PHM的信息融合、推理与决策

推理决策是PHM系统的重要能力，它需要对操作的历史记录、当前与将来的任务及可用资源的限制等做出综合判断，包括任务可行性分析、风险预测及资源信息管理等过程。

本篇我们来聊聊PHM的信息融合、推理及维护决策的方法。

一、信息融合

信息融合是一种多层次、多方面的处理过程，是对多个信息源、多传感器信息、多参数及历史与经验信息综合处理的过程，主要完成对来自多个信息源的数据或信息的自动监测（detection）、关联（correlation）、估计（estimation）和组合（combination）等处理。目的是充分利用已有的全部信息，提取出有价值的信息。

在健康监测系统中，根据不同处理层次，多传感器信息融合一般有三层基本结构体系：较低层次的信号层（或数据层）融合、较高层次的特征层融合、最高层次的决策层融合，如图1所示。

（1）信号层（数据层）融合

这个信息融合层面上，被检测设备上的所有传感器的原始数据被直接融合，从而从这些融合数据中提取特征向量，如振动信号和速度信号融合可获得时域同步振动特征。典型的信号层融合技术包括经典的估计算法，如卡尔曼（Kalman）滤波等。这个阶段模式识别的过程如图 1(a)所示。这个层面上的信息融合包含最大量的信息和能够给出最好的结果。然而，使用在这个阶段的融合传感器必须保证是同量的。这就意味着测量值必须是一样的、相似的，物理量或物理现象必须是一致的。因此，信号层面信息融合的应用受限于包含许多针对综合分析的可被量测的物理量的真实环境，对于不同介质的多传感器信息情况必须在特征层或决策层进行融合。

（2）特征层融合

在这个层面上，根据原始数据的类型，从每一个传感器上提取特征信息。然后，这些不一样量纲的传感器信息被包含在特征层的各个阶段。所有的特征向量包含在一个比较大的单个特征向量中，这个较大的特征向量被用在用于决策的特别分类模型中。常用的方法有神经网络、聚类算法和模板匹配等。信息融合与模式识别过程如图1(b)所示。特征向量规范化的功能仍必须执行在将特征向量从各个传感器连接到一个较大的特征向量之前，用于限制这些特征向量处于一个相同值范围。

（3）决策层融合

这个融合层中，特征提取和类型识别是分别的过程，用于从单个传感器中获取单源数据，然后将这些生成的决策向量按照决策层融合技术进行融合，如将历史故障率、物理模型的预计结果与基于传感器信号的信息进行融合。常用的信息融合方法有贝叶斯推理、行为知识空间法、Dempster-Shafer 理论、模糊推理、神经网络融合算法等。模式识别过程如图1(c)所示。

图1

在实际应用中，同一个健康管理系统的不同区域可同时应用分别属于上述三个层次的融合方法，如图2所示。

图2

数据层融合如图2所示的区域1，常用于融合传感器信号、生成有用信息并创造特征；特征层融合如图2所示的区域2，常用于特征的智能融合，以便获得最好的诊断信息；决策层融合如图2所示的区域3，常用于系统级的分类、诊断、预测推理和维修决策。

二、推理

所谓推理就是按某种策略由已知信息推出某种结论的思维过程。PHM系统应具备智能思维的能力，即能运用知识进行推理，做出判断。因此，如何将产品的状态信息映射到健康管理系统的结论空间，组织实现对产品的健康管理过程，就是一个推理问题。

基于知识的推理方法一般有基于规则的推理（Rule-Based Reasoning，RBR）和基于案例的推理（Case-Based Reasoning，CBR）。

基于规则的推理是利用从领域专家获得的经验规则，根据已经掌握的知识进行推理，对于健康管理就是运用知识库中存放的有关健康信息、资源等领域知识，对所涉及的知识进行选择和组织的推理，通过所组织的资源实现健康管理的过程。

基于规则的推理缺乏“鲁棒性”，规则不可能涉及不可预见的问题，同时经验的获得比较困难，随着规则的增加，规则的维护也比较困难。

基于案例的推理是利用旧的实例或经验来解决问题，通过案例检索（Retrieve）、案例重用（Reuse）、案例修改（Revise）和案例保存（Retain）的4R循环实现寻求问题求解及解的更新。案例推理改进了问题的求解效率，更加符合领域专家的思维习惯，具有自学的能力。在实际的结构健康管理系统中，集成应用多种推理方式，通过规则推理建立有关健康管理的案例知识库，同时采用基于案例的推理作为重要的求解方式，取长补短，能更好地完成健康管理过程。

三、维修/维护决策

在PHM系统中，决策支持也处于十分重要的位置。在基于知识的系统中，决策支持通过对领域知识的推理来获得决策结果，组织领域资源实现最佳配置和组合。PHM 系统中，通用决策推理流程如图3所示。

决策支持技术是开发解决支持决策活动的具有智能作用的信息系统。健康管理系统要求决策支持技术能够分析和识别有关健康问题；形成候选的决策方案，包括目标、规则、方法和途径等；构造决策问题的求解模型，建立评价决策问题的各种准则，多方案、多目标、多准则地比较和优先级划分；综合分析决策方案的作用和影响。近些年，决策支持技术中引入了一些先进的技术，如人工智能、专家系统和机器学习等，使得决策支持具有了一些基于规则的特点。

图3

PHM 技术中的决策支持主要是对检测维修及数据分析等的组织安排过程。通过对产品的在线监测与诊断预测，获得它的健康状态报告，根据报告，做出检测维修的时间、人员、方法等方面的安排。检测维修主要有损伤容限的方法和无损检测的方法。

决策的具体进程一般分为四个步骤：①发现问题并形成决策目标，包括建立决策模型、拟订方案和确定效果度量，这是决策活动的起点；②用概率定量地描述每个方案所产生的各种结局的可能性；③决策人员对各种结局进行定量评价，一般用效用值来定量表示，效用值是有关决策人员根据个人才能、经验、风格及所处环境条件等因素，对各种结局的价值所进行的定量估计；④综合分析各方面信息，以最后决定方案的取舍，有时还要对方案进行灵敏度分析，研究原始数据发生变化时对最优解的影响，确定对方案有较大影响的参量范围。决策往往不可能一次完成，而是一个迭代过程。决策可以借助于计算机决策支持系统来完成，即用计算机来辅助确定目标、拟订方案、分析评价及模拟验证等工作。在此过程中，可用人机交互方式，由决策人员提供各种不同方案的参量并选择方案。

四、结束语

目前，信息融合研究方面存在的问题主要表现在以下几个方面，需重点关注

（1）信息的不确定性。当前信息融合系统应用的环境比较复杂，在信息的获取、处理、描述和融合过程中存在许多不确定因素，从而导致了最终的融合结果与真实情形有很大差别。由于不同类问题的差异较大，因此不确定性融合至今尚无普适的原理和技术。

（2）异类多传感器信息融合。异类多传感器融合通常具有数据率不一致性、时间不同步性、多平台、多介质和测量维数不匹配性等特点，因此存在明显的不确定特点。在异类多传感器信息融合过程中，如何对各类传感器的信息进行综合处理以获得信息，是需要进一步研究和解决的问题。

（3）特征差异大的传感器信息融合。在信息粒度/尺度、信息相悖/相容、完整/不完整测量、时序/非时序测量、可观测性弱/强等特征上具有较大差异的信息融合问题，在实际融合过程中经常出现，是当前信息融合领域的前沿问题，至今没有成熟的基础理论和方法。