0.080 0.273
0.292 0.557
未知
3
0.195
0.335 0.540
0.110 0.305
0.361 0.546
未知
融合
0.092
0.508 0.601
0.008 0.100
0.392 0.484
S1
S2
1
0.238
0.162 0.401
0.446 0.684
0.154 0.392
S2
2
0.265
0.197 0.462
0.314 0.579
0.224 0.489
未知
3
0.192
0.234 0.426
0.385 0.577
0.189 0.381
S2
融合
0.118
0.198 0.316
0.508 0.626
0.176 0.294
S2
S3
1
0.248
0.307 0.565
0.126 0.384
0.319 0.577
未知
2
0.219
0.222 0.441
0.107 0.326
0.452 0.671
S3
3
0.226
0.305 0.540
0.093 0.319
0.376 0.602
未知
融合
0.102
0.341 0.443
0.068 0.170
0.489 0.591
S3
4 结论
（1） 本文针对单传感器对声发射源识别能力的不足，提出了利用同一定位组中的多个传感器进行声发射源识别的模型；
（2） 对于多传感器声发射源的识别，本文提出了多传感器的D-S证据推理的数据融合方法，并根据声发射检测的特征，引入了基本概率分布函数，并提出了数据融合后全局的决策规则；
（3） 从试验结果来看，采用多传感器的数据融合识别方法，使声发射源的识别能力得到提高，并充分利用了各个传感器的信息，增加了系统的容错性；
（4） D-S数据融合方法具较强的处理不确定性信息的能力，它用于声发射源多传感器识别中是适宜的。
参考文献
[1] Dempster A P. Upper and Lower Probabilities Induced by a Multivalued Mapping. Annals of Mathematical Statistics [M], 1967,38:325-339
[2] Yair Shimshoni,Nathan Intrator. Classification of seismic signals by integrating ensembles of neural networks [J]. IEEE Transactions on Signal Processing, 1998,46(5): 1194-1201
[3] Selzer F, Gutfinger D. LADAR and FLIR Based Fusion for Automatic Target Classification [C]. SPIE. 1993:236-246
[4] 刘雷健等，基于融合信息的物体识别[J]，模式识别与人工智能 1993，6(1)：27-33
[5] 康耀红，数据融合理论与应用[M]，西安：西安电子科技大学出版社，1997

更多技术新闻请上：www.12317.com