多传感器信息融合及监控.ppt

六. 多传感器信息融合与监控 一.刀具磨损状态的多参数模糊融合识别 二.多传感器的数据融合法 一.刀具磨损状态的多参数模糊融合识别 1.模糊集 用来表达模糊性概念的集合。 称模糊集、模糊子集。 模糊集合就是指具有某个模糊概念所描述的属性的对象的全体。由于概念本身不是清晰的、界限分明的，因而对象对集合的隶属关系也不是明确的、非此即彼的。 这一概念是美国加利福尼亚大学控制论专家L.A.扎德于 1965 年首先提出的。模糊集合这一概念的出现使得数学的思维和方法可以用于处理模糊性现象，从而构成了模糊集合论(中国通常称为模糊性数学)的基础。 一.刀具磨损状态的多参数模糊融合识别 2.模糊理论的简介 在一个对象空间X中，模糊集A通过隶属函数μA(x)刻画，用μA(x)在点x的值来表示x在集合A内的隶属度，μA(x)使x内的每一个对象与区间[0，1]内的一个实数相对应。因而，μA(x)的值越接近1，x属于A的概率就越大。中间的取值就记为数值μ，他表示x隶属于模糊集A的程度。 一.刀具磨损状态的多参数模糊融合识别 2.模糊理论的简介 模糊集的思想就是把普通集合中的绝对隶属关系灵活化，使元素对集合的隶属度从原来只能取0或1值扩充到可以取[0,1]区间中的任一值，因此，很适合用来对刀具磨损信息的不确定性进行描述和处理。在应用于多传感器信息融合时，模糊集理论用隶属函数表示各传感器的不确定性，然后利用模糊变换进行数据处理。 3.刀具磨损状态模型的建立 （1）刀具磨损模糊隶属度的确定 刀具磨损状态是个模糊量，作为模糊系统的输出量，其隶属度函数选用一梯形函数。对模糊状态分为A，B，C，D，E，F等6级。隶属度的代数表达式为: 式中.a,b,k,l为不同磨损类别常数；k～l为磨损量区间。 3.刀具磨损状态模型的建立 （2）模糊规则的设计 将刀具磨损状态A，B，...，Ｆ6级分别用模糊语言表示为VS（Very small), S (Small), MS (Medium small)，MB (Medium big), B(Big), VB (Very big)。 3.刀具磨损状态模型的建立 （2）模糊规则的设计 模糊规则描述的是输入、输出变量之间的语言关系，本模糊系统有四个输人变量，每个输人变量又分为6个模糊集；输出变量(刀具最终磨损状态)也是6个模糊集。 3.刀具磨损状态模型的建立 （3）模型的建立 a.根据车削是主切削力的经验公式： Fc=Kapxfyvcz 其中;K是一个与刀具尺寸、加工材料等相关的常数，x，y，z为指数系数 3.刀具磨损状态模型的建立 b.设定隶属函数 假定初期磨损切削力集合为A，正常磨损的切削力集合为B，剧烈磨损的切削力集合为C。A的隶属函数为μ1（Fc），B的隶属函数为μ2（Fc）,C的隶属函数为μ3（Fc） 3.刀具磨损状态模型的建立 公式如下： 3.刀具磨损状态模型的建立 c.根据隶属函数判断刀具磨损状态 对于在某个切削状态下由功率信息计算得到的主切削力Fc,分别按上面的公式计算其属于模糊集合A,B,C的隶属度μ1（Fc），μ2（Fc），μ3（Fc）然后按下面的规则来判断其属于哪个集合。 二.多传感器的数据融合法 1.概述 a:刀具失效的同时会引起多种相关信号的变化，而每一种信号不单反映刀具切削状态，也包含了其他方面如切削条件、切削环境等信息。因此，单纯只用一种传感器检出的信号作为刀具状态评价的根据，显然是缺乏精确性与可靠性，反映在监控中往往会出现刀具失效时漏报与误报现象。 二.多传感器的数据融合法 为了提高刀具监控的可靠性与精确性。采用多传感器信息融合技术是非常必要的，同时也是可行的。当然，在制定具体监控方案时，多传感器的成本必须慎重考虑。 b.数据融合的过程就是将被测物体的各种信息通过一定的映射关系得知被测物体的状态。数据融合的方法很多，用于切削监控的主要有:均值法、方差法，单传感器状态轨迹法，多传感器决策融合法，贝叶斯公式法，曲数链神经网络法等等。 2 多传感器特征信息的提取技术 由于不同传感器获得的信号不一样 , 同状态相关的特征信息也各有特点 , 因此 , 必须采用相应的特征选择和提取方法 , 以获得能反映状态变化的监测特征 。 常用的信号特征提取方法有时域分析法 ( 如差分等 )和频域分析法 ( 诸如 F F T等 ), 但这两类分析方法只单纯对时域或频域内的信息有较好分辨 , 而难以做到二者兼顾 。 而近年来迅速发展起来的小波 分析克服了它们的不足 , 获得了广泛应用。 二.多传感器的数据融合法 3.小波变换 a.概念 小波变换是一种