智能信息融合

智能信息融合（精选十篇）

智能信息融合 篇1

施工机群工作在非结构化的工程环境中，各种类型工程机械要对复杂的作业具有感知能力，须对机群内部的各种工况和外部的施工对象进行实时监控。在此基础上，根据某种控制以及规划策略，通过合适的执行装置自动调节，使工程机械有“意识”地适应外部环境的变化，在最优的工作效率及工作组合下完成施工任务。实现这一功能的基础环节便是机群施工过程中的信息检测与处理。能否对智能机群中各种大量信息有效的处理和利用，关系到智能机群能否发挥最大效能。可以说，信息是机群智能化的根本，没有信息感知、传递和处理，机群智能化也就无从谈起。

多传感器信息融合MSIF(multi-sensor information fusion)就是把多个类型或不同类型的传感器所提供的局部观察量加以综合，消除信息之间的冗余和矛盾，利用信息互补形成对环境的相对完整一致的感知描述，从而提高智能系统决策的快速性和准确性以及规划的科学性，它避免了单一传感器的局限性，可以获取更多信息，得出更为准确、可靠的结论[2]。

在机群监控系统中引入多传感器信息融合技术，采用信息融合的有关理论和方法对信息进行综合处理，使机群的多传感器彼此间协调工作。把来自不同传感器的信息融合为统一特征表达方式，得出机群系统外部环境和内部各单机工作特征参数完整的描述，为智能机群的控制、调度及故障的诊断等提供有力的信息支持。

1 智能机群信息融合特点

信息融合技术涉及到数学、计算机科学、自动控制理论、人工智能、通信技术、管理科学等多种学科交叉和具体运用，它充分利用了多元数据的互补性和电子计算机的高速运算性能，有效地提高了信息处理的质量。与单一传感器系统相比，多传感器信息集成与融合系统有许多优点，其突出地表现在信息的冗余性、容错性、互补性、实时性和低成本性。

信息融合技术的最大优势在于提高信息的可信度和可探测性，增加目标特征矢量的维数并提高时空分辨率，从而在多变的环境中形成正确决策能力[3]。基于多传感器信息融合技术的智能机群拥有以下主要特点。

1)提高了智能机群系统对工作环境和施工对象的描述能力可以利用来自不同传感器的信息进行互补，并通过融合过程的处理可以更全面、准确地描述施工环境，扩大系统对信息的时间和空间的覆盖范围，增加机群适应各种工况的能力。

2)增加了智能机群系统对自身系统的状态检测和故障诊断能力多个传感器对机器的某一部件进行监测，监测的信息可以是同一参数多次测量，也可以是不同的参数。对这些同类及不同类信息进行相应信息融合，可以更为确切地诊断出机群系统发生的故障，并可提出适当的解决办法。在每一个传感器进行测量时都会存在着各种噪声，使用多传感器的融合信息可减少由测量不精确所引起的不确定性，明显的提高系统的监测精度。

3)提高了智能机群系统的可靠性和容错能力在系统中有一个甚至几个传感器出现故障时，利用其他传感器仍能获得环境有关信息，保持系统的正常工作，提高系统的可靠性。此外，在多传感器融合中，由于各传感器对环境描述的相关性会出现冗余信息和互补信息，利用这类信息使系统具有很好的容错性能。

4)增加了智能机群系统的调度决策能力多传感器系统经信息融合，可为机群决策系统提供准确、可靠的信息，而且在信息的时空覆盖范围上将更为广阔。决策系统依据这些信息对整个机群的行为进行更为有效、符合实际状况的决策。

2 信息融合在智能机群系统中应用

应用工程机械智能机群进行施工作业，施工效率和质量得到大幅度提高，机群监控系统不仅要对单机状态检测和故障诊断，还要监控整个施工机群的运行状态。因此，整个施工中机群需要融合处理大量的各类信息，有单机自身行为及各部件的相关信息，包括对单机的状态检测与故障诊断。还有施工对象的信息、机群单机之间相互关系产生的信息、外界环境的信息、地理信息和人机接口输入的信息等。

智能机群的信息融合两种主要功能，一种是为机群的优化调度、决策提供信息支持，另一种就是智能机群的状态检测与故障诊断。这两种功能并存于智能机群的信息融合系统中。

2.1 基于信息融合的智能机群

智能化机群协调作业过程是一个复杂的动态过程，所以根据施工环境的特点和机群动态性的特点，将机群系统施工体系分为3功能层，即管理层、功能协调层和施工层[4]，如图1所示。不同的层完成不同的功能，而不同的功能组完成不同的施工任务。这样分工明确，有利于智能机群任务的完成。信息融合要在不同的施工层次上完成，为不同的功能层的控制、决策提供信息。如果牵涉到软硬件的原因，现场单机上无法完成高级融合处理时，可将多传感器检测到的信息在底层经过初步处理后再上传到上层计算机去融合。

机群监控系统在工程施工中每个时刻都离不开信息的传递和处理，智能机群中信息融合系统要能够做到数据采集和远程通讯、数据处理与维护、数据可视化的操作与监视界面、状态检测和故障诊断、建立GPS精确定位、施工质量的在线检测和评价、生产管理协调、调度决策和统计等等。

2.2 智能机群中故障监测诊断的信息融合

结合工程机械机群施工管理和机械设备的操作、维护特点，对智能机群中的各单机状态监测与故障诊断进行信息融合[5]，并构建智能机群分层分布式的智能化监测诊断系统体系结构。从机群管理者、单机操作者的实际需要出发，将机群监测诊断信息融合系统从功能上分成两个层次，即监控中心系统和现场单机系统。监控中心系统满足管理层要求，完成现场单机无法完成的故障诊断任务，并可随时监视各单机的运转状态，分析、诊断、预报各单机故障发生情况，并为现场施工单机的故障提供维修、调整措施的建议。现场单机监测系统满足现场施工层要求，实时监视单机各部件的运转状态，异常情况下通过人机接口向操作人员发出报警指示，并接受操作人员感知到的异常状况，同时接收机群管理层监控中心发出的故障诊断信息或维修建议。上层系统需要强大的分析功能，底层系统需要快速反应功能。状态监测与故障诊断信息融合系统共存于整个机群的信息融合系统中。

3 智能机群信息融合的实现

3.1 智能机群的信息融合结构

智能机群的信息融合采用何种体系结构不但要满足实际工程的需要，还要结合智能机群现场施工的特点，根据机群系统层次控制结构来确定相应的信息融合体系结构，同时还必须考虑机群数据通信、数据管理、人机接口、传感器管理等许多支撑技术。

构建机群的多传感器信息融合监控系统的一般结构是以中央主控台为中心，并根据各单机上传信息逐步加深信息融合层次，经过最终信息融合处理，控制决策中心协调现场施工的由数台类型各异智能单机组成的智能机群功能组。信息的传递可以根据情况采取不同的方式。在单机内部由现场总线实现信息的采集与传递，在单机和中央控制器之间的信息传递由无线通信完成。智能机群中的信息融合从机群施工现场单机开始到主控中心结束，整个系统的信息检测、上传和处理都看作是信息融合中的一部分。机群中信息融合处理的多传感器信息可以在施工机群的管理层、功能协调层和施工层上实现。

根据现场施工智能机群动态分布性特点，在信息的融合整体结构上采用分布分层方式，不同级别施工层上进行不同要求的信息融合，即信息融合目标要和智能机群层次实现的功能保持一致。在信息融合上采取分层分布式的信息融合结构，每个融合层次融合目标不同，前一层的融合结果作为后一层的输入信息，在各个层次上也采取分布式信息融合，这样可以减轻各层信息融合特别是上层信息融合的负担。

3.2 智能机群中信息融合的各融合层功能

根据分层分布式的智能机群特点，底层单机需要的信息和上层调度控制中心需要融合的信息不同，先进行局部数据融合，随着机群控制功能层级别的提高，信息融合的层次也在提升，信息融合由局部单机到机群整体，信息融合的结果也越来越完整，如图2所示。

施工单机上融合的信息主要是动作执行情况、机械各部件状态及故障信息、作业对象的状况以及GPS定位等信息，还包括监测运转部件的状态参数及磨损情况。目的是对施工过程的各种过程、被控对象(如转速、位置、温度、压力等)进行特定的控制和状态的监测，使机械不仅能够完成要求的动作，而且处于正常的工作状态中。

在现场施工单机上以数据处理为主，决策处理为辅，主要为现场操作控制、故障诊断提供可靠信息。信息融合与处理要满足一定的实时性，为适应现场动作控制的快速反应，选择快速算法。对融合后的施工执行状况的信息，如本机的各种工况、任务执行情况，以及施工机械的外部环境信息，还要上传到上一层功能协调层去融合。以便功能协调层对本功能组各单机进行协调控制。

功能协调层信息融合主要是本功能组单机所处的地理位置、行驶速度、单机之间的相互位置以及本功能组施工对象的执行情况。通过信息融合协调施工层的单机施工过程，监控功能组中各单机工作进程，必要时进行干预。目的是协调本功能组的施工机械对施工任务的完成，并优化下层执行层的控制指标和有关参数等。功能协调层还要对各单机上传信息进行决策层的数据融合，经信息融合得到单机整体性能以及单机的工作状况，对本功能组的施工执行状态的相关信息，也要上传到管理层作进一步的信息融合，为管理层的决策服务。

处于管理层上的信息融合系统要对各功能协调层上传的动态信息、地理环境(GIS)信息、人机接口的信息及天气等信息作进一步的融合并做出分析得出智能机群在施工过程中的整体态势。控制中心则根据事态的轻重缓急，进行总体决策，协调各功能组，给出最优的调度指令，使机群各个功能组始终处在最佳的运行状态。管理层信息融合的目标是完成任务规划、决策、生产计划和优化调度;对执行层的工作进行监督、指导与评价;在具体的信息融合方法上，主要采用智能程度高融合方法，对信息主要进行属性层和决策层面上的融合。随着机群施工层次的提高采用的信息融合方法智能程度也愈高。

管理级控制中心也要根据上传的检测数据对单机进行故障诊断。但并不表示控制中心一定需要这些信息，而主要是因为现场信息处理系统无法承担处理这些信息的能力。上层控制中心可以对机群中单机进行复杂的故障诊断并对机械的整体性能做出评估。

4 结束语

智能机群是建立在信息获取、分析处理以及对信息处理后的决策基础上的。信息融合技术在智能机群的状态检测和故障诊断中的应用将会在不同的施工任务层上进行不同级别、类型的信息融合，从而提高智能机群系统决策、规划的科学性和反应的快速性及正确性，降低其决策风险。在未知环境下，特别是非结构环境引入多传感器信息融合，实现施工机群智能化，是机群智能化发展的又一方向。

参考文献

[1]张启君.机群智能化工程机械[J].建筑机械化,2004,(3):46-48.

智能信息融合 篇2

随着传感器技术、信息处理技术、测量技术与计算机技术的发展，智能驾驶系统（辅助驾驶系统一无人驾驶系统）也得了飞速的发展。消费者越来越注重驾驶的安全性与舒适性，这就要求传感器能识别在同一车道上前方行驶的汽车，并能在有障碍时提醒驾驶员或者自动改变汽车状态，以避免事故诉发生。国际上各大汽车公司也都致力于这方面的研究，并开发了一系列安全驾驶系统，如碰撞报警系统（CW）、偏向报警系统（LDW）和智能巡游系统（ICC）等。国内在这些方面也有一定的研究，但与国外相比仍存在较大的差距。本文将主要讨论多传感器信息融合技术在智能驾驶系统（ITS）中的应用。

1 ICC/CW和LDW系统中存在的问题

1.1 ICC/CW系统中的误识别问题

ICC/CW系统中经常使用单一波束传感器。这类传感器利用非常狭窄的.波束宽度测定前方的车辆，对于弯曲道路（见图1（a）），前后车辆很容易驶出传感器的测量范围，这将引起智能巡游系统误加速。如果前方车辆减速或在拐弯处另一辆汽车驶入本车道，碰撞报警系统将不能在安全停车范围内给出响应而容易产生碰撞。类似地，当弯曲度延伸时（见图1(b)），雷达系统易把邻近道路的车辆或路边的防护栏误认为是障碍而给出报警。当道路不平坦时，雷达传感器前方的道路是斜向上，小丘或小堆也可能被误认为是障碍，这些都降低了系统的稳定性。现在有一些滤波算法可以处理这些问题并取得了一定效果，但不能彻底解决。

1.2 LDW系统中存在的场景识别问题

智能　安全　融合　多业务导向 篇3

据杨红飞介绍,BIIP也可认为是B@IIP,它所代表的意思是Business@ Intelligent IP。Business代表业务和商业;Intelligent是嵌入IP基础设施的各种智能组件和设备,用于实现业务的识别、控制和虚拟化;IP是标准融合的IP基础设施。Business是所有IP基础设施建设所服务的终极目标,@IIP是智能IP的基础设施。

BIIP策略是锐捷网络通过整合具有自主知识产权的RGOS操作平台、iSAM解决方案、SMP.edu管理平台、RG-S2600交换机及最新应用级防火墙等产品,为用户提供了一个智能化的应用支撑平台。而基于RG-S2600系列交换机,RG-SAM3.X,RG-ePortal(新品)组建的Web准入身份认证方案则是BIIP策略在教育行业的最新体现。据锐捷网络教育行业部副总经理刘福能介绍,WEB准入身份认证除了保留了802.1X认证的可控性和安全性之外,还结合了WEB认证的易用性和兼容性。

可控性和安全性。Web准入身份认证实现“入网即认证”,确保合法用户才能进入内部网络;实现动态自动的IP+MAC+端口绑定,确保合法的用户发出合法的报文,确保IP地址的真实可行;同时,启用ARP欺骗检测,全面杜绝ARP病毒欺骗问题;接入认证交换机支持防HTTP认证请求报文的DoS攻击,确保接入认证交换机本身的安全;Web Portal服务器和RG-SAM服务器均实现了高性能高可用群集技术,在防攻击的情况下,确保了整个认证计费系统的高可靠性。

高性能和高可用性。Web准入身份认证的认证报文在每个接入层交换机的每个端口处理,实现了最大程度的分布式,确保了高性能和无单点故障;统一的Web Portal服务器采用高性能高可用群集技术,在负载均衡的同时,又实现冗余备份;统一的RG-SAM认证计费管理服务器也采用高性能高可用群集技术,确保认证计费管理服务器的负载均衡、冗余备份、全网漫游、数据容灾。

易用性和兼容性。Web准入身份认证不需要安装客户端程序,使用Web浏览器进行认证,不改变用户上网习惯;兼容20种以上的主流浏览器和十几种操作系统。

智能性和融合性。WEB准入身份认证方案的接入交换机同时支持802.1x认证和Web认证,可以由SAM服务器统一管理用户使用802.1x认证和Web认证的权限;还可实现管理同一账号在不同的区域使用不同的认证方式,或在同一区域不同账号使用不同认证方式;系统提供标准的第三方接口,可以通过对接实现基于数字校园门户的单点登录,效果是一次认证实现了网络层面的认证和数字校园应用系统的同步认证。

根据高校校园网学生用户和老师用户的不同特点以及运营管理的不同要求,锐捷网络推荐在高校宿舍网采用802.1x身份准入认证,推荐在高校办公网采用Web身份准入认证;同时可使用同一套身份认证计费管理系统进行全网的统一管理。

信息技术和智能电网融合应用研究 篇4

智能电网是有别于传统电网,具有标准化电力流信息和业务流信息交互能力,深度融合了信息技术,以最终实现模块化、扁平化、柔性化、智能重组的系统架构的电网系统[1,2]。一个融合了信息技术的智能电网系统将具备信息技术体系特征,并可以建立信息技术体系模型。通过建立分层模型,引入各层次领域相对应的信息技术,可实现智能终端、物联网、云计算等技术在电网系统中的融合应用。随着信息技术和智能电网的不断深入融合应用与研究, 智能电网未来发展将与信息技术同步进入人工智能时代。

本文通过建立信息技术和智能电网融合的技术体系模型,分析了模型中各层次领域所涵盖的信息技术在智能电网中的实际应用效果,验证了模型的正确性,并探讨了信息技术和智能电网融合的未来发展方向。

1信息技术和智能电网融合的技术体系模型

信息技术和智能电网融合,将使智能电网具备信息技术体系特征。结合电网相关技术进行梳理和抽象,可以形成信息技术和智能电网融合的技术体系模型,包括智能电网设备层、网络与通信层、计算与服务层、安全体系和标准体系。信息技术和智能电网融合的技术体系模型如图1所示。

图1信息技术和智能电网融合的技术体系模型Fig.1 The integration system model of IT and smart grid

1)智能电网设备层。智能电网设备层包括负荷控制设备、输/ 变/ 配/ 用电/ 调度设备、计量表计、 保护设备、监测报警设备、分布式能源等具备信息标签、采集和交互能力的电力终端设备。当前,在输电线路在线监测和电力营销电能质量在线监测中应用了智能电网设备,承担了电网生产和营销部门的电能质量数据采集工作,并纳入到运营监控指标。

2)网络与通信层。网络与通信层涵盖了主流的网络通信技术,如光纤、双绞线、微波、卫星等。国家电网公司已经建立了覆盖全国的电力通信网络,形成了以光纤通信为主的一、二、三级骨干网络和卫星通信备用网,覆盖省、市、县三级供电公司。同时以租用的形式建立移动专网,覆盖全部生产经营区域的输电塔、变电站、营业所[2]。

3)计算与服务层。计算与服务层包括以数据中心、服务器、存储设备为基础资源,支撑各类计算资源,为各类业务提供信息处理服务的信息软硬件系统。国家电网公司在北京、上海、西安三地设立了全国性的数据灾备中心,为公司本部及所有网省公司提供一级部署应用系统的支撑服务和数据异地灾备,同时各网省公司设立省级数据中心,支撑二级部署的应用系统。

4)安全体系。智能电网安全体系是建立在信息安全等级保护体系基础上的统一安全技术体系架构。国家电网公司在智能电网设备层面部署了具有加密保护功能的智能终端;在网络通信层面,设置了信息内网、外网、因特网专用域并进行物理或逻辑隔离,同时利用硬件隔离装置、防火墙、IDS、IPS等设施以及准入系统、防病毒软件系统进行内部防护;在计算与服务层面,设立等级保护二级、三级等区域, 辅以审计系统、监测系统[3]。

5)标准体系。智能电网标准体系涵盖了智能电网设备层、网络与通信层、计算与服务层以及安全体系。在智能电网设备层,涉及输配电及信息安全相关标准,包括以ANSI、IEEE、IEC等系列标准;在网络通信层,涵盖了ISO、IEEE等系列网络标准;在计算与服务层面,建立了ISO、IEEE系列硬件与软件服务标准。安全体系标准建立在GB/T 18336系列标准之上,包括《信息技术安全技术信息技术安全性评估准则》等。

2智能电网融合应用的新技术

参照信息技术和智能电网融合技术体系模型, 在智能电网设备层所对应的智能终端的主流技术包括:智能标签、智能采集和控制以及智能终端处理, 网络与通信层应用的联网技术,以及计算与服务层应用的云计算技术。

2.1智能终端技术

智能终端技术按照终端功能定位的复杂度,可由简单到复杂分为智能标签、智能采集和控制、智能终端处理。

1)智能标签。智能标签用于智能化终端的标识和位置、身份识别,是终端智能采集的基础。智能标签从技术发展路径可分为基于图像识别的条形码、 二维码识别和基于射频技术的RFID技术。目前,在电力生产运营中,智能标签技术中的二维码和RFID技术均得到了广泛应用,如在生产工器具中使用二维码技术标识设备,进行全寿命管理,RFID则在门禁、巡更、在线监测中得到广泛应用[3]。

2)智能采集和控制。智能终端采集技术是指应用电子互感器替代传统互感器,实现一次设备的智能化信息采集。使用智能断路器替代传统高压断路器, 可实现一次设备的智能化控制。使用智能电表替代传统电表,可实现用电信息的智能化采集和管理。

3)智能终端处理。智能终端处理一般基于嵌入式的单片机开发技术来实现。当前主流的智能终端是基于ARM的精简指令集单片机技术开发,使得终端具备采集数据处理、逻辑控制等功能。目前,已经实现的智能终端处理应用包括铁塔变形监测、输电线路在线监测、变电站在线监测等。通过智能终端的前端处理,能有效降低网络传输占用带宽,减轻后台服务器计算资源压力,有效提高智能终端的反馈时间。

2.2物联网通信技术

在现有骨干网络基础上,建立基于物联网通信技术的智能终端网络,是实现智能电网的重要条件。 电力物联网通信由于受地理环境、电气条件等客观因素限制,无法使用传统有线光纤或铜缆的方式组网,必须使用无线自组网技术。另外,由于物联网海量终端组网的特点,网络通信协议也不能采用标准局域网或广域网通信协议,必须采用优化的协议栈。

1)无线自组网技术。无线自组网技术是由于电网生产作业环境限制而必须采用的物联网通信技术之一,主要应用于野外、边远地区等,本地无法提供固定的组网设备。同时对于电力移动和救灾等作业环境,能够不依赖固定网络快速自组网,网络节点可以任意加入或离开,单个网络节点故障不影响全网通信。当前无线自组网主流技术是采用基于IEEE802.11协议的Ad Hoc网络。Ad Hoc组网能实现自组织、对等、多跳的连接,在移动通信运营商基站无法覆盖的区域能实现快速、灵活组网。有效发射功率范围之外的节点间通信需通过中间节点接力完成,无需设置路由转发设备[4]。

2)优化协议栈技术。物联网终端自身处理能力有限,自备电源无法支撑高功率网络传输,因此在提升终端性能指标的同时,优化协议栈降低节点通信的网络开销是必然选择。目前主流的做法是将现有网络协议进行优化精简,对协议进行组包精简、路由策略、握手算法优化设计等。同时,为了适应不同网络协议的终端通信,协议栈还应保证一定的兼容性。 目前主流的终端厂家均自行开发了物联网传输协议,能有效适应大规模组网需求。

2.3云计算技术

在智能电网计算与服务层,传统的应用架构是基于C/S和B/S架构的计算服务,数据库采用单机数据库或集群数据库,针对实时性要求较高和业务逻辑较为复杂的应用较为适用。但面对海量智能终端访问和海量数据处理的应用,传统应用架构和数据库技术已经不能满足需求,需要采用基于分布式文件技术的Hadoop分布式文件系统(Hadoop Distributed File System,HDFS)和分布式计算技术Map Reduce[5]。

2.3.1 Hadoop HDFS

Hadoop HDFS[6,7,8]应用于海量数据和超大文件存储,适用于海量智能电网终端采集数据,能高效使用分布式运算技术进行本地数据处理,节约大量网络带宽。HDFS还具备冗余备份和副本存放机制,可通过安全模式、数据校验、空间回收实现数据的本地可靠存储。

Hadoop HDFS在智能电网建设中目前还未进行大规模推广应用,但其特点决定了其应用前景,目前各地均有基于相关技术的应用试验。如应用于智能电网故障监测系统计算和服务中,针对故障监测终端采集信息的区域广、海量等特性,采用HDFS技术进行大数据分布式存储,可实现分布式的本地运算, 实现故障监测的快速响应。

在国家电网公司未来规划中,将建设基于Hadoop HDFS的大数据平台,实现对海量数据的分布式存储和计算,使之成为智能电网基础设施之一[9]。

2.3.2 Map Reduce

Map Reduce[10]是基于分布式文件存储系统的分布式计算模型,通过对大数据文件的等片段分割,可对片段数据进行分布式运算,并能对各数据片段的运算结果进行整合,剔除重复部分,形成最终结果。

在智能电网故障监测系统计算和服务中,用Map() 函数按照故障的类型进行数据分段,使用本地分布式计算资源统计故障事件,待统计完成后使用Reduce() 函数对故障事件统计结果进行排序和融合,得到统计结果,然后对统计结果进行假设检验以验证正确性。

国家电网公司基于Hadoop HDFS的大数据平台将应用Map Reduce技术开发大数据计算公用接口,并提供除统计算法以外的诸如矩阵奇异值分析、 线性判别分析等复杂运算,将有效支撑各类分布式计算需求。

3信息技术和智能电网融合的未来发展方向

随着信息技术和智能电网融合的技术体系模型在应用领域的实现,展示智能电网技术与信息技术同步发展,将迈向人工智能的中长期发展目标。当前已经实际投入生产使用的人工智能技术主要是一些初级应用,如图像识别、声音识别等。其中图像识别应用相对较为成熟,实现了图像比对、人脸识别、 图像索引、图像搜索等。人工智能技术的应用提升了数据处理的效率和准确度,有效释放了人力投入, 其未来的应用前景潜力巨大,其在智能电网建设中的发展方向主要包括机器人技术和基于机器学习的智能决策分析技术[11]。

由于电力行业特性决定,行业存在较大的职业风险,在发电、输电、变电、配电等环节均存在机器人替代人力的需求。当前,在输电线路巡检和除冰等方面,已经有半自动化机器人投入使用。未来随着机器人技术的发展,在提升其自动化水平方面仍存在一定的瓶颈问题,如机器人的运动规划与控制、机器人视觉识别的精度问题。

基于机器学习的智能决策分析技术目前已经在实际生产应用中得到了一定的检验,如在基于铁塔变形监测中的智能分析决策技术,可按照铁塔变形影响因素主要成分分析模型,运用时间序列法数据处理方法建立因素之间的自相关性,建立相应的数学模型来描述客观现象的动态特征,最终辅助人工进行决策。随着机器学习在智能电网建设中的应用,未来将能实现自学习系统,最终建立大规模的智能电网。

当前,我国已经建成了世界上规模最大的电力网络和专用通信网,随着特高压输电网的骨干线路陆续建设,必将形成世界最大规模的智能电网,做好信息技术与智能电网技术的融合,应用前沿信息技术发展成果,将成为智能电网自主创新的重要窗口[12]。

4结语

信息技术和智能电网的融合技术体系模型抽象了智能电网建设与发展现状,主要体现在较低层次的信息技术应用。随着信息技术与智能电网建设的发展,两者应用融合的层次存在较大的提升空间, 将在网络与通信层和计算与服务层实现进一步的发展。新技术的应用也将贯穿模型中的各个层次和部分,以服务于真正的能源互联网。

摘要：文章以当前信息技术和智能电网发展现状为基础,提出了信息技术和智能电网融合的技术体系模型,分析论证了模型各分层所涵盖的技术领域,用以指导未来信息技术和智能电网融合应用与研究的方向。文章研究采用层次结构模型结合实证的定性分析方法,逐层论述了智能终端、物联网、云计算等主流信息技术在智能电网建设中的融合应用成果,验证了模型的正确性。最后,参照信息技术和智能电网融合体系模型,展望了信息技术和智能电网融合应用的未来。

关键词：智能电网,信息技术,融合,模型,物联网,云计算

参考文献

[1]肖世杰.构建中国智能电网技术思考[J].电力系统自动化,2009,33(9):1-4.XIAO Shi-jie.Consideration of technology for constructing Chinese smart grid[J].Automation of Electric Power Systems,2009,33(9):1-4.

[2]马韬韬,李珂,朱少华,等.智能电网信息和通信技术关键问题探讨[J].电力自动化设备,2010,30(5):87-91.

[3]朱洪波,杨龙祥,朱琦.物联网技术进展与应用[J].南京邮电大学学报(自然科学版),2011,31(1):1-9.

[4]蒋诚智,张涛,余勇.基于等级保护的智能电网信息安全防护模型研究[J].计算机与现代化,2012(4):12-16.JIANG Cheng-zhi,ZHANG Tao,YU Yong.Research on information security protection model for smart grid based on classified protection[J].Computer and Modernization,2012(4):12-16.

[5]朱洪波,杨龙祥,朱琦.物联网技术进展与应用[J].南京邮电大学学报:自然科学版,2011,31(1):1-9.ZHU Hong-bo,YANG Long-xiang,ZHU Qi.Survey on the Internet of Things[J].Journal of Nanjing University of Posts and Telecommunications(Natural Science),2011,31(1):1-9.

[6]Hadoop[EB/OL].[2016-02-13].http://hadoop.apache.org/index.hard.

[7]SHVACHKO K,KUANG H,RADIA S,et al.The Hadoop distributed file system[J].Proceedings of the 2010 IEEE 26th Symposium on Mass Storage Systems and Technologies(MSST),2010:1-10.

[8]HDFS architecture guide[EB/OL].[2016-03-20].http://hadoop.apache.org/docs/current/hadoop-project-dist/hadoop-hdfs/HdfsDesign.html.

[9]王德文,宋亚奇,朱永利.基于云计算的智能电网信息平台[J].电力系统自动化,2010,34(22):7-12.WANG De-wen,SONG Ya-qi,ZHU Yong-li.Information platform of smart grid based on cloud computing[J].Automation of Electric Power Systems,2010,34(22):7-12.

[10]DEAN J,GHEMAWAT S.MapReduce:simplified data processing on large clusters[C]//USENIX Association OSDI'04:6th Symposium on Operating Systems Design and Implementation,2004:137-149.

[11]戚晓威,盛成玉,孙振权,等智能电网分代研究[J].物联网技术,2013(1):32-36.

信息融合论文 篇5

信息融合又称数据融合。美国国防部JDL（Joint Directors of Laboratories)从军事应用的角度将信息融合定义为这样一个过程1：把来自许多传感器和信息源的数据和信息加以联合(association)、相关(correlation)和组合(combination)，以获得精确的位置估计(position estimation)和身份估计(identity estimation)，以及对战场情况和威胁及其重要程度进行适当的完整评价。Waits和Linas,对上述定义进行了补充和修改，用状态估计代替了位置估计，并加上了检测(detection)功能，给出了如下定义：信息融合是一种多层次多方面的处理过程，这个过程是对多源数据进行检测、互联、相关、估计和组合以达到精确的状态估计和身份识别，以及完整的态势评估和威胁评估。此定义有三个中心内容：(1)信息融合是多信息源，多层次的处理过程，每个层次代表信息的不同抽象程度；(2)信息融合过程包括检测、关联、相关、估计与合并；(3)信息融合的产物(输出)包括低层次上的状态与身份估计，和高层次上的总战术态势的评估。

随着微电子技术、信号检测与处理技术、计算机技术、网络通信技术以及控制技术的飞速发展，各种面向复杂应用背景的多传感器系统大量涌现。在这些多传感器系统中，信息表现形式的多样性，信息数量的巨大性，信息关系的复杂性，以及要求信息处理的及时性、准确性和可靠性都是前所未有的。这就使得利用计算机技术对获得的多传感器信息在一定准则下加以自动分析、优化综合以完成所需的估计与决策——多传感器信息融合技术得以迅速发展。

根据国内外的研究成果，多传感器信息融合比较准确的定义可概括为：综合利用多传感器，充分利用不同时间与空间的多传感器数据资源，采用计算机技术对按时间序列截获的多传感器观测数据，在一定准则下进行分析、综合、支配和使用，通过它们之间的协调和性能互补的优势，克服单个传感器的不确定性和局限性，获得对被测对象的一致性解释与描述，进而实现相应的决策和估计，使系统获得比它的各组成部分更加充分的信息，提高整个传感器系统的有效性能，全面准确地描述被测对象。所以，多传感器是信息融合的硬件基础，多源信息是信息融合的加工对象，协调优化和综合处理是信息融合的核心。多传感器信息融合的功能与结构模型

信息融合模型可以从功能、结构和数学模型等几方面来研究和表示。功能模型从融合过程出发，描述信息融合包含哪些主要功能、数据库、以及进行信息融合时系统各组成部分之间相互作用的过程；结构模型从信息融合的组成出发，说明信息融合系统的软硬件组成，相关数据流、系统与外部环境的人机界面；数学模型则是信息融合的算法与综合逻辑。为了更有针对性地研究信息融合算法，本节主要讨论信息融合系统的功能和结构模型。2.1 信息融合系统的功能模型

文献根据信息融合的功能层次，把信息融合分为五个层次：第一个层次是检测／判决融合：第二个层次是位置融合；第三个层次为目标识别(属性)融合；第四个层次为态势评估；第五个层次为威胁估计。在这种五级功能模型描述中，前三个层次的信息融合适合于任意的多传感器信息融合系统，而后两个层次主要适用于军事应用系统中的信息融合。这是一种广义的信息融合功能分级法，这种从信息融合功能的角度出发把它分为五个层次，更有利于信息融合技术的研究。

融合功能主要包括第一级处理，预滤波，采集管理，第二级处理；第三级处理，第四级处理，第五级处理，数据库管理，支持数据库，人机接口和性能评估。

第一级处理是信号处理级的信息融合，也是一个分布检测问题，它通常是根据所选择的检测准则形成最优门限，以产生最终的检测输出。近几年的研究方向是，传感器向融合中心传送经过某种处理的检测和背景杂波统计量，然后在融合中心直接进行分布式恒定虚警(CFAR)检测。

预滤波根据观测时间，报告位置，传感器类型、信息属性和特征来分选和归并数据，这样可控制进入第二级处理的信息量，以避免融合系统过载。

数据采集管理用于控制融合的数据收集，包含传感器的选择、分配及传感器工作状态的优选和监视等。传感器的任务分配要求预测动态目标的未来位置，计算传感器的指向角，规划观测和最佳资源利用。

第二级处理是为了获得目标的位置和速度，它通过综合来自多传感器的位置信息建立目标的航迹和数据库，主要包括数据校准、互联、跟踪、滤波、预测、航迹关联及航迹融合。第三级处理是属性信息融合，它是指对来自多个传感器的目标识别(属性)数据进行组合，以得到对目标身份的联合估计，用于目标识别(属性)融合的数据包括雷达横截面积(RCS)、脉冲宽度、重复频率、红外谱或光谱等。

第四级处理包括态势的提取与评估。前者是指由不完整的数据集合建立一般化的态势表示，从而对前几级处理产生的兵力分布情况有一个合理的解释；后者是通过对复杂战场环境的正确分析和表达，导出敌我双方兵力的分布推断，绘出意图、告警、行动计划与结果。

第五级是威胁程度的处理。即从我军有效打击敌人的能力出发，估价敌人的杀伤力和危险性，同时还估计我方的薄弱环节，并对敌方的意图给出提示和告警。

辅助功能包括数据库管理、人机接口与评估计算，它们也是信息融合的重要组成部分。

从处理对象的层次上看，第一级属于低级融合，它是经典信号检测理论的直接发展，是近几十年才开始研究的领域，目前决大多数多传感器信息融合系统还不存在这一级，仍然保持集中式检测，而不是分布式检测，但是分布式检测是未来发展方向。第二和第三级属于中间层次，是最重要的两级。它们是进行态势评估与威胁估计的前提和基础。实际上，融合本身主要发生在前三个级别上，而态势评估与威胁估计只是在某种意义上与信息融合具有相似的含义。第四和第五级是决策级融合，即高级融合，它们包括对全局态势发展和某些局部形势的估计，是C3I系统指挥和帮助决策过程中的核心内容。2.2 信息融合系统的结构模型

按照信息抽象的五个层次，融合可分为五级，即检测级融合、位置级融合、属性(目标识别)级融合、态势评估与威胁估计。2.2.1 检测级融合

检测级融合是直接在多传感器分布检测系统中检测判决或信号层上进行的融合。

在经典的多传感器检测中，所有的局部传感器将检测到的原始观测信号全部直接送到中心处理器，然后利用由经典的统计推断理论设计的算法完成最优目标检测任务。在多传感器分布检测系统中，每个传感器对所获得的观测先进行一定的预处理，然后将压缩的信息传送给其他传感器，最后在某一中心汇总和融合这些信息产生全局检测判决。在分布检测系统中，对信息的压缩性预处理降低了对通信带宽的要求。分布式多传感器结构可以降低对单个传感器的性能要求，降低造价。分散的信号处理方式可以增加计算容量，在利用高速通信网的条件下可以完成非常复杂的算法。2.2.2 位置级融合结构

位置级融合是直接在传感器的观测报告或测量点迹和传感器的状态估计上进行的融合，包括时间和空间上的融合，是跟踪级的融合，属于中间层次，也是最重要的融合。

从多传感器系统的信息流通形式和综合处理层次上看，在位置级的融合，其系统结构模型主要有四种：集中式、分布式、混合式。

图2.1 集中式融合

图2.2 分布式融合

图2.3 混合式融合 2.2.3 目标识别级融合

目标识别亦称属性分类或身份估计。在军事上，信息融合的目的是对观测实体进行定位、表征和识别。作战飞机上装载威胁告警传感器，以便确定武器制导装置何时照射到该飞机；使用雷达截面积(RCS)数据来确定一个实体是不是一个火箭体、碎片或再入大气层的飞机；敌——我——中识别(IFFN)设备使用特征波形和有关数据来识别敌我飞机，有时需要进行更详细和耗时的分析以辨别或识别发射机或武器平台。身份估计的非军事运用包括复杂系统设备故障识别与隔离，使用传感器数据监视生产过程及借助医学监视器对人的健康状况进行半自动监视等。用于目标识别的技术主要有模板法、聚类分析、自适应神经网络，或识别实体身份的基于知识的技术。

目标识别层的信息融合包括决策级融合、特征级融合和数据级融合。

图2.4 决策层属性融合

图2.5 特征层属性融合

图2.6 数据层属性融合

图2.4给出了决策层属性融合结构。在这种方法中，每个传感器为了获得一个独立的属性判决要完成一个变换，然后顺序融合来自每个传感器的属性判决；也就是每个传感器都要完成变换以便获得独立的身份估计，然后再对来自每个传感器的属性分类进行融合。用于融合身份估计的技术包括表决法、Bayes推理、Dempster-Shafer方法、推广的证据处理理论、模糊集法以及其他各种特定方法。

图2.5表示了特征层属性融合的结构。在这种方法中，每个传感器观测一个目标，并且为了产生来自每个传感器的特征向量要完成特征提取，然后融合这些特征向量，并基于联合特征向量做出属性判决。在这种方法中，必须使用关联处理把特征向量分成有意义的群组。由于特征向量很可能是具有巨大差别的量，因而位置级的融合信息在这一关联过程中通常是有用的。

图2.6给出了属性融合的最后一种结构。在这种数据层融合方法中，直接融合来自同类传感器的数据，然后是特征提取和来自数据融合的属性判决。为了完成这种数据层融合，传感器必须是相同的或者是同类的。为了保证被融合的数据对应于相同的目标或客体，关联要基于原始数据完成。与位置融合结构类似，通过融合靠近信源的信息可获得较高的精度，即数据层融合可能比特征层融合精度高，而决策层融合可能最差。但数据层融合仅对产生同类观测的传感器是适用的。

2.2.4 态势评估

态势估计(Situation Assessment简称SA)是对战场上战斗力量的分配情况的评价过程。它通过综合敌我双方及地理、气象环境等因素，将所观测到的战斗力量分布与活动和战场周围环境、敌我作战意图及敌机动性能有机地联系起来，分析并确定事件发生的深层原因，得到关于敌方兵力结构、使用特点的估计，最终形成战场综合态势图。在综合电子战系统中，态势评估的功能是对战场监视区域内所有目标的状态与其先验的可能情况加以比较，以便获得战场兵力、电子战武器部署情况、军事活动企图及敌我双方平台的分布、航向、航速 等变化趋势的综合文件。结构框图如图2.7所示。

态势估计首先要确定态势要素，态势要素的估计结果实际上是提供给指挥员的战场态势综合视图，它包括红色视图——我方态势，蓝色视图——敌方态势，白色视图——天气、地理等战场态势，它们合成一幅战场综合态势图，并为威胁估计提供依据。在态势评估要素的确定过程中还必须进行某些对抗要素的估计，然后确定上下关系环境、社会政治背景及双方的兵力布局／使用，定位。

图2.7 态势评估图

图2.8 威胁估计

2.2.5 威胁估计

威胁估计是通过对敌方的威胁能力，以及敌人的企图进行量化来实现的。可见态势评估建立了关于作战活动、事件、机动和位置以及兵力要素组织形式的视图，并由此估计出发生的和正在发生的事情，如图2.8。威胁估计的任务是在此基础上，综合敌方破坏能力、机动能力、运动模式及行为企图的先验知识，得到敌方兵力的战术含义，估计出作战事件出现的程度或严重性，并对作战意图做出指示与告警。其重点是定量表示敌方作战能力，并估计敌方企图。

威胁估计也是一个多视图的处理过程，该处理用我方兵力有效对抗敌方的能力来说明致命性与风险估计。威胁估计也包括对我方薄弱环节的估计，以及通过对技术、军事条令数据库的搜索确定敌方意图。多传感器信息融合的应用和特点

军事领域和非军事领域都很注重数据融合的专门应用。军事领域注重的问题涉及到位置、特征以及对发射器，平台，武器和军事单位等动态实体的识别。这些动态数据通常叫做战斗序列(Order of Battle)或战斗显示序列(若是叠加在地图上显示)。除了得到战斗序列数据库，军事应用还寻求更高层次的敌军态势(即实体之间的关系，他们与环境的关系，更高级的敌军实体组织等)推理。数据融合系统首先是从军事领域发展起来的。到目前为止，它已经应用到海上监视、空——空防御和地——空防御、战场侦察、监视和目标捕获、战略防御与告警等领域，见表3.1。

表3.1 军事应用概述

海洋监视系统用于探测、跟踪和识别海洋上的目标与事件。传感器组可能包括雷达、声呐、电子情报(ELINT)、通信量(COMINT)观察、红外以及合成孔径雷达(SAR)观察。海洋监视区域可以包括数百平方海里，重点在空中、水面和水下目标。多监视平台还会涉及到大量被跟踪的目标。对海洋监视提出的问题有：大的监视量、目标与传感器的组合，以及复杂的信号传播环境——尤其是水下声呐传感。

军方开发出的空对空和地对空防御系统来探测、跟踪、识别飞机以及防空武器和传感器。这些防御系统采用的传感器有雷达、被动电子支援措施(ESM)、红外、敌我识别传感器、光电图像传感器以及(人类)视觉观测。这些系统支持防空、战斗序列集结、分配飞机突袭、目标优先级化、路线计划以及其它活动。对这些数据融合系统提出的挑战包括敌军的对抗措施、做出快速决策的必要性以及潜在的大量的目标——传感器配对组合。另一种应用是战场情报、监视和目标捕获系统，它试图探测识别潜在的地面目标。实例包括地雷定位和高价值目标的自动目标识别。传感器包括使用动目标显示(MTI)雷达的机载监视、合成孔径雷达、被动电子支援措施、照相侦察、陆基音响传感器、遥控飞行器、光电传感器和红外传感器。要寻找的主要推理是支持战场态势评估和威胁评估以及行动方案估计的信息。

实际上，数据融合技术除了在军事领域的应用之外，在许多非军事领域也有着非常广泛的应用，如机器人、医学、遥感、工业控制、空中交通管制、海洋监视，禁止毒品和管理领域等，见表3.2。

表3.2 非军事应用概述

跨越军方和非军方用户的一种应用领域是对复杂机械设备如涡轮机，直升机起落架或工业制造设备的监测。例如，对于传动齿轮系统，能够得到的传感器数据包括过载传感器、温度表、石油残渣监视器、音响传感器，甚至红外测量。一种联机的条件监视系统将尽量把这些观察组合起来去识别故障先兆，如齿轮的异常磨损，轴承轴线不重合或轴承故障。据预测，使用这种基于条件和监测将减少维护成本，提高安全性和可靠性。现在正在开发这样的系统用于直升机和其它高成本系统。数据融合的特殊困难还包括不匹配的传感器以及复杂的信号传播和噪声环境。

数据融合系统非军事应用的另一个例子是医疗诊断领域。当前，用于医疗的越来越复杂的传感器正在开发中。诸如核磁共振设备、声音显像设备和医疗测试等传感器都分别改进了医疗诊断能力。将这些数据融合在一起的能力必定会提高诊断效能，并减少错误的诊断。在这里面I临的显见挑战足信号传播环境，难以获得用于像神经网络这样的自适应技术的训练数据。

多传感器信息融合之所以有如此广泛的应用，这和多传感器融合系统所具有的特点是分不开的。经过集成与融合的多传感器信息往往会具有以下的特点：信息的冗余性、信息的互补性、信息的实时性和信息的低成本性。所谓冗余性是指由多个传感器共同提供关于外界环境某个特征的不同程度的感知。互补性指多个传感器分别提供关于外界多个不同特征的感知。信息的实时性是指多传感器可以提供比单传感器更及时的信息，这主要归功于多传感器的结构分布和信息采集过程在本质上是并行的。信息的低成本性是指与单传感器相比，多传感器集成系统能用更少的代价获得相同的信息。基于上面的四个特点，多传感器集成与信息融合系统的优点可以总结如下： l、较高的可靠性和容错性。由于各个传感器通常是独立工作的，当某一个发生问题时，并不会影响其它传感器，从而保证系统能继续正常工作。

2、较高的空间分辨率。由于多个传感器冗余信息的综合使用，降低了系统在认识上的未知程度，提高了系统定位、导航、跟踪的精度。

3、较广的空间覆盖范围。这主要得益于互补信息的使用，一方面一个传感器可以检测到其它传感器所不能观察到的区域，另一方面一个传感器经常能检测和测量其它传感器所不能顾及的事件，这样就增加了测量空间的维数，减少了观测盲点。

4、较好的时间性能。由于在多传感器集成系统中，往往采用平行的信息采集和处理结构，因而具有较快的运行速度，系统的响应时间较短。

多传感器系统在取得上述优点的同时也付出了一定的代价，如系统的复杂度增加，设计和开发难度加大等等，因此在具体的应用中，应将可能获得的裨益与带来的不利因素进行衡量，以做出正确合理的决策。4 未来发展方向

从整体上分析，近年来，随着人工智能技术的发展，多传感器信息融合技术有朝着智能化、集成化的趋势发展。最新的研究动向包括：（1）研究并完善实用的算法分类和层次划分方法；（2）研究并发展实用的融合系统测试和评估方法；（3）建立系统设计和算法选择的工程指导方针；（4）编撰信息融合辞典，规范领域术语和定义；

（5）发展并完善JDL模型，以解决现有JDL所不能处理的多图像融合以及合成传感器（complex meta sensors）等问题。5 总结

跨界融合谋发展 智能纺织启引擎 篇6

中国纺织工业联合会会长王天凯、副会长孙瑞哲，中国科协书记处书记沈爱民，中国工程院院士郁铭芳、周翔、蒋士成、姚穆、俞建勇等领导以及行业专家出席了此次年会，并通过专题报告，讨论交流等方式，参与到年会的学术活动中。

王天凯对学术年会的组织工作给予了充分肯定：“中国纺织学术年会为全国的纺织科技工作者搭建了一个高端学术交流、高层次创新人才表彰优秀科技成果发布的重要平台。”面对产业发展形势，他鼓励学术年会主办者中国纺织工程学会，要充分发挥学会在行业先进技术人才、先进技术成果等方面的资源优势，搭建好平台，通过广泛交流与合作，全力推进建立开放式的、产学研协作机制。继续开阔思路，加快科技人才的培养与成长，促进科技成果转化。

本届年会，是中国纺织工程学会自2011年首次举办以来的第四届，一直以来都得到了学术界、企业界乃至政府相关部门的关注。本次年会，吸引了来自行业高校、科研机构、生产企业的代表600余人参加。

作为学术年会的重要议程，会上还颁发了2014中国纺织学术大奖及学术带头人、技术带头人奖，以及第15届陈维稷优秀论文奖。陈国强、陈莉、程隆棣、郝新敏、毛志平获学术带头人表彰；曹秀明、刘子斌、马廷方、王占洪获技术带头人表彰；本年度“学术大奖”则由天津工业大学博士生导师肖长发获得。（袁春妹 文/摄）

浙江选拔出省级印花打样和染化料配制能手

日前，由中国印染行业协会、浙江省纺织工程学会、浙江省印染行业协会和浙江理工大学生态染整技术教育部工程研究中心共同主办的2014年“传化杯”浙江省纺织染整行业印花打样竞赛暨全国纺织行业“西樵杯”染化料配制工职业技能竞赛—浙江选拔赛在浙江理工大学举行。来自浙江省内11家印染企业的印花打样技术人员和5所纺织院校的轻化工程（染整）专业学生共50多位选手参加了本次竞赛。

中国印染行业协会副会长李瑞萍代表竞赛组委会对参赛的领导、裁判和选手表示了热烈欢迎，对支持本次竞赛的各个单位表示衷心感谢。浙江省纺织工程学会理事长、浙江理工大学副校长陈建勇希望通过本次竞赛，进一步促进理工与各高校、各企业的交流与联系。浙江传化股份有限公司副总经理、技术中心主任王胜鹏希望通过本次竞赛活动提升企业印花打样技术人员的技能和素质，提高院校“卓越工程师”培养的质量，为染整行业培养更多高素质专业人才。

本次大赛竞赛分三部分：理论考试、织物和助剂识别、印花打样操作比赛。本次竞赛评选出一等奖4名，企业选手和学生选手各2名；二等奖12名，企业选手和学生选手各6名；三等奖22名，其中企业选手10名，学生选手12名；优秀奖13名，其中企业选手4名，学生选手9名；团队组织奖2个，团队优胜奖2个。另外，本次大赛所使用的染料由泰兴市锦鸡染料有限公司提供，分散染料由江苏亚邦染料股份有限公司提供。

据悉，本次竞赛后将从企业获奖选手中选派代表参加全国纺织行业染化料配制工职业技能竞赛总决赛。在全国比赛中的优胜选手将被推荐申报授予“全国五一劳动奖章”、“全国技术能手”、“全国纺织工业劳动模范”等荣誉称号。（贾斌）

PROSPECTIVE I 前瞻

全国印染行业管理创新年会12月举行

中国印染行业协会将于11月30日12月2日在广东省佛山市召开中国印染行业协会五届二次理事扩大会议暨“开源”第三届全国印染行业管理创新年会。

据了解，本次会议将结合行业现状，顺应行业发展需求，邀请国家有关领导、行业及相关领域的资深专家、学者及企业代表做相关主题报告，重点围绕行业宏观经济形势，企业转型升级的创新视野、管理理念、成功案例、转型方法等展开研讨，汇聚全共同促进行业的健康可持续发展。

理事会期间，还将总结一年来的协会工作，并进行协会分支机构环境保护技术专业委员会换届工作。（欧阳潇）

2014坯布高峰论坛暨创新洽谈会即将召开

坯布面料是纺织产业链中的中游产品，上有棉花纱线的价格牵绊，下有家纺服装的需求支撑，但近年来在国内高压调控政策锁定下，其价格严重失真，中国纺纱织布企业国际竞争力加速弱化，优势进口纱布入侵国门，而下游服装企业消化不良，去库存化缓慢，致使中游市场陷入“两头受堵”的窘境。

智能信息融合 篇7

随着信息技术的发展及战争形态的变化, 雷达设备日趋复杂化、自动化和智能化, 一体化程度越来越高, 且经常工作在恶劣的工况下, 对雷达设备的技术保障提出了越来越高的要求。如何最大限度地利用相关技术, 准确预测所面临的目标威胁, 最大限度地降低雷达设备故障率, 提升雷达设备应急故障诊断[1,2]、维修能力, 是当前迫切需要解决的问题。

解决雷达设备的实时状态监测、快速智能故障诊断、原位应急维修等技术难题, 是提高雷达设备的抗毁性, 发掘战略对抗潜力, 提高生存能力的重要手段。自上世纪60年代始, 美国、德国、日本等发达国家十分重视故障诊断技术的研究, 纷纷投入大量人力、物力开发故障智能诊断系统[3,4]。经过五十多年的发展, 目前, 已形成多种先进的故障诊断技术: (1) 基于知识的故障诊断技术; (2) 基于案例的推理诊断技术; (3) 基于模型的故障诊断技术; (4) 基于模糊数学的故障诊断技术; (5) 基于数学模型的动态系统故障诊断技术; (6) 基于模式识别的故障诊断技术; (7) 基于小波分析的故障技术; (8) 基于神经网络的故障诊断技术; (9) 基于模糊神经网络的故障诊断技术。部分诊断技术已成功应用于装备故障诊断。我军在装备故障诊断智能化这一领域的研究起步较晚, 与发达国家存在一定的差距, 在维修保障体系变革和维修保障技术实施方面存在不足, 在这方面的系统性应用研究尚属起步阶段, 因此, 开展雷达设备的状态监测和故障诊断技术研究具有十分重要的意义, 一旦关键技术得到解决并装备部队, 可以大大提高雷达设备的战备完好性和战时可用性, 将极大提高舰艇的顽存能力。

本文采用嵌入式多状态监测、多信息融合的故障诊断、动态故障数据库等技术途径, 研究雷达设备的快速智能故障诊断技术。

2、多信息融合的雷达设备快速智能故障诊断

本文结合雷达设备开展研究, 研究成果注重规范性和开放性, 可以扩展到其它装备中, 采取的主要技术途径包括:

2.1 嵌入式多状态监测

嵌入式多状态监测将多通道状态监测模块嵌入装备中, 获取重要接口的状态数据, 结合设备“健康”状态信息, 独立作出设备的状态判决, 同时将重要监测数据输出。

主要功能包括:实时在线监测重要部件的运行状态, 记录装备重要的运行状态参数, 一旦部件状态异常, 能够以声、光和显示屏等多种形式进行报警, 并通过数据接口输出监测数据至机外故障诊断仪器。

嵌入式多状态监测包含多通道数据采集、状态判决两个模块。

数据采集将电压、电流等物理量转换成数字信号, 为了保护设备实际运行不受侵扰, 数据采集设备同时应当具备隔离、放大、滤波等预处理功能。从故障诊断角度考虑, 为了精确地获取故障信息并诊断故障, 需要采用多通道数据采集对雷达装备进行多状态监测, 否则如果信息源不含所需的最低限度的故障信息, 将很难得到好的故障诊断结果。

状态判决将多通道数据采集模块的输出与各节点“健康”状态数据比较, 如果超出允许的范围, 则设备发生故障。

2.2 多信息融合的雷达设备快速智能故障诊断

目前, 故障诊断技术已经取得了很大的发展, 进入了智能故障诊断阶段, 把智能故障诊断应用到雷达设备中, 无论是平时还是战时雷达装备出现故障, 都可以采用基于专家系统的故障自动诊断与维修技术, 在短时间内提出修复方案, 以提高系统的生存性, 提升雷达装备的效能。

雷达设备及其运行环境的复杂性决定了其故障诊断也非常复杂, 故障的复杂性、多样性及不确定性决定了故障诊断实质是一个多信息融合的过程, 只有提取多种故障特征信息并加以融合分析, 才能提高诊断的精度和可靠性。多信息融合是指对来自多个信息源的信息进行多层次、多方面的处理, 包括信息检测、联合、相关估计、组合等, 以达到精确、完整、及时的状态评估, 信息融合能够充分利用获得的信息资源, 增加置信度, 改善诊断系统的性能。西方发达国家相当重视信息融合技术, 信息融合技术研究与应用发展十分迅速, 一些采用信息融合技术的军事诊断预测系统相继研制成功。

雷达设备智能故障诊断是针对具体装备判断有无故障, 或出现故障后诊断是何部位、何零件以及何原因引起的故障, 其实质是一种多因素、多目标的匹配问题, 可以由多信息融合的智能专家系统来实现。基于信息融合的雷达装备智能故障诊断系统结构如图1所示。

特征融合模块对多通道观测信息进行分析处理, 提取征兆信息参数, 在故障推理机作用下, 根据领域知识和专家经验形成的规则将征兆与诊断知识库中的知识进行模式匹配, 并用基于规则推理的方法作出故障诊断决策。自学习模块将故障决策反馈给诊断知识库, 不断扩充知识库, 实现雷达装备智能故障诊断系统的自学习功能。

特征融合是对传感器的原始信息进行预处理, 并提取特征信息后, 再进行综合分析处理。

知识库:知识库是雷达装备智能故障诊断系统中故障诊断分析的核心, 知识库的好坏影响系统诊断水平。

推理机:推理机是指基于知识的推理的计算机实现, 包括推理与控制两方面, 在推理过程中解释和执行用某种语言表示的一系列推理规则。

将已有的理论研究成果转化到工程实际中, 提高在实际应用中的学习性、有效性、灵活性、智能性是基于多信息融合的雷达设备智能故障诊断技术研究的重点。多信息融合的智能故障诊断注重技术的开放性, 信息融合技术与模糊数学、神经网络、遗传算法等相结合, 产生具有人工智能的信息融合算法, 例如:基于模糊数学的故障诊断技术, 基于神经网络的故障诊断技术, 基于遗传算法的故障诊断技术等。同时, 由于实际系统的复杂性, 如何将故障树等技术同多信息融合智能故障诊断有效结合起来, 发挥各自的优势, 提高诊断系统的综合性能是研究的重点内容之一。

2.3 建设雷达设备的技术资料库和常见故障数据库

随着数字技术和大规模集成电路的广泛应用, 雷达设备的性能日趋优良、结构日趋复杂, 再加上雷达设备型号众多, 设备云集, 技术资料的数量急剧增加, 装备的技术资料是实施装备保障活动的重要依据, 能否及时获得相关的技术资料, 直接影响到装备保障活动的质量和进度。技术资料电子化用光盘等电子载体代替纸张, 携带方便, 节省空间, 便于技术资料的修改更新, 且将技术手册的内容以数字化的格式储存, 并以交互方式进行查阅, 通过计算机控制的电子显示系统, 将维修人员或系统操作人员所需的特定信息 (如文字、图片、影像等) , 精确地展现在使用者面前, 以加速装备使用和保障活动的实施。美军、韩国、北约国家的装备保障人员在装备故障诊断和维修活动中大量使用电子技术手册。

建立雷达设备常见故障数据库的目的是:当雷达设备发生故障时, 配合多信息融合的雷达装备智能故障诊断系统, 利用简单有效的查询快速查找装备的故障原因、部位并迅速对其进行故障分析、测试、定位和维修;设计简洁、友好的人机界面, 便于紧急状态下的常见装备故障诊断, 提高雷达装备故障诊断的实效性, 保障装备效能的发挥, 延长装备使用寿命和降低装备维护费用。

此外, 随着高新技术的迅速发展, 雷达设备也在不断升级、更新换代, 再考虑到复杂电磁环境下, 新情况、新故障的出现, 雷达设备故障诊断过程是一个动态的过程, 所以在开发雷达装备故障诊断系统的时候, 需要深入研究动态数据库的建造。

3、结语

基于多信息融合的雷达设备快速智能故障诊断将强化通指装备故障的早期预防, 降低故障发生率, 提高故障诊断概率, 缩短维修周期, 提高装备运行的战时可靠性和可用率。给出的系统模型可以应用于潜艇、水面舰只的雷达装备状态监测及故障诊断, 其技术体制和关键技术也可应用其它军用、民用雷达装备中。

参考文献

[1]马世宁, 刘谦, 孙晓峰.装备应急维修技术研究[J].中国表面工程, 2003年第3期:7-12.

[2]王子玲, 许爱强, 杨智勇.装备故障诊断和预测技术综述[J].火力与指挥控制, 第33卷增刊, 2008年6月:8-10.

[3]杨云, 朱家元, 张恒喜.基于新型机器学习的电子装备系统智能故障诊断研究[J].计算机工程与应用, 2003年第22期:210-211.

智能信息融合 篇8

智能电网是一个典型的信息物理融合系统 (Cyber Physical System, CPS) , 其一大特征是电力能量流与信息流的相互耦合作用[1,2,3]。能量流与信息流的耦合越紧密、电网规模越大, 电力系统面临的运行和控制的风险越大, 简单割裂其相互影响的后果必然会降低电力系统的运行效率和可靠性。因此建立信息流的数学描述方程, 与能量流数学描述方程“联立求解”, 进而形成定量分析方法体系即是智能电网的“数学形态”[4,5,6]。

CPS架构下, 信息流成为电力系统能量流闭环链中必不可少的链接, 能量流与信息流将深度融合并相互影响, 共同决定电力系统的功能和行为特征。而且, 随着间歇式电源、柔性交流输电技术和与实时电价相关的柔性负荷 (如电动汽车、储能装置等) 大规模接入电网, 电力系统动态过程被大大加快, 极度依赖于信息反馈和信息决策[7,8]。再者, 随着一二次设备的网络化智能化, 物理能量系统与信息系统的耦合程度越加紧密, 信息网络故障可能引发相继或连锁故障在信息网和物理网之间交替传播, 导致整个耦合系统的崩溃, 严重威胁电力系统安全运行。

能量流的分析已形成了一套完整的建模与定量分析方法 (潮流、短路、稳定、无功优化等) , 其一大特征是可以不依赖于“实测”而能够有效指导实际电网运行, 具有良好的精度, 成为电网规划、运行、设计、设备制造的依据。显然, 信息流具有与能量流相似的分析评价需求, 例如:信息网络的“运行方式”分析[9,10];设备选型、新技术/管理模式评价等;目前分析手段局限于实际系统的运行“实测”, 难以用数学的手段定量分析、比较、重现, 难以找到关键影响因素、边界约束条件等。因此, 建立智能电网的信息物理融合系统模型、定量分析能量流和信息流的耦合机理、相互作用十分重要。

1 智能电网能量流和信息流的耦合

随着智能电网的推进, 可利用的信息资源和通信条件发生了根本性的变化, 系统结构的复杂性和信息的网络化传输也给电网故障辨识、配置的合理性和完备性、对故障类型和运行方式的适应性和实时性带来挑战。在智能电网的背景下, 能量流和信息流的耦合呈现出以下特点。

(1) 能量流与信息流耦合更加紧密, 关联度加大。智能电网的一次设备智能化、信息化, 使得电压、电流等电气量和开关状态等非电气量的获取更为便利, 电力系统逐步从实体化向虚拟化发展, 实体装置与逻辑功能的划分边界变得模糊, 逻辑功能的实现不再局限于某个特定的装置, 而是分布在不同的实体装置内实现。智能电网在规划、设计、运行等不同阶段中更多以虚拟化、逻辑化的姿态出现, 能量流的交换和传递表征为行为形态各异的信息流, 信息流的交换和传递通过反馈作用于能量流。另外, 信息网络的引入使得专业壁垒、地域壁垒模糊化, 全网信息共享、能量互通, 智能电网成为真正意义上的一张网, 点点相关, 环环相扣, 能流量和信息流紧密耦合, 成为不可分割的整体。

(2) 电力系统动态过程加快, 动态特性更加复杂, 实时控制要求大幅提升。间歇性电源如风电、太阳能等具有显著的随机性和间歇性特点, 一方面作为绿色清洁能源, 其接入电网的比例大幅上升将是大势所趋, 另一方面间歇性电源大规模接入电网, 对电网的安全稳定运行造成极大的冲击, 对电网的控制调节能力提出更高的要求。电动汽车、储能装置、光伏电站等柔性负荷不仅作为电网的被服务者, 同时主动参与电网运行控制, 实现与电网的双向互动, 这就要求电网具备与之相适应的控制方法和手段。非常规互感器等先进传感设备能够通过较好的频率响应特性, 真实反映高频信号, 为暂态量保护提供可靠依据, 与此同时, 通信技术的高速发展, 为电气量采样值的可靠传输创造有利的条件。

(3) 信息流的快速性、全局性为能量流控制提供新思路。远端线路发生短路故障, 从检测到故障电流到继电保护动作、断路器跳开等一系列过程需要一定的时间消耗, 而信息流的传播速度远快于机电暂态动作过程, 电网内其他区域比能量流传播更早获知此信息, 这就为广域保护等新型控制方法提供了可能。电网规模越来越大, 结构越来越复杂, 运行方式灵活多变, 常规继电保护依靠整定值大小和时间长短配合的方式不能有效跟踪系统运行方式的变化, 可能出现保护失配或者灵敏度不足的情况。智能电网信息互联、互通, 全网信息共享, 如何有效利用区域乃至全局信息设计智能电网的保护控制系统将是一个全新的课题。

传统的只是在电力系统分析模型中简单考虑保护控制的时序动作逻辑或通信传输的时滞特性, 已经不能够解决智能电网电力系统能量流和信息流的交互机理。而且, 随着智能电网建设的不断推进, 以信息流为载体的电力系统信息物理融合系统的有效性和布局形态问题也不能再回避, 有必要重新思考和解决信息物理融合系统的实时性、可靠性和安全性问题。

2 智能电网信息物理融合系统的建模分析

(1) 信息物理系统的建模需求及现状

电网一次系统能量流分析方法构成了电力系统分析的基本框架:1) 潮流计算。潮流计算不仅可以检验电力系统规划方案对各种运行方式的适应性, 还可以分析负荷和网络结构的变化对系统的影响, 判断母线过电压、线路等元件过负荷, 以及制定相关的预防控制策略等。2) 稳定计算。通过对功角稳定性、频率稳定性、电压稳定性进行分析, 解决功角抖动造成的大面积停电、频率下降造成的系统崩溃、电压下降造成的地区停电等问题, 为电力系统安全和稳定运行提供保障。3) 短路计算。短路计算的目的是为了正确选择和校验电气设备, 准确地制定供配电系统的保护装置, 避免在短路电流作用下损坏电气设备, 保证供配电系统中出现短路时, 保护装置能可靠动作。

与能量流对于一次系统的作用相似, 信息流对于二次系统同样重要:1) 稳态分析, 通过信息流的稳态分析, 研究信息流的流量分布, 让网络方案设计、设备选型、薄弱环节提升等有据可依, 摆脱依赖设计、工程人员凭经验判断的困境;2) 动态分析, 通过对信息流的延时、丢包、误码率、路径等动态性能的分析, 为故障分析与重演、调度策略设计、网络性能分析等提供定量依据, 改变二次系统依赖第三方的网络测试仪实测的尴尬现状;3) 优化控制, 以信息流分析方法为载体, 分析电力系统信息流特点, 提出与电力系统业务应用需求匹配的交换技术, 彻底扭转电力系统运维依靠通信网络自身性能“尽力而为”、交换过程无法监控的局面。

能量系统是一个连续系统, 通过微积分等构建了一套成熟完整的能量流建模仿真定量分析方法, 如BPA (Bonneville Power Administration) 具备电力系统稳态、电磁暂态、机电暂态以及中长期动态、短路电流计算、电压稳定计算和频域计算等交直流电力系统全过程仿真能力。信息系统是一个离散系统, 通过有限状态机的事件驱动机制构建了一套完整的信息流建模仿真定量分析方法, 如OPNET (Optimized Network Engineering Tools) 模型库包括路由器、交换机、服务器、客户机、ATM (Asynchronous Transfer Mode) 、DSL (Digital Subscriber Line) 等通信网络重要设备和TCP/IP (Transmission Control Protocol/Internet Protocol) 等重要协议, 能完整描述信息在通信网络的交换全过程。然而, 由于能量流与信息流的耦合模型缺失, 目前, 一般将成熟的电力系统和通信网络动态仿真程序结合, 在同步机制下实现混合仿真, 如PSCAD (Power Systems Computer Aided Design) /EMTDC (Electric Magnetic Transient of Direct Current) 与NS2, BPA与NS2, PSCAD/EMTDC与OPNET等。精细化混合仿真有助于研究通信网络与电力系统的相互作用, 设计控制保护方案, 优化整体系统设计。但是由于能量流分析方法不具备信息流模型, 信息流分析方法也不具备能量流模型, 联合仿真不能反映能量流与信息流的耦合机理和作用, 只将两者仿真的结果半实时交互, 与实际出入较大。因此, 本文提出通过建立信息物理融合系统模型, 在信息流仿真软件中建立两者耦合模型, 解决信息物理融合系统的定量分析问题的方法。

(2) 信息物理系统的建模内容

本文讨论在信息系统仿真平台上, 建立反映能量流与信息流耦合机理与作用的信息流模型, 主要建模内容包括三部分。

1) 反映物理系统动态特性的设备建模。在信息物理系统中, IED (Intelligent Electronic Device) 是电力系统业务实现的载体, 比如承担电力系统保护功能的继电保护IED、负责开关跳合的智能操作单元IED、执行远动指令的测控IED等。一方面, IED模型遵循IEC 61850、IEC 60870等标准完成电力系统业务对应的信息生成、封装、传输、解析、提取的全生命过程, 执行指令, 形成闭环;另一方面, IED体现设备数据处理机制与能力, 比如IED的光口或者电口的数据收发能力、缓存数据的内存大小、数据处理的先后次序等, 完整体现电力系统业务信息流在IED中的处理过程和性能。

2) 基于电力系统的通信协议建模。由于电力系统业务对于实时性、可靠性、安全性的独特要求, 电力系统建立了调度数据专网, 制定了一系列通信协议和标准, 比如用于能量管理系统应用业务的能量管理系统应用程序接口IEC 61970、用于远动业务的远动设备与系统IEC 60870、用于变电站业务的变电站通信网络和系统IEC 61850等。这些通信协议从设备模型、抽象通信服务接口、数据结构与属性、特定通信服务映射等方面制定了电力系统业务通信规则和流程, 而信息系统仿真平台并不具备相应的协议模型, 要准确完整描述信息物理系统的动态过程则建立基于电力系统的通信协议模型。

3) 反映能量流耦合作用的信息流建模。在电力系统业务信息化网络化环境下, 电力系统各项业务功能的体现以信息流为载体, 电压电流采样值体现为采样值SV (Sample Value) 信息流, 开关位置信息、跳闸信号、闭锁信号等体现为GOOSE (Generic Object Oriented SubstationEvent) 信息流, 继电保护定值召唤、修改等体现为MMS (Manufacture Message Specification) 信息流等。一方面, 电力系统正常、故障等不同运行状态下, 对应的信息流展现出不同的发送规律等动态特性, 可能引发网络故障或者网络阻塞等, 传输时延、负载率、丢包率等性能指标也相应变化;另一方面对信息流进行故障分析和动态分析, 求解随机网络故障和网络阻塞时的关键性能指标, 研究信息流与能量流的交互作用机理, 采用交替或联立的求解方法, 分析保护控制决策引起的系统潮流分布变化和暂态稳定性问题。

3 智能电网信息物理融合系统建模实例

本文基于OPNET Modeler仿真平台, 以220 k V典型变电站为对象实例, 构建了反映电力系统运行动态特性、通信协议以及能量流耦合作用的设备模型和信息流模型, 分析了线路故障场景下继电保护IED和交换机的信息流行为特征, 研究能量流与信息流的耦合作用。

(1) 智能变电站关键对象建模

1) 基于IEC 61850的合并单元建模

基于IEC 61850标准的合并单元模型, 以面向对象的方法, 将功能抽象成若干逻辑节点:数据源节点生成采样值报文SV, 输出队列节点按照优先级高低先后处理SV, 接口节点完成SV从应用层到数据链路层的映射, 数据链路节点派送SV至发送端口。合并单元模型如图1所示。

数据源节点将SV采样值封装成IEC61850-9-1/2格式, 按照采样周期发送至间隔层IED。若保护按4 000点/s采样, 则数据源节点SV生成速率为4 000点/s。

SV采样值数据有2种获取途径:1) 对确定结构的电力系统求出采集电气量的解析表达式 (如一恒电势源电路采样点电流为i (t) ) , 用OPNET函数发生器生成其采样值;2) 通过OPNET外部模块接口 (EMA, External Model Access) , 从excel、txt、xml等外部文件获取。基于实际故障录波或电力系统仿真软件 (如PSCAD/EMTDC) 导入相关采样值数据, 可支持复杂电网和实际故障回放的仿真需求。

2) 反映数据处理和动态性能的继电保护IED建模

以继电保护IED为例, IED模型应既能完整描述智能变电站继电保护的数据传输与处理过程和动作逻辑, 又能定量反映保护的响应时间等动态性能。保护IED主要功能是根据保护算法分析SV采样值数据, 判定保护动作策略, 产生GOOSE数据帧, 控制智能操作箱动作。

保护IED模型在报文拆封、协议解析和数据传输等方面与合并单元模型相似, 但应用层模块有所区别, 应用层的状态转移如图2所示。

保护IED设备应用层经初始化后, 跳转到空闲状态。采样值报文SV通过物理层和数据链路层的协议解析上传到应用层, 产生对应的流中断, 状态转移到SV解析处理阶段, 从数据包中取出本保护算法所需要的相关字段, 并结合从智能操作箱上传的最新GOOSE状态量, 进行保护动作的逻辑判定。

以过流保护为例, 电流幅值计算模块根据SV报文解析结果获取i (t) , 求取电流幅值I与保护整定值Iset比较, 若I大于Iset, 则置跳闸指令变量Atiao为0 (开关跳闸) ;否则为1 (开关合闸) 。比较最新上传的开关状态, 决定是否触发事件, 控制心跳重传周期。

(2) 典型智能变电站仿真算例

本文算例以某实际220 k V智能变电站220 k V侧通信网络为背景。为突出SV/GOOSE/MMS信息流竞争资源最严重的场景, 同时又体现智能变电站通信网络发展的趋势, 本文算例采用共网传输方式。基于在OPNET平台上构建了共网传输场景下的交换模型, 通过分析继电保护在线路故障下的动作响应情况, 网络拓扑如图3所示。

仿真主要以对典型对象的传输延时等进行统计分析, 结果如表1。

线路故障时, SV传输时延较稳态时有不同幅度的增加, 最高增幅达到75μs, 但仍在报文标准传输延时3 ms内。这是因为2 ms跳变的GOOSE优先级高于SV, 在共网的情况下, 占用传输带宽, 造成SV在交换机内的排队延时增加。

4 结语

电网规模越来越大, 信息物理融合系统越来越复杂, 能量流与信息流的耦合越加紧密, 交互影响越来越大。如何描述电力系统连续动态特性与信息网络离散动态特性的交互方式与关联模式, 如何体现信息传输的随机动态特性、通信调度策略、互感器和保护控制设备的数据处理过程, 如何在在电力系统分析计算中, 通过信息流与能量流的耦合分析, 实现保护控制决策的全过程动态研究等对智能电网的安全稳定运行至关重要。

摘要：随着间歇性电源、柔性负荷大幅接入电网, 电力系统动态过程被大大加快, 能量流与信息流的相互耦合成为智能电网的的重要特征, 信息网络故障可能引发相继或连锁故障在信息网和物理网之间交替传播, 导致信息物理耦合系统的崩溃, 严重威胁电力系统安全运行。从能量流与信息流的关联度增加、电力系统动态过程加快、信息流全局性对能量流的影响三方面分析了智能电网能量流与信息流的耦合特征, 对智能电网信息物理融合系统的建模需求、现状和内容进行了分析, 以220 k V典型变电站为实例研究了能量流和信息流的耦合机理和作用。

关键词：智能电网,信息物理融合系统,智能变电站,IEC 61850

参考文献

[1]张之哲, 李兴源, 程时杰.智能电网统一信息系统的框架、功能和实现[J].中国电机工程学报, 2010, 30 (34) :1-7.

[2]Sergey V Buldyrev, Roni Parshani, Gerald Paul, et al.Catastrophic cascade of failures in interdependent net-works[J].Nature, 2010, 464 (7291) :1025-1028.

[3]赵俊华, 文福拴, 薛禹胜, 等.电力CPS的架构及其实现技术与挑战[J].电力系统自动化, 2010, 34 (16) :1-7.

[4]王海柱, 蔡泽祥, 张延旭, 等.提升智能变电站信息流实时性可靠性的定质交换技术[J].电力自动化设备, 2014, 34 (5) :156-162.

[5]赵俊华, 文福拴, 薛禹胜, 等.电力信息物理融合系统的建模分析与控制研究框架[J].电力系统自动化, 2011, 35 (16) :1-8.

[6]毕艳冰, 蒋林, 张大海, 等.基于实时数据分发服务的智能变电站IEC 61850的实现方法[J].中国电机工程学报, 2013 (07) :149-155.

[7]Upeka Premaratne, Jagath Samarabandu, TarlochanSidhu, et al.Security analysis and auditing ofIEC61850-based automated substations[J].IEEEtransactions on Power Delivery, 2010, 4 (25) :2346-2355.

[8]赵曼勇, 周红阳, 陈朝晖, 等.基于IEC 61850标准的广域一体化保护方案[J].电力系统自动化, 2010, 34 (6) :58-60.

[9]张伯明, 孙宏斌, 吴文传, 等.智能电网控制中心技术的未来发展[J].电力系统自动化, 2009 (17) :21-28.

[10]王海柱, 蔡泽祥, 邵向潮, 等.基于OPNET的变电站过程层网络定量分析建模与仿真[J].中国电力, 2013, 46 (6) :80-84.

智能信息融合 篇9

一、智能轮椅传感器系统

声纳传感器作为一种重要的传感器，在现代机器人的研究和应用中起着独特的作用，在智能轮椅上这种传感器也得到了广泛的应用，主要用作通过测量智能轮椅和障碍物之间的距离，作出判断采取合理的避障行为避开障碍物。超声波指向性强，能量消耗缓慢，在介质中传播的距离较远，由于超声波的这种特性决定了声纳传感器在有些情况下是光学系统的传感器所无法比拟的。

(一)声纳传感器。

超声波测距的原理和雷达原理类似，超声波在遇到障碍物后会被反射回来，利用超声波在空气中的传播速度，通过测量超声波发射和接收的时间差，可以计算超声波发射点到障碍物的距离。声纳传感器的测距的公式为:

式中:L为测量的距离长度，C为超声波在空气中的传播速度，T为测量距离传播的时间差。超声波测距的测距量程上能达到百米，但测量的精度往往只能达到厘米数量级。声纳传感器的测量精度会受到空气的湿度和温度的影响，温度每上升2°C距离至多增加3.5%，在相对干燥的空气条件下，湿度的增加将导致距离最多增加2%。智能轮椅在实际运行环境中，由于声纳的测距结果会存在不确定性，因此也会影响其避障行为，通常造成误差的主要原因为:一是超声波回波声强与待测距离的远近有直接关系，所以实际测量时，不一定是第一个回波的过零点触发。二是盲区较大。因为每个超声波传感器既做发射器，又做接收器，不能同时发射和接收超声，在发射后必须经过一段时间才能处理返回的声波。因此，在使用超声波传感器时，需要注意距离非常近的情况下，所得的测量数据可能是不精确的，甚至是错误的。三是当超声波传感器的倾斜角过大时，如遇到障碍物，接收器可能接收不到发射器发出的声波，即声波就反射掉了，也可能发生声波经过多次反射后，才由接收器接收到，这都会使测量结果大于真实距离。四是多个声纳传感器进行信息采集时，发出的超声波会相互干扰。由上述超声波传感器的测试特性可以看出，超声波的测量距离在某些情况下的测量精度可以满足系统的要求，但仍存在不确定性。因此，单一传感器不能满足智能轮椅在避障过程中的要求。

(二)CCD视觉传感器。

CCD视觉传感器是把外界物体的信号将入射到CCD光敏面上的按空间位置分布的光强信息，转换成电信号，即转换成按时间顺序串行输出的视频信号，视频信号可在各种显示器上再现原物体的图像。CCD是目前移动机器人应用最广泛的视觉传感器，具有以下一些显著的优点:一是非接触、高速度、动态范围大、信息量丰富;二是相较其他传感器CCD具有精度高的优点;三是具有理想的“扫描”性，尺度重现性能好，从而为图像辨识提供了可能;四是固体化，体积小，重量轻，工作电压和功耗低，可靠性高，寿命长;五是抗电磁干扰性强，无像元烧伤、扭曲，不保留残像;视觉传感器会受光照的影响，采集的原始图像信号存在噪声和畸变。

二、多传感器信息融合基本原理和模式选择

多传感器信息融合是针对在一个系统中协同使用多种传感器这一特点问题展开的信息处理方法。它将各种传感器信息有效地结合起来，形成高性能感知系统来获取对环境的一致性描述的过程。将多个传感器的信息进行融合后即使单个传感器所提供的信息有一定的误差和不确定性，但经过信息融合后得到的综合信息可以比任何单一传感器获取的信息更加可靠和完整。

(一)多传感器信息融合基本原理。

在多传感器系统中，各种传感器所提供的信息可能会有不同的特点:实时的或者非实时的，时变的或者非时变的，快变的或者缓变的，可靠的或者非可靠的，模糊的或者确定的，精确的或者不完整的，或者是相互补充的，也可能是互相矛盾的。多传感器信息融合的过程是模拟人脑综合处理信息的过程，多传感器信息融合的最终目的是使用多个传感器联合运行的优势，从而提高整个传感器系统的检测效果。将多个传感器的信息进行信息融合具有以下几个方面的优点:一是运用信息融合技术可以对多个传感器的信息进行融合，可以降低随机误差排除外界干扰，从而使信息更加精确;二是通过信息融合技术可以获得任意单个传感器不能获取的信息，即可以获得各种传感器的各种信息，得到高层次，多特征的描述;三是通过信息融合方法可以获取更加精确的信息，从而不需要采用高成本的传感器，可以降低系统成本;四是通过信息融合技术可以将采集到的各种信息进行互补，从而可以提高系统的反应能力，提高了系统运行速度;五是经过信息融合后，由于采用了多个传感器的信息，所以如果有某个传感器失去效用，系统依然可以正常工作，从而提高了整个系统的可靠性。

(二)信息融合的级别及结构模型。

信息融合系统可以按照信息抽象的层次来划分，通常可以分为三个层级，包括检测级融合、位置级融合、属性(目标)级融合。智能轮椅传感器的融合级别是检测及融合，它融合的是发生在原始信号层或者对传感器系统中直接进行的检测信号。信息融合的形式一般具有以下两种:一种是融合中心处理的0、1形式的局部判决，叫做硬判决融合。另一种是判决中心不仅要处理判决信息，还要综合处理局部结点的信息，叫做软决策融合。在分布式检测系统中进行多传感器信息融合可以降低对单个传感器的性能要求，在这种系统中采用的信号处理方式在利用高速通信条件下可以增加计算容量，完成非常复杂的算法。系统对信息的压缩行预处理也可以降低通信的带宽。检测级融合的结构模型主要包括:并行结构、串行结构、分散式结构、树状结构和带反馈并行结构。

1. 并行结构的检测系统。

如图1(a)所示，这是分布检测系统中最普遍的结构。系统有N个局部节点S1,S2，…，SN，当收到未处理的原始数据Y1,Y2，…，YN时，先在这N个局部节点作出局部判决u1,u2，…，uN，然后，通过检测中心融合后得到系统的全局判决u0。

2. 串行结构的检测系统。

如图1(b)所示，系统设有N个局部节点S1,S2，…，SN，这N个结点分别接受各自的检测，先由第一个结点S1作出局部判决u1，然后通信到第二个结点S2，再将第二个结点自身的判决和S1的判决u1进行融合，从而形成第二个结点的判决u2，以此类推，信息从第一个结点逐个向下传递，最后将结点SN的判决结果和uN-1进行融合，从而作出判决uN。

3. 分散式结构的检测系统。

如图1(c)所示，这种结构可以视为将并行结构中的融合结点S0取消后生成的。从图上可以看出，它的局部判决ui(i=1，…，N)就是整个系统的最终决策。在实际运用中可以将各个子系统参照某种规则联系起来构成一个大的系统，并在这个大系统中遵循最优准则来确定子系统工作特点。

4. 树状结构的检测系统。

如图1(d)所，图中以五个结点为例。从图上可以看出这种结构使得信息是从树枝传递到树根，然后在树根结点即融合结点融合所有树枝上传来的局部判决，从而作出全局判决。最后，在树根即融合节点，融合从树枝传来的局部判决和自己检测，作出全局判决。N个节点的情况可以以此类推。

5. 带反馈的并行结构。

如图1(e)所示，在这种结构中，是将系统作出的全局判决反馈到各个局部节点，并将它作为系统下一时刻的局部决策输入系统，N个局部结点在接收到输入之后，将其判决送到融合中心，中心通过某种准则将N个判决进行组合，最后作出全局判决，如此循环，这样可以使局部结点的判决质量得到明显改善。

通过上述对检测型融合结构比较，本文采用并行结构对智能轮椅采集的信息进行融合，先对声纳和CCD摄像头采集的信息分别进行局部判决，然后将这些局部判决送入检测中心融合后得到系统的全局判决，即合理的智能轮椅避障行为。

三、基于声纳和CCD信息融合的智能轮椅避障

在物体识别领域，特征是对分类对象进行分类的依据，它的设计始终拥有非常重要的地位，它一般是通过对需要分类的对象所拥有的知识进行编码得到的，与原始像素相比，特征具有以下的优势:一是单个、有限、独立的原始像素无法表达区域之间的关联信息，这可以用特征来表达;二是基于特征的图像建模方法，可以建立起更有效的判别函数从而减小待分类对象的类内距离，增加待分类对象的类间距离;三是在实时物体的识别过程中视频序列的识别用基于特征的识别方法相较基于像素的识别方法迅速，由于特征更容易形式化，所以识别的速度更快，这就有利于识别速度的提高。在物体识别的过程中为了满足系统识别的实时性要求需要有快速的特征计算方法，识别算法需要扫描大量的窗口，并计算每个窗口对应的子图像的特征值。

(一)基于Adaboost算法的障碍物分类器训练。

1. Adaboost算法。

Ada Boost算法是一种普适算法，这种算法可以提升任意给定学习算法精度。

本文所用的Ada Boost算法完成的是图像的搜索和检测，它的基本思想是通过一定的方法叠加起大量的分类能力一般的弱分类器，来构成一个分类能力很强的强分类器，再将若干个强分类器串联成为级联的分类器。每个强分类器由Ada Boost算法迭代选出若干个弱分类器构成，每个弱分类器对应一个最优的Haar-like矩形特征，而整个分类器的分支是通过聚类分支算法递归的构造出来的。

具体的算法可以描述为:

(1)给定弱学习算法和训练集，(x1,y1)，…，(xN,yN)其中x∈RK,yi∈{0,1}，将正样本和负样本分别定义为:yi=1,yi=0;将循环的次数定T,T将决定最后强分类器中的弱分类器的数目;

(2)初始化权值向量:ωit=D(i),i=1，…，N其中D(i)为样本的概率分布情况;

二是样本归一化权值后，将这些样本用弱学习算法训练，得到这种弱学习算法的弱分类器hi∈{1,0};

三是计算当前弱分类器对应的样本权值的错误率:;

四是选择具有最小的错误率εt的弱分类器ht加入强分类器中;

五是对每个样本所对应的权值进行更新:，式中βt=εt/(1-εt)(i=1,2，…，N);

六是在经过T轮训练后，最终可以得到一个强分类器，表示如下:

其中，

一般情况下，弱分类器在强分类器中的权重和弱分类器的错误率成反比关系，这个权重越大说明这个弱分类器的分类结构对最后生成的强分类器的影响越大，这个权重越小，则表明这个分类器对强分类器的影响越小，而且这个权重会随着弱分类器错误率的减小而增大，鉴于这种情况，我们可以采用的权值更新方法为:将错误样本分类器的权值保持不变，校正确分类样本的权值，用这种方法来相应地增加错误分类器样本的权值。

2. Haar Training训练的总体流程。Open CV上Haar Train-ing的训练过程如图2所示。

用以上的训练方法得到的树形分类器，最终得到的树形障碍物分类器深度为19层。

3．节点强分类器内部结构。

经过样本训练后得到的分类器的每个节点的强分类器都以TXT的形式保存在一个Ada Boost CARTHaar Classifier.txt文件中。

(二)障碍物检测的实现方法。

检测到障碍物后需要判断障碍物的位置，即这个障碍物是在智能轮椅的左侧还是右侧。|L|表示障碍物左边缘距离智能轮椅中心线的距离，|R|则表示右边缘距离智能轮椅中轴线的距离。当|L|>|R|时，如图3(a)所示，表明障碍物在轮椅左侧。当|L|<|R|时，如图3(b)所示，表明障碍物在轮椅右侧。

(三)识别后结果处理。

一般情况下，通过对摄像头中采集的图像信息进行障碍物的识别，可能会出现对将同一个障碍物在邻近的位置上进行多次识别的情况，如图4(a)所示，为了使识别的结果更加准确，减少误识别率我们可以根据经验将多次识别的结果进行合并。

合并的过程可以分为两步:

1．按照经验列出可以合并的条件，对结果进行判断。

若智能轮椅采集的图像上识别的障碍物目标有m个，即{object1,object2，…，objectm}，其中objectk(xk,yk,wk,hk)(k=1,2，…，m)表示第k个识别结果，其中(xk,yk)结果左上角相对于待识别图像坐标，(wk,hk)表示第个识别结果的宽度和高度。

如果识别结果objecti(xi,yi,wi,hi)和objectj(xj,yj,wj,hj)(i,j=1,2，…，m)同时满足以下4个条件，就可以认为它们是可以合并的:

2. 分析可以合并的目标，将其合并。

objectj如果落在如图5所示的两个虚线矩形框的范围之间，我们就可以认为objectj和objecti是可以合并的。

障碍物目标合并的方法是:通过计算可合并的障碍物目标矩形框的平均位置，然后将原始的识别结果进行一个平均并将这个平均位置作为最终的识别结果，通过这样的平均可以起到滤除孤立出现的矩形框，消除障碍物误识别的作用，从而使得识别结果更加精确。

四、结语

正确的避障决策离不开完整而充实的信息，采用多传感器信息融合技术可以增加各类传感器信息的互补性以及对轮椅周围环境变化的适应性，使智能轮椅具有完成导航所需的有效完整的信息。通过本文对多传感器信息融合的论述，单一传感器技术已不胜任智能轮椅的精确控制。在智能轮椅的实验平台中，声纳、CCD的性能、数量、安装位置等因素也影响着其避障的准确性。传感器系统的合理构建还有待全球业界进一步的研究，以建立更好的传感器系统，得到更加准确的环境描述，但多传感器信息的采集与融合仍是未来各种最新控制方式构建的基础。

参考文献

[1].丁立军,华亮,陈峰.基于超声波传感器与红外传感器的移动机器人感测系统研制[J].南通大学学报(自然科学版),2008

[2].顾新艳.基于多传感器信息融合的移动机器人定位技术研究[J].机械与电子,2008

智能信息融合 篇10

多传感器、信息融合技术与传统机器人的结合构成了智能机器人。智能机器人相当于人的拷贝, 传感器相当于人类的五官, 要使机器人拥有智能, 对环境变化做出反应, 首先必须使机器人具有感知环境的能力, 用传感器采集环境信息加以综合处理, 控制机器人进行智能作业, 更是机器人智能化的重要体现。

在以往机器人智能领域的研究中, 人们把更多的注意力集中到研究和开发机器人的各种外部传感器上。尽管在现有的智能机器人和自主式系统中, 大多数使用了多个不同类型的传感器, 但并没有把这些传感器作为一个整体加以分析, 更像是一个多传感器的拼合系统。虽然在各自传感器信息处理与分析方面开展了大量富有成效的工作, 但由于忽视了多传感器系统的综合分析, 对提高智能系统的性能带来了不利影响, 效率低下而且速度缓慢。

因此, 将多传感器信息融合应用于智能机器人, 可以弥补单一传感器的缺陷, 从而得到描述系统的更一致性的解释。

1 智能机器人的感觉

智能机器人区别于普通的工业机器人, 在于他本身能够感知和认识工作环境, 能够根据人给予的指令和自身认识外界的结果来独立地决定工作方法, 利用操作机构和移动机构完成任务, 并能够根据外部环境的变化做出相应的决策。

一个功能较强的智能机器人通常都装配立体视觉传感器、触觉传感器、听觉传感器、测距传感器、力/力矩传感器等。而为了完成复杂任务, 多个同一类型和不同类型的传感器共存于一个机器人传感器系统中, 每个传感器采集的信息在时间、空间及表达方式上都不尽相同。若对各个不同传感器采集的信息进行单独处理和判断, 往往会造成信息的丢失和决策的失误。为了改善这一状况, 引入多信息融合技术, 使处于同一环境下的多个传感器根据一定的算法和策略进行融合而不是简单的集合, 得出统一的一致性的解释。

2 多传感器信息融合的基本原理

多传感器信息融合是人类和其他生物系统中普遍存在的一种基本功能。人类本能地具有将身体上的各种功能器官所探测到的信息与先验知识进行综合的能力, 以便对他周围的环境和正在发生的事件做出估计。多传感器信息融合的基本原理就像人脑综合处理信息的过程一样, 它充分地利用多个传感器资源, 通过对各种传感器及其观测信息的合理支配与使用, 将各种传感器在空间和时间上的互补与冗余信息依据某种优化准则组合起来, 产生对观测环境的一致性解释和描述。信息融合的目标是基于各传感器分离观测信息, 通过对信息的优化组合导出更多的有效信息。它的最终目的是利用多个传感器共同或联合操作的优势, 来提高整个传感器系统的有效性。

3 智能机器人信息融合研究的内容

主要包括:融合结构、融合算法、传感器测距问题、目标识别、自主导航和定位及路径规划和跟踪, 下面简要介绍一下上述的几个问题。

3.1 融合结构

智能机器人的融合结构可分为三种:集中式融合、分布式融合以及混合式融合。集中式融合即把各个传感器采集到的信息集中到一个信息融合中心处理;分布式融合即将各个传感器的信息分别进行预处理, 然后再输入到信息融合中心进行二次处理;混合式融合既有集中又有分布, 每个传感器信息可以多次利用。

3.2 融合方法

主要包括:加权平均法、Kalman滤波、扩展Kalman滤波、Bayes估计、Dempster-Shafer证据推理、模糊逻辑、神经网络以及基于行为方法和基于规则方法等。

3.3 传感器测距问题

距离是智能机器人感知环境的重要信息, 它在智能机器人避障、导航、路径规划和定位等移动机器人执行各项任务有着非常重要的作用。

3.4 目标识别

在目标识别中如何提取稳健的、能分离的目标特征是关键。智能机器人用视觉传感器以及各种测距传感器来进行目标识别。识别的信息包括形状、大小、方向、位置和颜色等。

3.5 自主导航

导航技术是智能机器人的核心技术之一, 也是机器人控制中的一个热点问题。导航技术主要解决D.White提出的三个问题:

3.5.1 定位问题

主要是研究如何利用内部和外部传感器获得智能机器人的环境信息来确定移动机器人在其作业环境的位置。

3.5.2 路径规划问题

该问题的主要目标是搜索一条从起始状态到目标状态的无碰撞路径。在局部路径规划中, 由于运行的环境信息完全未知或部分未知, 智能机器人的行为必须通过传感器实时地对工作环境进行探测, 以获取障碍物的位置、形状和尺寸等信息进行实时控制, 进而无碰撞地到达目的地。

3.5.3 路径跟踪问题

主要是研究如何利用多传感器获得较完全的信息。在路径规划和路径跟踪研究中测距和目标识别的各种传感器都有可能用到。

4 信息融合的关键问题

4.1 数据对准

在多传感器融合系统中, 每个传感器提供的观测数据都在各自的参考框架之内, 在对这些信息进行组合之前, 必须首先将它们变换到同一个参考框架中去。但是要注意的是, 由于多传感器时空配准引起的舍入误差必须得到补偿。

4.2 同类或异类数据

多传感器提供的数据在属性上可以是同类, 也可以是异类的, 而且异类多传感器较之同类传感器, 其提供的信息具异类数据在实践上的不同步, 数据率不一致以及测量维数不匹配等特点, 使得对这些信息的处理更加困难。

4.3 传感器观测数据的不确定性

由于传感器工作环境的不确定性, 导致观测数据包含有噪声成分。在融合处理中, 需要对多源观测数据进行分析验证, 并补充综合, 在最大限度上降低数据的不确定性。

4.4 不完整、不一致及虚假数据

在多传感器信息融合系统中, 对传感器接收到的测量数据有时会存在多种解释, 称之为数据的不完整性。多传感器数据往往也对观测环境做出不一致甚至相互矛盾的解释。另外, 由于噪声及干扰因素的存在, 往往存在一些虚假的量测数据。信息融合系统需要能够对这些不完整、不一致以及虚假数据进行有效的融和处理。

4.5 数据关联

数据关联问题广泛存在, 需要解决单传感器时间域上的关联问题, 以及多传感器空间域上的关联问题, 从而能够确定来源于同一目标源的数据。

4.6 态势数据库

态势数据库有实时数据库和非实时数据库两种。前者的作用是把各传感器的检测结果提供给融合中心, 并存储融合处理的最终态势、决策分析结果进行分析和综合, 生成综合态势, 实时地根据错传感器检测结果进行数据融合计算和态势决策分析等。

5 结论

智能机器人的智能体现在多传感器系统的应用上, 而拥有更高的智能需要在多传感器系统中运用多信息融合技术。分析了基于机器人的多信息融合技术的内容和方法, 使二者更好地结合。

参考文献

[1]何友, 王国宏, 陆大等.多传感器信息融合及应用[M].北京:电子工业出版社, 2000, 1-11.

[2]罗志增, 蒋静坪.机器人感觉与多信息融合[M].北京:机械工业出版社, 2002, 6.

[3]李梅, 姚蓝.基于模糊综合技术的多传感器目标识别融合[J].舰船科学技术, 2003, 25 (6) :16-17.

[4]陈俊风.多传感器信息融合及其在机器人中的应用[D].硕士学位论文哈尔滨理工大学, 2004.

[5]高富国, 谢少荣, 罗均.机器人传感器及其应用[M].北京:化学工业出版社, 2005.