基于d-s证据理论的产品多信息融合标识失效补救方法
【专利摘要】本发明公开了一种基于D-S证据理论的产品多信息融合标识失效补救方法，用于解决现有方法导致产品个体在生产过程中追踪断路的技术问题。技术方案是分析产品物理与制造过程中多源信息之间的关联和数据结构，建立离散制造过程中产品零散与不完整多源信息模型，通过基于类中心的欧式距离和改进的变异系数加权法对失效标识零件的特征数据和产品的历史数据库相似度测度计算，最后采用D-S证据理论对其特征层进行融合辨识，有效的恢复补救失效产品的标识，进而解决了DM码失效而导致产品个体在生产过程中追踪断路的技术问题。实验证明，本发明方法防止追踪失效的识别正确率在95％以上，效率高，恢复补救可靠，具有很好的实用性。
【专利说明】基于D-S证据理论的产品多信息融合标识失效补救方法
【技术领域】
[0001] 本发明涉及一种产品标识失效补救方法，特别是涉及一种基于D-S证据理论的产 品多息融合标识失效补救方法。
【背景技术】
[0002] 文献"一种用于工件3D条码识别的图像综合预处理方法.西安理工大学学 报，2002, 18(4) :332-336. "公开了一种用于工件3D条码恢复识别的图像综合预处理方法， 激光蚀刻在工件表面的条码，配有辅助光源的工业摄像机摄取3D条码图象，经直方图均 衡化、图象投影变换、自适应阈值法条空信号提取、条空信息真伪校正等处理后，按国标译 码而最终得到工件编号，部分满足了某些工序的具体情况下产品的标识恢复和追踪要求。 文献所述方法主要以通过条码的图像预处理后再识别的方法，即便如此，产品全生命周期 生产过程中的磨损、污染、热处理和表面处理等工艺依然会使得DM码和明文信息识读均告 失败，而且产品标识的图像破坏比较严重时无法从图像提取可靠特征或者完全不能提取特 征，所以，已有的技术措施不能完全杜绝产品标识在其所有的生产环节中不失效，导致产品 个体在生产过程中追踪断路。
【发明内容】
[0003] 为了克服现有方法导致产品个体在生产过程中追踪断路的不足，本发明提供一种 基于D-S证据理论的产品多信息融合标识失效补救方法。该方法分析产品物理与制造过 程中多源信息之间的关联和数据结构，建立离散制造过程中产品零散与不完整多源信息模 型，通过基于类中心的欧式距离和改进的变异系数加权法对失效标识零件的特征数据和产 品的历史数据库相似度测度计算，最后采用D-S证据理论对其特征层进行融合辨识，有效 的恢复补救失效产品的标识，进而防止DM码失效而导致产品个体在生产过程中追踪断路。
[0004] 本发明解决其技术问题所采用的技术方案是：一种基于D-S证据理论的产品多信 息融合标识失效补救方法，其特点是采用以下步骤：
[0005] 步骤一、分析与产品辨识相关的信息源，包括产品物理信息和制造过程信息，并将 多信息融合引入到产品表示失效补救中。设一个多源信息模型，其中对象集为
[0006] P = {x1； x2, x3,.....xj (1)
[0007] 是该多源信息的主体，元素Xi，i = {1，2, 3,……η}表示不同的信息源；属性集为
[0008] C = {〇!，c2, c3,.....Cj} (2)
[0009] 是产品外部信息属性的描述；属性的值域均为离散数值，记为Um(m< j)，其中m表 示产品不同信息源的属性，j表示产品不同信息源的所有属性，对象集P和属性集C的关系 集为
[0010] F = {fi：m j} (3)
[0011] 其中，fm:p -υχ j)，fi表示产品多源信息对象集，4表示实际不同信息源的 属性集，表达了对象集U与属性集C之间的联系，是信息源的基础。又设E为由属性集C所 决定的状态属性集，即
[0012] E = {e1； e2, e3,.....e』} (4)
[0013] 公式（4)表示产品对象的各个属性所包含的状态，其值域U/ (m < j)是定性值 规定状态分为标识失效和未失效，属性集C称为条件属性集。产品多源信息模型用下式表 示：
[0014] I={P，C，F，E} (5)
[0015] 对于任意的产品外部多信息源而言，上述模型表不成一个二维数据表。
[0016] 步骤二、当标识发生失效时，采集零散与不完整的产品物理和制造信息，以满足产 品融合辨识的要求，判断样品之间的相似性常采用近邻准则，采用失效标识与样本库中不 同类别的中心匹配的程度高，重复多次测量失效产品的相关特征并进行与历史记录数据的 相似性测度计算。
[0017] ①基于记录的产品多特征模型。
[0018] 设（Χω，Χ(2)，....，Χω)是产品的多源信息η维总体，从中取得样品数据
[0019] (xn, x12, . . . , χ In) ? (X21, X22, · · ·，X2n) ? …·（XN1，XN2，· · ·，XNn)
[0020] 产品生产过程中第i个观测数据记为
[0021] Xi = (xn, xi2, . . . , xin)T i = 1, 2, . . . , N (6)
[0022] 公式（6)表示单次测量产品的多个特征。引进数据观测矩阵 Λ VI XV：…(7)
[0024] 公式（7)是NX η矩阵，Ν行即是Ν个样品ΧρΑ，....，ΧΝ，组成来自产品多特征的 η维总体（Xi，X2,. . . .，Χη)的样品。观测矩阵X的η列分别是η个变量X(1)，X(2)，. . . .，Χ(η)在 Ν次测试中所取的值。记为
[0025] Xj = (xu, x2J, . . . , xNJ)τ j = 1, 2, . . , Ν (8)
[0026] ②基于类中心的欧式距离法测度。
[0027] 设有Μ个类别：Wl, w2, . . . wM，每类有队个样品，表示为 对于任意待识别的样品X = (Χι，χ2,...，χη)，计算距离 ，(X,μ；,.) = p-其中;^为第i类的类中心。比较X到各类的距离若 满足：
[0028] 则XeWi (9) I Ik ) / = 1,2,,.., M,i#i 1
[0029] ③改进的变异系数加权法。
[0030] 根据统计计算各个特征的权重，某特征的历史数据在生产过程变化较为稳定，批 次中零件之间的距离越接近其状态所占的权重越大，设Xij(i = 1，2...，n ;j = 1，2...，m) 为第i个特征的历史数据；其中\ (j = 1，2...，m)为第j个特征的历史数据：
[0031] 则均值为 Λ W (10)
[0032] 方差为：
【权利要求】
1. 一种基于D-S证据理论的产品多信息融合标识失效补救方法，其特征在于包括以下 步骤： 步骤一、分析与产品辨识相关的信息源，包括产品物理信息和制造过程信息，并将多信 息融合引入到产品表示失效补救中；设一个多源信息模型，其中对象集为 P - {Xl> ^2) -^3).....xj (l) 是该多源信息的主体，元素 Xi，i = {1，2, 3,..... η}表示不同的信息源；属性集为 C - {cj, c2, c3,.....Cj} (2) 是产品外部信息属性的描述；属性的值域均为离散数值，记为Um (m < j)，其中m表示产 品不同信息源的属性，j表示产品不同信息源的所有属性，对象集P和属性集C的关系集为 F = {fi：m ^ j} (3) 其中，fm:P -Um(m< j)，&表示产品多源信息对象集，fm表示实际不同信息源的属性 集，表达了对象集U与属性集C之间的联系，是信息源的基础；又设E为由属性集C所决定 的状态属性集，即 Ε = {θ1； e2, e3,.....e』} (4) 公式（4)表示产品对象的各个属性所包含的状态，其值域U/ (m< j)是定性值规定 状态分为标识失效和未失效，属性集C称为条件属性集；产品多源信息模型用下式表示： I = {P, C, F, E} (5) 对于任意的产品外部多信息源而言，上述模型表不成一个二维数据表； 步骤二、当标识发生失效时，采集零散与不完整的产品物理和制造信息，以满足产品融 合辨识的要求，判断样品之间的相似性常采用近邻准则，采用失效标识与样本库中不同类 别的中心匹配的程度高，重复多次测量失效产品的相关特征并进行与历史记录数据的相似 性测度计算； ① 基于记录的产品多特征模型； 设（X(1)，X(2)，. . . .，X(n))是产品的多源信息η维总体，从中取得样品数据 (Χ11，Χ12，· · ·，Xln)，(Χ21，Χ22，· · ·，Χ2η) ， .... (ΧΝ1> ΧΝ2> · · · ) ΧΝη) 产品生产过程中第i个观测数据记为 Xi = (xn，xi2，· · ·，xin) i = 1，2，· · ·，N (6) 公式（6)表示单次测量产品的多个特征；引进数据观测矩阵 JCy A'] 2 "· X\" F- A"21 ·?κ ··' -「f γ γ ιΛ, ?· I I I ^ I ^ I . . Λ%- I ^ I -Λ*.ν? Λ..ν 2 …Λ.,ν"(7) 公式（7)是ΝΧη矩阵，Ν行即是Ν个样品，组成来自产品多特征的η维 总体（\，X2,. . . .，Χη)的样品；观测矩阵X的η列分别是η个变量X(1)，X(2)，. . . .，Χ(η)在Ν次 测试中所取的值；记为 Xj = (xu, x2J,..., xNJ)T j = 1, 2,. . . , N (8) ② 基于类中心的欧式距离法测度； 设有Μ个类别：Wl, w2,. . . wM，每类有队个样品，表示为 xM = (xt'^xpKxi^...x^)，.对于任意待识别的样品X = (Xl，x2,...，xn)，计算距 离#(1?|1-1^)(2￥-111其中^^为第1类的类中心；比较父到各类的距离若 ， 满足： i = 构·则X ^⑶ ③改进的变异系数加权法； 根据统计计算各个特征的权重，某特征的历史数据在生产过程变化较为稳定，批次中 零件之间的距离越接近其状态所占的权重越大，设Xij(i = 1，2. . .，n ;j = 1，2. . .，m)为第 i个特征的历史数据；其中Xj (j = 1，2. . .，m)为第j个特征的历史数据： 则均值为 _ 1 η X . - 一·~- y X，r J λ r ￡-d if N (10) 方差为：
(ID 所对应的变异系数为： s. j ~ =: i (12) 对于产品特征\ (j = 1，2...，m)根据评价对象的历史数据，这种各属性变化幅度程度 越小的相应的权重是：
Weight为产品生产过程中多特征的第i 、) , a 个属性值所占权重，Σ?^?^=:! i I · 3 步骤三、将零件的重量、长度、强度、表面硬度和涂层厚度特征记为： 其中，di'为实测特征，重复多次测量失效标识的特征与历史数据 得到一组距离，产品的特征值记为：{dij| i = 1，. . .，5, j = 1，. . .，η}，其中，η为特征历史 测量数目；其对应的五个信度分配函数，记为％，m2,. . .，m5 ;基本信度分配的任务就是为 mi，m2, ...，m5对应的幂集元素赋予的概率值；将其距离平均值作为标准尺度记为$，特征 都为单调的且独立的，大小与支持证据的强弱成反比的关系；若实测特征对应的数据接近 于历史数据则认为支持证据强，反之与差距越大，则支持越弱；对于i特征焦元A的置信度 分配（BeIjA))为：
每个特征与历史数据的距离最近的相似度越高，即理解为似真度最大，反之与欧式距 离越大，则似真支持度越弱，其中3标准工艺规定的为各个特征的距离合理变化值；对于i 特征焦元A的似真度分配（Ρ^ (A))，为每个零件特征构造基本信度分配：
(14) 由证据区间关系可知，拒绝证据区间信度值为：π^(Β) = 1-P1JA);不确定证据区间信 度值为：1^(?) = l-mjA)-mjB); 采用融合公式进行特征融合：设此^和此^为同一识别框架Θ的两个信任函数，mi 和m2分别为其对应的基本概率赋值，焦元分别为Αρ . . .，Ak和&，. . .，Bp则组合公式为m = 1? ? m2由下式确定：
其中，I表示证据间冲突的大小，& 若& = 1表明叫和m2完 - ? 全矛盾，不能对基本概率赋值进行组合；对于多证据组合，逐队进行组合。
【文档编号】G06F19/00GK104091078SQ201410333952
【公开日】2014年10月8日 申请日期:2014年7月14日 优先权日:2014年7月14日
【发明者】何卫平, 王健, 李夏霜, 郭改放, 张衡 申请人:西北工业大学