D0I:10.13374/1.issnl00103.2007.s2.09%6 第29卷增刊2 北京科技大学学报 Vol.29 Suppl.2 2007年12月 Journal of University of Science and Technology Beijing Dec.2007 基于多代理决策融合的电机状态识别 韩天孙欣尹忠俊 北京科技大学机械学院，北京100083 摘要提出了基于多代理决策融合的电机状态识别系统·以电机的振动信号和电流信号为输入，六种分类器用来识别其状 态·每个分类器视为一个代理，独立完成模式识别工作后，同其他分类器交换信息从而提高识别率.本文还将传感器融合和 分类器选择融入系统，同单源数据和无分类器选择相比具有更大的优势，使最终电机状态识别率达到98.9%. 关键词多代理：决策融合；电机故障；传感器融合；分类器选择 分类号TP216:TP273 随着现代工业的迅速发展，机械设备朝着集成 的，因此，决策融合技术近年成为模式识别领域的 化、大型化、连续化、高速化、精密化、自动化、流程化 前沿研究课题，引起了广大学者的关注，将多个分 的方向发展，电机作为生产的源动力已被广泛应用 类器通过一定的算法有机的结合来解决复杂、烦琐、 于工业生产的各个领域，及时准确地发现电机设备 困难的模式识别问题，提高识别率成了共同目标， 潜在的和现有的故障是保证生产安全运行的重要措 运用决策融合技术在字符识别、目标识别等领 施，因此，研究电机设备故障诊断理论和技术是设 域已取得了较好的应用效果.近几年提出了许多方 备可靠运行的保证，电机是由多系统（机械系统、电 法，常用的有传统的择多判决法（如投票表决法、计 磁系统、润滑系统和冷却系统等)组成，在运行中受 分法等)，根据后验概率的线性加权法、贝叶斯估计、 到电、热、机械、工况和周围环境等各种因素的作用 证据推理法、模糊推理法，以及将分类结果作为一种 使其性能逐渐劣化，最终导致故障.一旦发生故障， 新的输入特征的神经网络组合方法，另外，还有一 即使是停止工作的时间极短，也会造成很大的损失， 些组合的策略，如多级分类方法，本文采用多代理 一般这些故障的发生总是以各种征兆表现出来，并 (multi-agent)动态融合算法，该算法将每个分类器 且故障类型也多种多样.其关系错综复杂，这给电 视为一个代理，即每个分类器可以独立完成模式识 机设备故障的有效、快速诊断带来一定的困难· 别工作，也同其他分类器交换信息以提高识别率. 制造企业的电机设备维护也面临着极大的挑 这种多分类器代理的协作可以得到比单一代理更好 战。目前的设备维护策略与模式主要有事后维护、 的结果2 预防性维护、预测性维护，事后维护和预防性维护 研究将多代理技术引入电机状态模式识别，除 适用于重要度为三级及三级以下的中小型电机，他 了对分类器进行决策融合，同时将电机的振动数据、 们出现故障可以较方便的更换，而且生产过程受到 电流数据相结合和分类器选择融入其中，这大大提 影响的程度小.对大型电机和重要度一、二级的电 高了模式识别率，为其运行维护提供必要手段和前 机，预测性维护是十分必要的，通过设备进行状态 提条件 监测，根据设备当前的状况，对未来的故障趋势进行 预测，权衡各种维护策略的利弊，做出最适当的维护 1 多代理决策融合模型 决策，设备状态识别是预测性维护的核心，是提高 多代理决策融合模型将多代理系统吸收进分类 设备维护决策的科学性和效率的关键，基于专家系 器融合算法中，并集成了贝叶斯信念(Bayesian be~ 统、人工神经网络、模糊理论、支持向量机等智能模 式识别方法已广泛应用山，但多数研究结果表明， idf)和多数投票(majority voting)算法].实现模型 的主要步骤为：首先建立决策共现矩阵以实现各分 单一信号与单一分类器只能达到有限的识别率.对 类器代理之间的信息交换；在此基础上，通过贝叶斯 于重要、关键设备，低识别率是不能满足维护要求 矩阵的动态修改，使之满足事先预定好的准则：最后 收稿日期：2007-10-15 形成联合决策.基于多代理的融合决策算法描述如 作者简介：韩天(1977一)男，讲师，博士 图1所示
基于多代理决策融合的电机状态识别 韩 天 孙 欣 尹忠俊 北京科技大学机械学院北京100083 摘 要 提出了基于多代理决策融合的电机状态识别系统．以电机的振动信号和电流信号为输入六种分类器用来识别其状 态．每个分类器视为一个代理独立完成模式识别工作后同其他分类器交换信息从而提高识别率．本文还将传感器融合和 分类器选择融入系统同单源数据和无分类器选择相比具有更大的优势使最终电机状态识别率达到98∙9％． 关键词 多代理；决策融合；电机故障；传感器融合；分类器选择 分类号 TP216；TP273 收稿日期：2007-10-15 作者简介：韩 天（1977—）男讲师博士 随着现代工业的迅速发展机械设备朝着集成 化、大型化、连续化、高速化、精密化、自动化、流程化 的方向发展电机作为生产的源动力已被广泛应用 于工业生产的各个领域．及时准确地发现电机设备 潜在的和现有的故障是保证生产安全运行的重要措 施．因此研究电机设备故障诊断理论和技术是设 备可靠运行的保证．电机是由多系统（机械系统、电 磁系统、润滑系统和冷却系统等）组成在运行中受 到电、热、机械、工况和周围环境等各种因素的作用 使其性能逐渐劣化最终导致故障．一旦发生故障 即使是停止工作的时间极短也会造成很大的损失． 一般这些故障的发生总是以各种征兆表现出来并 且故障类型也多种多样．其关系错综复杂这给电 机设备故障的有效、快速诊断带来一定的困难． 制造企业的电机设备维护也面临着极大的挑 战．目前的设备维护策略与模式主要有事后维护、 预防性维护、预测性维护．事后维护和预防性维护 适用于重要度为三级及三级以下的中小型电机他 们出现故障可以较方便的更换而且生产过程受到 影响的程度小．对大型电机和重要度一、二级的电 机预测性维护是十分必要的．通过设备进行状态 监测根据设备当前的状况对未来的故障趋势进行 预测权衡各种维护策略的利弊做出最适当的维护 决策．设备状态识别是预测性维护的核心是提高 设备维护决策的科学性和效率的关键．基于专家系 统、人工神经网络、模糊理论、支持向量机等智能模 式识别方法已广泛应用［1］．但多数研究结果表明 单一信号与单一分类器只能达到有限的识别率．对 于重要、关键设备低识别率是不能满足维护要求 的．因此决策融合技术近年成为模式识别领域的 前沿研究课题引起了广大学者的关注．将多个分 类器通过一定的算法有机的结合来解决复杂、烦琐、 困难的模式识别问题提高识别率成了共同目标． 运用决策融合技术在字符识别、目标识别等领 域已取得了较好的应用效果．近几年提出了许多方 法常用的有传统的择多判决法（如投票表决法、计 分法等）根据后验概率的线性加权法、贝叶斯估计、 证据推理法、模糊推理法以及将分类结果作为一种 新的输入特征的神经网络组合方法．另外还有一 些组合的策略如多级分类方法．本文采用多代理 （mult-i agent）动态融合算法．该算法将每个分类器 视为一个代理即每个分类器可以独立完成模式识 别工作也同其他分类器交换信息以提高识别率． 这种多分类器代理的协作可以得到比单一代理更好 的结果［2］． 研究将多代理技术引入电机状态模式识别除 了对分类器进行决策融合同时将电机的振动数据、 电流数据相结合和分类器选择融入其中这大大提 高了模式识别率为其运行维护提供必要手段和前 提条件． 1 多代理决策融合模型 多代理决策融合模型将多代理系统吸收进分类 器融合算法中并集成了贝叶斯信念（Bayesian belief）和多数投票（majority voting）算法［3］．实现模型 的主要步骤为：首先建立决策共现矩阵以实现各分 类器代理之间的信息交换；在此基础上通过贝叶斯 矩阵的动态修改使之满足事先预定好的准则；最后 形成联合决策．基于多代理的融合决策算法描述如 图1所示． 第29卷 增刊2 2007年 12月 北 京 科 技 大 学 学 报 Journal of University of Science and Technology Beijing Vol．29Suppl．2 Dec．2007 DOI:10．13374／j．issn1001－053x．2007．s2．096
Vol.29 Suppl.2 韩天等：基于多代理决策融合的电机状态识别 183. 输入 所以在本研究中，将两个由同一分类器分别分类的 新的投票率 数据视为由两个不同分类器分类的同一数据集.这 混滑矩阵 样，6个分类器，2类数据集可以视为6×2个分类器 归一化 可信度矩阵 分类1类数据，使分类器的数目增加一倍 修改可信度矩阵 决策共现矩阵 N 输出 max(投票Pp 最初投票率 决策融合 Y 1234·1112 多数投票法 分类器选择 U Ci V2 C2 Vo Cot 输出 分类器1 ]分类器2 分类器6 图1多代理融合算法流程 输人 振动数据 电流数据 (1)通过计算输入，首先生成包含各分类器的 识别错误率信息的混淆矩阵， 图2融合决策系统流程图 (2)根据混淆矩阵计算得出各测试样本的初始 可信度矩阵（横坐标表示分类器，纵坐标表示模式类 (2)分类器选择.对于电机信号，不同分类器进 别)，混淆矩阵和初始可信度矩阵的计算是基于贝 行的分类决策是有一定相关性的.利用相关度方 叶斯方法 法对分类器进行选择，得到包含振动信息和电流信 (③)建立决策共现矩阵（每个单元代表两个分 息的最优分类器序列， 类器之间的决策相关性) (3)决策融合，经过分类器选择后，应用包含多 (4)计算样本的最初投票率. 代理分类器融合算法进行计算电机模式识别，本文 (5)设定用来与最大投票率比较的一致判据， 用六个分类器对得到的振动和电流信号进行分类： 即阈值， 支持向量机分类器(SVM)]、线性判别分析 (6)如果最大投票率大于阈值，则表示各分类 (LDA)、K近邻分类器(KNN)[O,改进的迭代算法 器已基本达成共识，通过改进的多数投票法输出最 (IIS)、高斯混合模型(GMM)、学习矢量量化分类 终结果，否则进入以下循环： 器(LVQ)8] (a)修改原始置信度，两个分类器之间基于决 3实验及结果 策共现矩阵的信息交换参与到原始置信度的计算 中. 3.1实验设计与测试 (b)进行归一化，仍令其行和为1. 为了验证提出系统在电机状态模式识别方面的 信念矩阵转化成决策向量，以得到新的投票率， 有效性，设计的了电机故障模拟试验台，主要包括： 进入下一循环. 电动机，皮带传动，输出轴和叶面倾角可调的风扇 (图3)，通过调节风扇叶片倾角或叶片数量控制电 2电机状态识别系统 机载荷，可实现多工况模拟， 多分类器融合分以下两步进行：首先，每个分类 器分配一个单一信号源；然后将已知的决策向量导 入到多代理融合模型中以生成融合的决策，本文中 提出的系统主要有以下三个明显特征：决策层的不 同传感器数据融合；基于相关度的分类器选择和基 于多代理的分类器融合算法，图2所示为算法流程 图. (1)传感器数据融合，对于电动机、发电机的故 障诊断而言定子电流信号分析和振动分析是同等重 图3试验设备及传感器分布 要的，而且两种信号可以互补，因此，这两种传感器 数据的融合可以为多分类器系统提供更精确的信 实验样本数据由7个0.5kW,60Hz感应电机 息，因同一分类器分类对不同数据集输出会改变， 提供.电机工作在满载情况.其中一个电机是正常
图1 多代理融合算法流程 （1） 通过计算输入首先生成包含各分类器的 识别错误率信息的混淆矩阵． （2） 根据混淆矩阵计算得出各测试样本的初始 可信度矩阵（横坐标表示分类器纵坐标表示模式类 别）．混淆矩阵和初始可信度矩阵的计算是基于贝 叶斯方法． （3） 建立决策共现矩阵（每个单元代表两个分 类器之间的决策相关性）． （4） 计算样本的最初投票率． （5） 设定用来与最大投票率比较的一致判据 即阈值． （6） 如果最大投票率大于阈值则表示各分类 器已基本达成共识通过改进的多数投票法输出最 终结果．否则进入以下循环： （a） 修改原始置信度．两个分类器之间基于决 策共现矩阵的信息交换参与到原始置信度的计算 中． （b） 进行归一化仍令其行和为1． 信念矩阵转化成决策向量以得到新的投票率 进入下一循环． 2 电机状态识别系统 多分类器融合分以下两步进行：首先每个分类 器分配一个单一信号源；然后将已知的决策向量导 入到多代理融合模型中以生成融合的决策．本文中 提出的系统主要有以下三个明显特征：决策层的不 同传感器数据融合；基于相关度的分类器选择和基 于多代理的分类器融合算法．图2所示为算法流程 图． （1）传感器数据融合．对于电动机、发电机的故 障诊断而言定子电流信号分析和振动分析是同等重 要的而且两种信号可以互补．因此这两种传感器 数据的融合可以为多分类器系统提供更精确的信 息．因同一分类器分类对不同数据集输出会改变． 所以在本研究中将两个由同一分类器分别分类的 数据视为由两个不同分类器分类的同一数据集．这 样6个分类器2类数据集可以视为6×2个分类器 分类1类数据使分类器的数目增加一倍． 图2 融合决策系统流程图 （2）分类器选择．对于电机信号不同分类器进 行的分类决策是有一定相关性的［4］．利用相关度方 法对分类器进行选择得到包含振动信息和电流信 息的最优分类器序列． （3）决策融合．经过分类器选择后应用包含多 代理分类器融合算法进行计算电机模式识别．本文 用六个分类器对得到的振动和电流信号进行分类： 支持 向 量 机 分 类 器 （SVM ） ［5］、线 性 判 别 分 析 （LDA）、K 近邻分类器（K—NN） ［6］、改进的迭代算法 （IIS）、高斯混合模型（GMM） ［7］、学习矢量量化分类 器（LVQ） ［8］． 3 实验及结果 3∙1 实验设计与测试 为了验证提出系统在电机状态模式识别方面的 有效性设计的了电机故障模拟试验台主要包括： 电动机皮带传动输出轴和叶面倾角可调的风扇 （图3）．通过调节风扇叶片倾角或叶片数量控制电 机载荷可实现多工况模拟． 图3 试验设备及传感器分布 实验样本数据由7个0∙5kW60Hz 感应电机 提供．电机工作在满载情况．其中一个电机是正常 Vol．29Suppl．2 韩 天等： 基于多代理决策融合的电机状态识别 ·183·
,184 北京科技大学学报 2007年增刊2 工作，用以同故障电机做比较，其余的电机故障分 获得最高识别率，其值为67.8%.其次是LDA和 别为：转子不平衡、转子断条、定子故障（三相电流模 IIS,GMM和LVQ分类器不适于振动信号和电流 拟)、轴承故障（外圈）、转子弯曲和转子偏心（图4） 信号，在实验中，没有回避使用不好的分类器，因为 表1描述了电机故障情况 可用的分类器经常是事先指定而对不同测试的信号 结果是未知的，另外，识别率最低的分类器在融合 过程中不会影响结果，这一点在后面的结果可以证 明 (a)转子不平衡 b)转子断条 (©)定子故障 表2分类器参数设置及振动和电流识别率 ÷ 分类器 SVM LDA K-NN IIS GMM 参数 线性核 迭代数 N=20迭 无 K=3 设置 函数 50 无 代数50 (轴承故障 (©)转子弯曲 ()转子偏心 振动 86.7 62.3 86.7 24.1 10 10 识别率 图4电机故障 电流 67.8 43.8 57.626.2 识别率 表1电机故障描述 故障名称 故障描述 备注 表3分类器序列和选择序列 转子断条 12断条 共计34根导条 分类器信号 SVM LDA k-NN IIS GMM LVQ 轴弯曲 弯曲挠度：0.075mm 气隙：0.25mm 振动 1 234 5 6 序列号 轴承故障 外滚道缺陷 型号：#6203 电流 7 8 9101112 融合 振动N0.1N0.7N0.5N0.10N0.11N0.4 在转子上添加不平衡质 转子不平衡 量8.4g 序列电流N0.6N0.8N0.3N0.9N0.12N0.2 以轴承座为基 转子偏心 平行及角度偏心 六个分类器用来对振动和电流样本的特征数据 准调节 进行分类，形成决策向量，分别依次命名为向量1~ 相位不平衡 在其中一个相位上附加8.4% 12.然后12个决策向量被输入到分类器选择程序， 电阻 以得到分类器融合的最佳序列，见表3，最后，应用 多代理算法进行决策融合 用三个AC电流互感器和三个加速度计测量三 相电流和水平、垂直及轴向的振动，采样频率为3 3.3多代理决策融合 kz,采样点数为16384，测量时间为2.133s·每种 基于单数据特征的决策融合的模式识别率有 情况采集40个样本，其中20个样本用作分类器的 限：振动信号最高达到92.2%，用电流信号达到 训练参数，10个样本用作多代理融合模型的训练参 72.5%.将振动信号和电流信号融合，实现信息互 数，10个样本用作测试. 补，可以有效地提高电机运行状态模式识别率，最高 3.2特征计算及分类 可达到98.9%（见图5） 对于模式识别系统，采集得到的数据不能被直 100 接输入，需要进行特征计算.为了尽可能提取电机 95 状态信息，从时域、频域和回归系数三方面进行计 算.采用了三个振动方向和三个电流相位上的21 85 个特征值（时域的10个特征值，频域的3个特征值 和回归评估的8个特征值)[]. 75 一一振动信号 一·电流信号 将计算后的特征作为六种分类器的输入，分类 70 -一融合信号 器的参数设置和识别率（样本正确分类数与总样本 65 23456789101112 分类器融合数 数的比值)见表2，可以看出振动信号比电流信号能 更好的表现电机状态，统计所有六种分类器结果， 图5不同信号分类器融合比较 最好的识别率出现在用SVM和kNN分类器处理 振动信号，其识别率为86.7%；对于电流信号，SVM 在多代理决策融合算法中，阀值是敏感参数，并
工作用以同故障电机做比较．其余的电机故障分 别为：转子不平衡、转子断条、定子故障（三相电流模 拟）、轴承故障（外圈）、转子弯曲和转子偏心（图4）． 表1描述了电机故障情况． 图4 电机故障 表1 电机故障描述 故障名称 故障描述 备注 转子断条 12断条 共计34根导条 轴弯曲 弯曲挠度：0．075mm 气隙：0．25mm 轴承故障 外滚道缺陷 型号：＃6203 转子不平衡 在转子上添加不平衡质 量8．4g 转子偏心 平行及角度偏心 以轴 承 座 为 基 准调节 相位不平衡 在其中一个相位上附加 电阻 8．4％ 用三个 AC 电流互感器和三个加速度计测量三 相电流和水平、垂直及轴向的振动．采样频率为3 kHz采样点数为16384测量时间为2∙133s．每种 情况采集40个样本其中20个样本用作分类器的 训练参数10个样本用作多代理融合模型的训练参 数10个样本用作测试． 3∙2 特征计算及分类 对于模式识别系统采集得到的数据不能被直 接输入需要进行特征计算．为了尽可能提取电机 状态信息从时域、频域和回归系数三方面进行计 算．采用了三个振动方向和三个电流相位上的21 个特征值（时域的10个特征值频域的3个特征值 和回归评估的8个特征值） ［9］． 将计算后的特征作为六种分类器的输入分类 器的参数设置和识别率（样本正确分类数与总样本 数的比值）见表2．可以看出振动信号比电流信号能 更好的表现电机状态．统计所有六种分类器结果 最好的识别率出现在用 SVM 和 k—NN 分类器处理 振动信号其识别率为86∙7％；对于电流信号SVM 获得最高识别率其值为67∙8％．其次是 LDA 和 IISGMM 和 LVQ 分类器不适于振动信号和电流 信号．在实验中没有回避使用不好的分类器因为 可用的分类器经常是事先指定而对不同测试的信号 结果是未知的．另外识别率最低的分类器在融合 过程中不会影响结果这一点在后面的结果可以证 明． 表2 分类器参数设置及振动和电流识别率 ％ 分类器 SVM LDA k—NN IIS GMM LVQ 参数 设置 线性核 函数 无 K＝3 迭代数 50 无 N＝20迭 代数50 振动 识别率 86．7 62．3 86．7 24．1 10 10 电流 识别率 67．8 43．8 57．6 26．2 10 10 表3 分类器序列和选择序列 分类器 信号 SVM LDA k—NN IIS GMM LVQ 序列号 振动 电流 1 2 3 4 5 6 7 8 9 10 11 12 融合 序列 振动 电流 NO．1 NO．7 NO．5 NO．10 NO．11 NO．4 NO．6 NO．8 NO．3 NO．9 NO．12 NO．2 六个分类器用来对振动和电流样本的特征数据 进行分类形成决策向量分别依次命名为向量1～ 12．然后12个决策向量被输入到分类器选择程序 以得到分类器融合的最佳序列见表3．最后应用 多代理算法进行决策融合． 3∙3 多代理决策融合 基于单数据特征的决策融合的模式识别率有 限：振动信号最高达到92∙2％用电流信号达到 72∙5％．将振动信号和电流信号融合实现信息互 补可以有效地提高电机运行状态模式识别率最高 可达到98∙9％（见图5）． 图5 不同信号分类器融合比较 在多代理决策融合算法中阀值是敏感参数并 ·184· 北 京 科 技 大 学 学 报 2007年 增刊2
Vol.29 Suppl.2 韩天等：基于多代理决策融合的电机状态识别 ,185 且影响最终精度，为了找到恰当的阀值，将其值从 减少，在保证最大识别率的前提下，当阀值为0.9 0.5以步长为0.05渐变到1，结果见表4.当时，识 时，分类器融合数降到7个，这有助于减少系统计算 别率出现最佳值，进一步增大阀值则分类器个数将 时间 表4阀值，分类器融合个数及识别率之间的关系 识别率/% 阀值P 1 5 6 7 9 10 11 12 0.50 86.7 86.7 90 94.4 95.6 96.7 97.8 97.8 96.7 95.6 95.6 97.8 0.55 86.7 86.7 90 94.4 95.6 96.7 97.8 97.8 96.7 95.6 97.8 97.8 0.60 86.7 86.7 90 94.4 95.6 96.7 97.8 97.8 97.8 97.8 97.8 97.8 0.65 86.7 86.7 90 94.4 95.6 96.7 97.8 97.8 97.8 97.8 98.9 97.8 0.70 86.7 86.7 94.4 94.4 95.6 96.7 978 978 97.8 98.9 98.9 97.8 0.75 86.7 86.7 944 944 95.6 96.7 978 989 97R 98.9 98.9 98.9 0.80 86.7 86.7 94.4 94.4 95.6 96.7 98.9 98.9 98.9 98.9 0.85 86.7 86.7 94.4 94.4 95.6 97.8 97.8 98.9 98.9 98.9 98.9 98.9 0.90 86.7 86.7 94.4 94.4 95.6 97.8 98.9 98.9 98.9 98.9 98.9 98.9 0.95 86.7 86.7 94.4 94.4 95.6 97.8 98.9 98.9 98.9 98.9 98.9 98.9 为了验证多代理算法的有效性，将其与多数投 号的72.5%提高到最高的98.9% 票法和贝叶斯信念算法相比较.采用多代理方法的 最大识别率为98.9%，而采用多数一致表决法和贝 参考文献 叶斯算法时最大识别率则分别为98.9%和91.1%. [1]Yang B S,Jeong S K,Oh Y M,et al.Case-based reasoning sys- 在图6中，可以看出由于考虑到了动态融合，多代理 tem with Petri nets for induction motor fault diagnosis.Expert Systems with Applications.2004.27(2):301 方法和贝叶斯信念算法远比多数一致表决法有效， [2]Duin R P W,Tax D M J.Experiment with classifier combining 当分类器不足时，多代理方法明显比贝叶斯信念算 rules//Proceeding of the Ist International Workshop on Multiple 法有效，然而，比较这两种融合算法，最高精度值的 Classifier Systems.Cagliari,Italy,200016 相同是因为决策向量的紧密相关 [3]寇忠宝，张长水.基于Multiagent的分类器融合.计算机学 报，2003.(26)2：1 100 [4]Kittler J.Hatef M.Duin RP W,et al.On combining classifiers. 一■一贝叶斯算法 IEEE Transactions on Pattern Analysis and Machine Intelli- ●一多数投票法 9enee,1998,20(3):226 ▲一多代理算法 [5]Yang BS,Han T,Hwang WW.Fault diagnosis of rotating ma- chinery based on multiclass support vector machines.Journal of 88 Mechanical Science and Technology.2005.19(3):846 [6]Singh S,Haddon J,Markou M.Nearest neighbor classifiers in 82 natural scene analysis.Pattern Recogn.2001,34:1601 56789101112 分类器融合数 [7]Hong Q Y.Kwong S.A genetic classification method for speaker recognition.Engineering Applications of Artificial Intelligence. 图6决策融合算法的比较 2005,18(1):13 [8]Villmann T H.Schleif F,Hammer B.Comparison of relevance 结论 learning vector quantization with other metric adaptive classifica- tion methods.Neural Net.2005.1 提出了基于多代理决策融合的电机状态识别系 [9]Yang B S,Kim K J.Application of Dempster Shafer theory in 统，通过振动和电流传感器数据融合，基于相关度 fault diagnosis of induction motors using vibration and current sig nals.Mechanical Systems and Signal Processing.2006.20(2): 的分类器选择和基于多代理的分类器融合算法，电 403 机状态模式识别率由单振动信号的92.2%，电流信
且影响最终精度．为了找到恰当的阀值将其值从 0∙5以步长为0∙05渐变到1结果见表4．当时识 别率出现最佳值．进一步增大阀值则分类器个数将 减少．在保证最大识别率的前提下当阀值为0∙9 时分类器融合数降到7个这有助于减少系统计算 时间． 表4 阀值、分类器融合个数及识别率之间的关系 阀值 ρ 识别率／％ 1 2 3 4 5 6 7 8 9 10 11 12 0．50 86．7 86．7 90 94．4 95．6 96．7 97．8 97．8 96．7 95．6 95．6 97．8 0．55 86．7 86．7 90 94．4 95．6 96．7 97．8 97．8 96．7 95．6 97．8 97．8 0．60 86．7 86．7 90 94．4 95．6 96．7 97．8 97．8 97．8 97．8 97．8 97．8 0．65 86．7 86．7 90 94．4 95．6 96．7 97．8 97．8 97．8 97．8 98．9 97．8 0．70 86．7 86．7 94．4 94．4 95．6 96．7 97．8 97．8 97．8 98．9 98．9 97．8 0．75 86．7 86．7 94．4 94．4 95．6 96．7 97．8 98．9 97．8 98．9 98．9 98．9 0．80 86．7 86．7 94．4 94．4 95．6 96．7 97．8 98．9 98．9 98．9 98．9 98．9 0．85 86．7 86．7 94．4 94．4 95．6 97．8 97．8 98．9 98．9 98．9 98．9 98．9 0．90 86．7 86．7 94．4 94．4 95．6 97．8 98．9 98．9 98．9 98．9 98．9 98．9 0．95 86．7 86．7 94．4 94．4 95．6 97．8 98．9 98．9 98．9 98．9 98．9 98．9 为了验证多代理算法的有效性将其与多数投 票法和贝叶斯信念算法相比较．采用多代理方法的 最大识别率为98∙9％而采用多数一致表决法和贝 叶斯算法时最大识别率则分别为98∙9％和91∙1％． 在图6中可以看出由于考虑到了动态融合多代理 方法和贝叶斯信念算法远比多数一致表决法有效． 当分类器不足时多代理方法明显比贝叶斯信念算 法有效．然而比较这两种融合算法最高精度值的 相同是因为决策向量的紧密相关． 图6 决策融合算法的比较 4 结论 提出了基于多代理决策融合的电机状态识别系 统．通过振动和电流传感器数据融合基于相关度 的分类器选择和基于多代理的分类器融合算法电 机状态模式识别率由单振动信号的92∙2％电流信 号的72∙5％提高到最高的98∙9％． 参 考 文 献 ［1］ Yang B SJeong S KOh Y Met al．Case-based reasoning system with Petri nets for induction motor fault diagnosis．Expert Systems with Applications200427（2）：301 ［2］ Duin R P WTax D M J．Experiment with classifier combining rules∥Proceeding of the1st International Workshop on Multiple Classifier SystemsCagliariItaly2000：16 ［3］ 寇忠宝张长水．基于 Mult-i agent 的分类器融合．计算机学 报2003（26）2：1 ［4］ Kittler JHatef MDuin R P Wet al．On combining classifiers． IEEE Transactions on Pattern Analysis and Machine Intelligence199820（3）：226 ［5］ Yang B SHan THwang W W．Fault diagnosis of rotating machinery based on mult-i class support vector machines．Journal of Mechanical Science and Technology200519（3）：846 ［6］ Singh SHaddon JMarkou M．Nearest-neighbor classifiers in natural scene analysis．Pattern Recogn200134：1601 ［7］ Hong Q YKwong S．A genetic classification method for speaker recognition．Engineering Applications of Artificial Intelligence 200518（1）：13 ［8］ Villmann T HSchleif FHammer B．Comparison of relevance learning vector quantization with other metric adaptive classification methods．Neural Net20051 ［9］ Yang B SKim K J．Application of Dempster-Shafer theory in fault diagnosis of induction motors using vibration and current signals．Mechanical Systems and Signal Processing200620（2）： 403 Vol．29Suppl．2 韩 天等： 基于多代理决策融合的电机状态识别 ·185·
.186, 北京科技大学学报 2007年增刊2 Motor condition recognition based on multi-agent decision fusion HAN Tian,SUN Xin,YIN Zhongjun Mechanical Engineering School.University of Science and Technology Beijing,Beijing 100083.China ABSTRACI One motor condition recognition system based on multi-agent decision fusion was proposed.Six classifiers were used to classify motors condition by system inputs:vibration and current signals.In the system, each classifier was considered as an agent,which independently completed recognition task,then exchanged in- formation among classifiers to improve classification accuracy.Sensor fusion and classifier selection were put into the system,and this method was much better than one-single signal and no classifier selection.The best recogni- tion result of the proposed system achieved 98.9. KEY WORDS multi-agent;decision fusion;motor fault;sensor fusion;classifier selection
Motor condition recognition based on mult-i agent decision fusion HA N TianSUN XinY IN Zhongjun Mechanical Engineering SchoolUniversity of Science and Technology BeijingBeijing100083China ABSTRACT One motor condition recognition system based on mult-i agent decision fusion was proposed．Six classifiers were used to classify motors condition by system inputs：vibration and current signals．In the system each classifier was considered as an agentwhich independently completed recognition taskthen exchanged information among classifiers to improve classification accuracy．Sensor fusion and classifier selection were put into the systemand this method was much better than one-single signal and no classifier selection．The best recognition result of the proposed system achieved98∙9％． KEY WORDS mult-i agent；decision fusion；motor fault；sensor fusion；classifier selection ·186· 北 京 科 技 大 学 学 报 2007年 增刊2