基于改進(jìn)D-S證據(jù)理論的城市軌道交通設(shè)備預(yù)警方法

鄭勝潔, 劉 留，胡祖翰，石先明，劉利平，徐余明

(1.北京交通大學(xué)電子信息工程學(xué)院，北京 100044; 2.中鐵第四勘察設(shè)計(jì)院集團(tuán)有限公司，武漢 430063)

0 引言

近年來(lái)，城市軌道交通在我國(guó)迅速發(fā)展，為了保障城市軌道交通的安全運(yùn)營(yíng)，設(shè)備的日常維護(hù)成為軌道交通建設(shè)的重要組成部分. 目前城市軌道交通相關(guān)運(yùn)營(yíng)單位普遍采取設(shè)備定期巡查與人工監(jiān)測(cè)的方式保障設(shè)備安全運(yùn)行，缺乏對(duì)設(shè)備運(yùn)行狀態(tài)與性能的分析，無(wú)法保證運(yùn)營(yíng)維護(hù)的及時(shí)性，這樣不僅會(huì)增加城市軌道交通運(yùn)營(yíng)成本，而且會(huì)帶來(lái)風(fēng)險(xiǎn). 因此，推進(jìn)新技術(shù)在城市軌道交通中的應(yīng)用，根據(jù)設(shè)備實(shí)際運(yùn)營(yíng)情況設(shè)備進(jìn)行維護(hù)和檢修，提高城市軌道交通運(yùn)維質(zhì)量和效率，建立智能化運(yùn)維模式，具有重要意義[1-2].

由于軌道交通專(zhuān)業(yè)種類(lèi)繁多，設(shè)備采集數(shù)據(jù)具有數(shù)量大、維度高，為了更好的保障城市軌道交通的安全穩(wěn)定運(yùn)行，需要將各個(gè)監(jiān)測(cè)點(diǎn)的數(shù)據(jù)匯總?cè)诤蠟樽罱K決斷，再結(jié)合城市軌道交通設(shè)備具體特征及其預(yù)警狀態(tài)模型，制定有針對(duì)性的監(jiān)測(cè)預(yù)警方法[3]. 數(shù)據(jù)匯總?cè)诤戏椒ㄓ泻芏?，在眾多融合方法中，Dempster-Shafer證據(jù)理論以其處理不確定性推理問(wèn)題，并可直接進(jìn)行決策融合而受到廣泛的重視，在理論研究和實(shí)際應(yīng)用中都不斷發(fā)展[4-5]. 趙維興等[6]利用D-S證據(jù)理論建立了電網(wǎng)多層智能診斷模型，利用電網(wǎng)中多個(gè)單源信息組成多源信息融合診斷層，更準(zhǔn)確的定位故障位置. Zhao等[7]對(duì)圖像的紋理特征和光譜特征進(jìn)行相似度檢測(cè)，再通過(guò)D-S證據(jù)理論進(jìn)行特征融合，提高了樣本的可信度. 但是D-S證據(jù)理論存在無(wú)法有效融合沖突證據(jù)的問(wèn)題，沖突證據(jù)主要來(lái)自2方面，一個(gè)是融合規(guī)則帶來(lái)的沖突；另一個(gè)是證據(jù)本身存在問(wèn)題. 針對(duì)融合規(guī)則的沖突，徐敏銳等[8]通過(guò)信息熵的方式對(duì)D-S融合規(guī)則進(jìn)行了改進(jìn)，而針對(duì)證據(jù)本身的問(wèn)題，錢(qián)建波等[9]通過(guò)改進(jìn)證據(jù)相似度提出一種新的D-S證據(jù)合成方法，解決了沖突證據(jù)的合成悖論問(wèn)題. 邢曉敏等[10]在D-S證據(jù)理論的隸屬度分配上引入集成客觀事物隨機(jī)性與模糊性的云模型，以實(shí)現(xiàn)對(duì)輸入指標(biāo)權(quán)重全面性的兼顧. 于藝彬等[11]根據(jù)D-S證據(jù)理論加權(quán)因子與輸入元素信任分配成正比的關(guān)系，對(duì)加權(quán)因子重新劃定，以形成適用于特征的效能評(píng)估方法. 根據(jù)文獻(xiàn)調(diào)研，調(diào)整加權(quán)因子是解決證據(jù)自身沖突的主要方式. 這些研究為D-S證據(jù)理論的廣泛應(yīng)用奠定了基礎(chǔ)[12].

本文引入1種基于改進(jìn)D-S證據(jù)理論的城市軌道交通設(shè)備預(yù)警方法，并以城市軌道交通橋梁設(shè)備為例，首先對(duì)同質(zhì)監(jiān)測(cè)傳感器數(shù)據(jù)融合，消除異常數(shù)據(jù)的干擾；接著使用預(yù)警閾值和基于典型樣本值的方法進(jìn)行預(yù)警等級(jí)的劃分確定，最后將各傳感器不同預(yù)警等級(jí)的狀態(tài)量融合起來(lái)，依據(jù)傳感器融合過(guò)程中產(chǎn)生的沖突，設(shè)置加權(quán)沖突函數(shù)，并使用人工蜂群算法優(yōu)化權(quán)重，提高了預(yù)警結(jié)果的可信度；在此基礎(chǔ)上，對(duì)某區(qū)域橋梁設(shè)備進(jìn)行仿真驗(yàn)證，仿真結(jié)果表明，改進(jìn)方法可有效分配橋梁各傳感器融合過(guò)程的比重，能對(duì)異常傳感器進(jìn)行識(shí)別，實(shí)現(xiàn)城市軌道交通橋梁設(shè)備綜合監(jiān)測(cè)預(yù)警.

1 城市軌道交通橋梁預(yù)警方法

對(duì)于城市軌道交通橋梁設(shè)備，本文首先對(duì)同質(zhì)監(jiān)測(cè)傳感器數(shù)據(jù)融合，接著建立了4級(jí)預(yù)警機(jī)制，該機(jī)制是指在規(guī)定的時(shí)間下，設(shè)備監(jiān)測(cè)傳感器所處的預(yù)警等級(jí). 隨著預(yù)警等級(jí)的提升，故障對(duì)橋梁結(jié)構(gòu)的影響逐步加重. 該預(yù)警等級(jí)隨著時(shí)間不斷變化，是1個(gè)時(shí)變量，每隔固定時(shí)間間隔需重新對(duì)橋梁各傳感器的預(yù)警等級(jí)進(jìn)行判定. 但在橋梁監(jiān)測(cè)傳感器實(shí)際運(yùn)行過(guò)程中，僅使用同質(zhì)傳感器監(jiān)測(cè)預(yù)警無(wú)法滿足對(duì)橋梁整體結(jié)構(gòu)的綜合分析. 為了解決該問(wèn)題，引入了D-S證據(jù)理論信息融合算法，將各個(gè)異質(zhì)傳感器預(yù)警等級(jí)的結(jié)果組合起來(lái)，并通過(guò)改進(jìn)的D-S證據(jù)理論修正預(yù)警結(jié)果，有效而準(zhǔn)確地描述橋梁結(jié)構(gòu)的預(yù)警狀態(tài).

1.1 基于歐式距離的同質(zhì)傳感器融合

在橋梁健康監(jiān)測(cè)過(guò)程中，往往會(huì)布置多個(gè)同質(zhì)傳感器.但若因某一傳感器異常，導(dǎo)致監(jiān)測(cè)不準(zhǔn)，將其輸入預(yù)警模型中，會(huì)嚴(yán)重影響模型的性能.因此，本文采用1種基于歐式距離的同質(zhì)傳感器數(shù)據(jù)融合方法，將異常傳感器的監(jiān)測(cè)數(shù)值剔除[13].其基本思想是，對(duì)于2個(gè)同類(lèi)數(shù)據(jù)，它們之間距離越小，相似程度就越大，反之，對(duì)于和其他數(shù)據(jù)距離很大的數(shù)據(jù)點(diǎn)，可將其剔除.首先假設(shè)同質(zhì)傳感器數(shù)目為k,則傳感器數(shù)據(jù)為Sa={sa|a=1,2,…,k}，則sa和其他同質(zhì)傳感器之間的距離可表示為：

(1)

式中，計(jì)算所有sa和除sa同質(zhì)傳感器數(shù)據(jù)之間的距離，并用矩陣表示：

(2)

式中，D(dab)為該傳感器數(shù)據(jù)和其他數(shù)據(jù)的相似程度；D(dab)中的值越小，其相似程度越大.接著對(duì)其歸一化處理：

(3)

式中，同類(lèi)數(shù)據(jù)的歸一化歐式距離Dg(sa)反映了數(shù)據(jù)的真實(shí)性；Dg(sb)越小表示數(shù)據(jù)越真實(shí).當(dāng)異常值出現(xiàn)時(shí)，Dg(sa)會(huì)非常大，且正常值之間會(huì)非常小.設(shè)閾值σ=Dg(sz)×30%，Dg(sz)為Dg(sa)的中位數(shù)，當(dāng)Dg(sa)>Dg(sz)+σ或者Dg(sa)

1.2 橋梁預(yù)警等級(jí)劃分及確定

根據(jù)上節(jié)篩選出的數(shù)據(jù)，確定其預(yù)警等級(jí).橋梁系統(tǒng)的傳感器健康監(jiān)測(cè)建立了明確的預(yù)警指標(biāo)體系，該體系根據(jù)傳感器的運(yùn)行狀態(tài)以及預(yù)警閾值，判斷傳感器在某一時(shí)刻的特定預(yù)警等級(jí).預(yù)警閾值根據(jù)理論值、實(shí)測(cè)值、規(guī)范值并結(jié)合橋梁結(jié)構(gòu)的重要性綜合確定，根據(jù)《大跨度橋梁結(jié)構(gòu)健康監(jiān)測(cè)系統(tǒng)預(yù)警閥值標(biāo)準(zhǔn)》[14]，預(yù)警閾值規(guī)范見(jiàn)表1.本預(yù)警方法采用綠色、黃色、橙色和紅色4級(jí)預(yù)警機(jī)制，其分別對(duì)應(yīng)設(shè)備正常狀態(tài)、故障設(shè)備初發(fā)性狀態(tài)、故障設(shè)備耗損性狀態(tài)以及設(shè)備完全故障狀態(tài)，又針對(duì)不同預(yù)警等級(jí)，提出相應(yīng)維保建議.

表1 橋梁監(jiān)測(cè)設(shè)備預(yù)警閾值規(guī)范

根據(jù)篩選出的橋梁傳感器觀測(cè)值以及預(yù)警閾值，使用基于典型樣本值的概率分配算法確定預(yù)警等級(jí)[15].該方法原理是根據(jù)某一時(shí)刻傳感器觀測(cè)值和預(yù)警閾值，獲取該時(shí)刻4種預(yù)警等級(jí)分別對(duì)應(yīng)的概率.設(shè)傳感器的觀測(cè)數(shù)據(jù)為{y1,y2,y3,…yn}，其中yi(i=1,2,…,n)為第i類(lèi)傳感器的輸入值，{yi1,yi2,yi3,yi4}表示第i類(lèi)傳感器4種預(yù)警等級(jí)對(duì)應(yīng)閾值，則對(duì)于該傳感器觀測(cè)數(shù)值yi對(duì)應(yīng)的概率分配函數(shù)為：

(4)

式中，M為預(yù)警等級(jí)數(shù)量；Dij為該傳感器觀測(cè)數(shù)值yi與閾值yij之間的Hamming距離，即：

Dij=|yi-yij|

(5)

式中，Di為該傳感器觀測(cè)值yi與4種預(yù)警等級(jí)閾值的Hamming距離之和：

(6)

同時(shí)，對(duì)于每種傳感器的概率分配函數(shù)都滿足以下條件：

m(Tj)→[0,1]

(7)

(8)

式中，m(·)為概率分配函數(shù)；Tj(j=1,2,3,4)為第j種預(yù)警等級(jí).它滿足對(duì)于每種預(yù)警等級(jí)，概率分配都在[0,1]之間，且概率和為1.以某傳感器為例，設(shè)定綠(G)、黃(Y)、橙(O)、紅(R)為4種預(yù)警等級(jí)，假設(shè)m(G)=0.1,m(Y)=0.2，m(O)=0.2，m(R)=0.5，此時(shí)判定該傳感器預(yù)警等級(jí)為紅色預(yù)警(Ⅰ級(jí)閾值).

1.3 D-S證據(jù)理論融合

D-S證據(jù)理論作為1種簡(jiǎn)潔有效的數(shù)據(jù)融合算法，能降低決策過(guò)程中的不確定性，原理是在建立原有證據(jù)體的可信度分配函數(shù)基礎(chǔ)上，通過(guò)融合規(guī)則降低所有證據(jù)體的不確定性，再進(jìn)行判決.在本文預(yù)警方法中，傳感器的4種預(yù)警等級(jí)對(duì)應(yīng)融合方法中的證據(jù)體，在決策預(yù)警等級(jí)時(shí)都有概率分配，具有不確定性，利用D-S證據(jù)理論算法將它們?nèi)诤?，再進(jìn)行決策分析，能更好地決策預(yù)警等級(jí).上節(jié)中得到1種傳感器的預(yù)警概率分配值，再由式(4) ～(8)，可得到其他傳感器的概率分配值.最后對(duì)各傳感器的概率分配值進(jìn)行融合處理，融合采用D-S合成規(guī)則，兩兩合成規(guī)則如下：

(9)

(10)

式中，A、B?Tj，m1(A)和m2(B)為兩類(lèi)傳感器對(duì)應(yīng)的概率分配值；K為沖突因子.兩類(lèi)傳感器融合后的結(jié)果m(Tj)即為不同預(yù)警等級(jí)的概率分配.由式(6) ～(7)得到兩類(lèi)傳感器融合結(jié)果后，再多次使用兩兩合成規(guī)則將多類(lèi)傳感器融合，得到的結(jié)果經(jīng)過(guò)如下方式判決輸出，即如果某一閾值狀態(tài)概率同時(shí)滿足式(11) ～(12)，則可判定為該狀態(tài).

m(Tm)=max {m(Ti)}

(11)

m(Tm)-m(Tj)>δ(j≠m)δ∈R且δ>0

(12)

式中，Tj(j=1,2,3,4)為第j種預(yù)警等級(jí)；Tm為概率分配值最大的預(yù)警等級(jí)；δ為大于零的實(shí)數(shù)，其取值根據(jù)實(shí)際情況而設(shè)定.式(11)～(12)表示Tm為融合后概率最大的預(yù)警等級(jí)，并且與其他融合后預(yù)警等級(jí)的概率差值大于門(mén)限δ，即可判定為該預(yù)警等級(jí).

1.4 改進(jìn)D-S證據(jù)理論融合

D-S證據(jù)理論通過(guò)合成規(guī)則融合多個(gè)傳感器的概率分配，得到預(yù)警等級(jí)的綜合可信度，合成具有良好的性質(zhì). 但是D-S證據(jù)理論算法在使用時(shí)存在融合規(guī)則失效的情況，比如當(dāng)不同傳感器對(duì)應(yīng)預(yù)警等級(jí)的概率相差較大時(shí)，融合結(jié)果往往與直觀感覺(jué)嚴(yán)重相悖. 以城市軌道交通橋梁設(shè)備為例，這里選取撓度、壓力和索力傳感器，結(jié)果如表2所示：

表2 傳感器融合結(jié)果

撓度和索力在融合前概率是一致的，壓力和他們是沖突的，融合后中間狀態(tài)概率反而升高，這是由于原算法在融合有差異的數(shù)據(jù)時(shí)，合成結(jié)果與真實(shí)結(jié)果有偏差，這就是證據(jù)理論算法存在的沖突問(wèn)題.在合成過(guò)程中，按照式(10)可計(jì)算兩傳感器的沖突系數(shù)，若0≤K<1，表明不沖突，直接用合成規(guī)則進(jìn)行融合，若K=1，表示完全沖突，則需要對(duì)融合前傳感器的權(quán)重進(jìn)行計(jì)算，減小融合時(shí)的沖突[16].本文在原算法基礎(chǔ)上構(gòu)造加權(quán)沖突函數(shù)，再使用人工蜂群算法優(yōu)化，得到每個(gè)傳感器的加權(quán)系數(shù)，再進(jìn)行融合決策，圖1為改進(jìn)算法模型.

圖1 改進(jìn)D-S證據(jù)理論的數(shù)據(jù)融合模型

首先構(gòu)造加權(quán)沖突函數(shù)，該函數(shù)由加權(quán)沖突因子K和加權(quán)沖突距離d組成，該函數(shù)綜合考慮了各類(lèi)傳感器之間的沖突.假設(shè)監(jiān)測(cè)設(shè)備傳感器數(shù)目為n，則沖突函數(shù)f可表示為：

f=(K1,2+K1,3+K1,4+…+Kn-1,n)+
(d1,2+d1,3+d1,4+…+dn-1,n)

(13)

式中，K表示任意兩傳感器的加權(quán)沖突因子，即：

(14)

式中，A和B預(yù)警等級(jí)，m1(A)和m2(B)為2種傳感器對(duì)應(yīng)的預(yù)警等級(jí)概率分配值，x1和x2為m1和m2的權(quán)重，滿足x1+x2=1，x1∈[0,1]，x2∈[0,1].此外，式(15)中d定義為兩傳感器的沖突距離矩陣，可表示為：

(15)

式中，m1和m2為兩傳感器預(yù)警等級(jí)概率的向量，U為單位矩陣.通過(guò)式(13)～(15)確定沖突函數(shù)f后，再使用人工蜂群算法優(yōu)化，得到f最小時(shí)的權(quán)值.算法的流程如圖2所示.

圖2 人工蜂群算法流程

沖突函數(shù)f為人工蜂群算法的目標(biāo)函數(shù)，加權(quán)系數(shù)為蜂群，通過(guò)優(yōu)化算法得到最優(yōu)加權(quán)系數(shù)后，將權(quán)重系數(shù)帶入融合前概率分配函數(shù)進(jìn)行修正，即把加權(quán)系數(shù)帶入加權(quán)平均公式：

m(Tj)=x1m1(Tj)+x2m2(Tj)+…+xnmn(Tj)

(16)

式中Tj(j=1,2,3,4)為第j種閾值狀態(tài).將所得的概率分配值m(Tj)使用D-S合成規(guī)則融合n-1次，得到最終結(jié)果.

2 仿真驗(yàn)證結(jié)果

以城市軌道交通橋梁系統(tǒng)為例，共選取某實(shí)測(cè)區(qū)域16種的橋梁監(jiān)測(cè)傳感器進(jìn)行仿真驗(yàn)證. 監(jiān)測(cè)項(xiàng)目主要分為：應(yīng)力監(jiān)測(cè)、環(huán)境監(jiān)測(cè)、位移監(jiān)測(cè)以及橋梁傾斜度監(jiān)測(cè). 具體傳感器內(nèi)容參數(shù)如表3所示. 其中，在傳感器的安置中，應(yīng)力監(jiān)測(cè)主要用于監(jiān)測(cè)主梁及墩頂壓力和振動(dòng)加速度等，分別安置在墩頂處、兩側(cè)腹板處及主跨跨中上；位移監(jiān)測(cè)主要用于監(jiān)測(cè)橋面縱向滑移以及撓度等，安置在邊跨合攏段和墩頂?shù)牧憾?；傾斜監(jiān)測(cè)主要用于墩身傾角測(cè)量，安置在墩頂；環(huán)境監(jiān)測(cè)主要用于監(jiān)測(cè)季節(jié)及日照引起的溫度變化，分別安置在墩頂處和兩側(cè)腹板處，如圖5所示. 本文對(duì)橋梁上16種傳感器，每個(gè)傳感器在固定時(shí)間段連續(xù)采集50組數(shù)據(jù)，采集過(guò)程會(huì)引入噪聲，以光電撓度儀為例，該噪聲為高頻噪聲并且服從正態(tài)分布，均值為0.4 mm，標(biāo)準(zhǔn)差為0.22 mm. 噪聲對(duì)真實(shí)數(shù)據(jù)干擾產(chǎn)生離群點(diǎn)，通過(guò)數(shù)據(jù)清洗對(duì)觀測(cè)數(shù)據(jù)離群點(diǎn)進(jìn)行處理；對(duì)于不同采樣頻率的傳感器數(shù)據(jù)采用插值法進(jìn)行時(shí)間同步處理，將處理后數(shù)據(jù)進(jìn)行同質(zhì)和異質(zhì)融合.

2.1 同質(zhì)傳感器融合結(jié)果

以縱向位移、振動(dòng)加速度和濕度為例，按照《大跨度橋梁結(jié)構(gòu)健康監(jiān)測(cè)系統(tǒng)預(yù)警閥值標(biāo)準(zhǔn)》，將其分為4個(gè)等級(jí)，即θ={Ⅰ,Ⅱ,Ⅲ,Ⅳ}，分別對(duì)應(yīng)紅、橙、黃、綠4種預(yù)警狀態(tài),如表4所示.

接著共選取8組3類(lèi)參數(shù)在同一時(shí)刻對(duì)應(yīng)的同質(zhì)傳感器數(shù)據(jù)，傳感器對(duì)應(yīng)監(jiān)測(cè)參數(shù)如表5所示.

根據(jù)式(1)～(3)，可得到8組采集到的數(shù)據(jù)與其他數(shù)據(jù)之間的歸一化歐式距離Dg(sa)，如表6所示.該距離反映的是與其他數(shù)據(jù)的相似程度.Dg(sa)越小，其相似程度越大.根據(jù)閾值范圍，第7組數(shù)據(jù)的縱向位移超出閾值范圍，第8組數(shù)據(jù)的振動(dòng)加速度和濕度超出閾值范圍，因此在進(jìn)行異質(zhì)傳感器融合時(shí)，可將其剔除.篩選出的數(shù)據(jù)求取平均值，然后利用式(4)～(8)劃分該時(shí)刻傳感器預(yù)警等級(jí).

2.2 D-S融合結(jié)果

本次驗(yàn)證結(jié)果共選取16類(lèi)不同類(lèi)別的橋梁傳感器. 首先進(jìn)行數(shù)據(jù)預(yù)處理以及同質(zhì)傳感器融合，接著使用基于典型樣本值的概率分配算法劃分預(yù)警等級(jí)，最后使用D-S證據(jù)理論算法對(duì)預(yù)警等級(jí)決策融合. 表7為模擬真實(shí)橋梁監(jiān)測(cè)數(shù)據(jù)所假設(shè)的16類(lèi)傳感器監(jiān)測(cè)結(jié)果，擬選取12類(lèi)傳感器為指標(biāo)異常紅色預(yù)警，4類(lèi)傳感器為指標(biāo)正常綠色預(yù)警. 16類(lèi)不同傳感器的融合結(jié)果如表8所示：

表3 橋梁監(jiān)測(cè)傳感器參數(shù)

圖3 橋梁傳感器布置

表4 橋梁參數(shù)特征表

表5 三類(lèi)參數(shù)監(jiān)測(cè)數(shù)值

表6 三類(lèi)參數(shù)歸一化歐式距離

表7和表8顯示，經(jīng)過(guò)融合后，在多數(shù)傳感器報(bào)警狀態(tài)異常的情況下，融合結(jié)果為紅色的概率為0.682 7. 與單一傳感器監(jiān)測(cè)結(jié)果相比，選用多種傳感器使得監(jiān)測(cè)結(jié)果可信度更高. 另外，若采用單一傳感器監(jiān)測(cè)，可能因?yàn)槟稠?xiàng)指標(biāo)正常而忽視橋梁整體狀況，因此多傳感器融合預(yù)警方法具有可行性. 但是采用D-S融合時(shí)存在融合失效的問(wèn)題，在判決時(shí)就可能會(huì)出現(xiàn)虛警或者漏警，降低預(yù)警的準(zhǔn)確性. 本文通過(guò)人工蜂群算法加權(quán)優(yōu)化的方法改進(jìn)這一狀況，使預(yù)警概率的差值增大，提升預(yù)警準(zhǔn)確性.

表7 傳感器監(jiān)測(cè)結(jié)果

表8 傳感器融合結(jié)果

2.3 改進(jìn)D-S融合結(jié)果

對(duì)于16種不同的橋梁監(jiān)測(cè)傳感器，每個(gè)傳感器賦予1個(gè)加權(quán)系數(shù)，對(duì)帶入加權(quán)系數(shù)的沖突函數(shù)進(jìn)行分析，通過(guò)人工蜂群算法對(duì)函數(shù)最小化處理. 仿真過(guò)程中，問(wèn)題維度設(shè)為16，函數(shù)范圍為[0,1]，迭代次數(shù)上限為1 000. 計(jì)算出最優(yōu)的16組加權(quán)系數(shù)，對(duì)系數(shù)歸一化處理后的結(jié)果如表9所示：

表9 加權(quán)系數(shù) %

表9顯示4種傳感器正常，12種傳感器監(jiān)測(cè)異常. 結(jié)果為4種傳感器加權(quán)系數(shù)均小于6.0%，12種傳感器系數(shù)均大于6.0%. 此結(jié)果驗(yàn)證了改進(jìn)方法可適當(dāng)?shù)卣{(diào)整傳感器的加權(quán)系數(shù)，降低融合過(guò)程中的沖突. 得到各類(lèi)傳感器的加權(quán)系數(shù)后，將加權(quán)系數(shù)帶入各類(lèi)傳感器融合前的預(yù)警概率分配值，過(guò)程如式(16)所示，將其進(jìn)行加權(quán)平均后融合. 為了驗(yàn)證本文方法的有效性，分別使用Dempster規(guī)則方法、文獻(xiàn)[17-19]方法和本文方法進(jìn)行對(duì)比，共驗(yàn)證4組異常4組正常、8組異常4組正常和12組異常4組正常3種場(chǎng)景，可得到這3種場(chǎng)景對(duì)應(yīng)不同算法的融合結(jié)果，如表10所示.

表10 不同算法的融合結(jié)果

圖4 預(yù)警概率合成結(jié)果

由表10可知，采用傳統(tǒng)Dempster規(guī)則進(jìn)行數(shù)據(jù)融合，其識(shí)別結(jié)果是正確的. 但是如果沖突證據(jù)比例變大，原算法的融合正確率會(huì)迅速下降. 從仿真結(jié)果來(lái)看，文獻(xiàn)[17]方法設(shè)立權(quán)值函數(shù)，并利用果蠅算法優(yōu)化，該方法能有效解決證據(jù)間的沖突，但在傳感器數(shù)目最多的情況下，紅色預(yù)警概率比本文改進(jìn)算法低0.010 2. 文獻(xiàn)[18]利用證據(jù)之間的距離修正加權(quán)系數(shù)，該方法在傳感器數(shù)目較少以及證據(jù)之間有較大沖突時(shí)，性能稍優(yōu)于其他算法，但是隨著傳感器數(shù)目增加，該方法紅色預(yù)警概率比本文低0.012 0. 文獻(xiàn)[19]在傳感器數(shù)目較少時(shí)，紅色預(yù)警概率略低于其他算法，但是隨著傳感器數(shù)目增加，其預(yù)警概率優(yōu)于前2種方法，并且紅色預(yù)警概率僅比本文低0.001 7. 在3組不同數(shù)量異質(zhì)傳感器的驗(yàn)證結(jié)果中，本文方法得到的預(yù)警概率合成結(jié)果可信度好于其他算法，如圖4所示. 由圖可知，在傳感器數(shù)目較少時(shí)，本文方法的合成結(jié)果優(yōu)勢(shì)不明顯，隨著傳感器數(shù)目的增加，本文紅色預(yù)警等級(jí)概率是最高的，其他預(yù)警狀態(tài)概率是最低的，因此本文方法在傳感器數(shù)目較多的情況下效果更佳，體現(xiàn)出更高的可信度. 本文提出的使用人工蜂群的加權(quán)改進(jìn)方法綜合衡量了各類(lèi)傳感器預(yù)警概率分配的沖突性，依據(jù)概率分配的可信度合理分配了相應(yīng)的權(quán)重，能更好地利用傳感器的全局信息，以更大的把握選出正確的命題，減少了干擾證據(jù)對(duì)融合結(jié)果的影響.

3 總結(jié)

提出了一種改進(jìn)的D-S證據(jù)理論算法，綜合考慮了城市軌道交通設(shè)備多監(jiān)測(cè)指標(biāo)之間的相互作用關(guān)系，并選取城市軌道交通橋梁系統(tǒng)，設(shè)計(jì)了基于改進(jìn)D-S證據(jù)理論的城市軌道交通設(shè)備預(yù)警方法，實(shí)現(xiàn)了對(duì)橋梁運(yùn)行狀態(tài)的準(zhǔn)確預(yù)警. 該方法在采集多個(gè)橋梁傳感器數(shù)據(jù)的基礎(chǔ)上，采用了基于歐式距離的方法對(duì)異常數(shù)據(jù)進(jìn)行修正，進(jìn)而實(shí)現(xiàn)對(duì)同質(zhì)傳感器數(shù)據(jù)融合，接著對(duì)異質(zhì)傳感器設(shè)定預(yù)警等級(jí)，采用改進(jìn)的D-S證據(jù)理論算法進(jìn)行全局融合. 仿真結(jié)果表明，該方法可有效地對(duì)設(shè)備綜合狀態(tài)預(yù)警，提高城市軌道交通設(shè)備運(yùn)營(yíng)維護(hù)工作的效率和質(zhì)量. 通過(guò)構(gòu)建科學(xué)的設(shè)備綜合預(yù)警模型，為城市軌道交通其他設(shè)備預(yù)警以及維護(hù)管理提供決策支撐.