声发射源多传感器数据融合识别技术
2.1基于D-S理论的声发射源识别方法[3]
从声发射源发出的信号经过传输介质到达传感器，信号会发生变化或损失，各个传感器检测到的波形信号一般是不完整、不精确、模糊的，甚至可能是矛盾的，即包含着过程的不确定性。我们只能根据这些不确定性信息进行分析推理，最终得出声发射源的定性判别。不确定性推理最常用的方法有：Bayes方法和D-S证据理论两种。与Bayes方法相比，D-S证据理论有一个非常突出的优点，就是无需先验概率和条件概率，这对声发射检测这类几乎没有先验知识和专家库的新型技术显得非常有用，而且各个传感器之间的证据是相互独立的，每个定位组的探头数一般为三、四个，推理链不长，使用D-S规则非常方便。
对于声发射源识别的数据融合模型结构按数据抽象的层次划分主要有三类：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点，一般选择最高层次的融合方法，即决策级融合。由于球罐、桥梁等大型构件，通常采用数十个通道同时进行信号采集，而且一般声发射检测持续的时间较长，当进行全波形采集时数据量非常大，要对所有定位相关组的传感器进行集中决策处理会大大降低系统的效率和实时性。所以，在各个传感器局部目标识别的基础上，进行全局决策的结构比较适合声发射检测的特点，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。在一个或几个传感器判断失效的情况下仍能继续工作，即系统具有一定的容错能力，总能得到一个唯一的识别结果。这对保证工程检测结果能够得到一个最终的安全性评价十分必要。此外，在工程上对于同一个声发射源还可能进行其他检测方法的复验(如采用超声、射线检测等)，以保证最终结果可靠。采用这种决策级的融合结构可以方便地对不同类型传感器或者检测方法的局部识别结果进行扩充融合，而不必对已有的系统结构做过多的修改。
应用D-S证据理论的关键是如何构造基本概率分布函数。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的统计证据构造。对声发射检测的具体情况，构造如下概率分布函数[4]。
设N为同一定位组中传感器的数目(对于三角形定位N=3)，M为声发射源的种类数(如裂纹、泄漏、外部噪声等等)，则
i=1,2,…,N （1）
j=1,2,…,M （2）
上式中各符号如下定义：
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。一般通过小波及神经网络的处理获得属性测度值；
评论