基于多源信息融合的发动机转子早期故障识别

提出了将神经网络与D-S(Dempster-Shafer)证据理论相结合的发动机转子早期故障分级融合识别方法.文中对多源信息融合系统的基本结构、多源信息融合方法、早期故障融合识别过程等进行了分析和研究,并以发动机转子早期碰摩为对象进行了实验验证.结果表明,将神经网络与D-S证据理论相结合的早期故障分级融合识别方法,能够有效地提高发动机转子早期故障识别的快速性和有效性,利用神经网络的输出构造D-S融合推理中各焦元的基本概率赋值函数,避免了构造基本概率赋值函数时人为因素的影响,提高了故障识别精度.     

多传感器数据融合技术在火灾报警中的应用

针对目前火灾报警中存在的问题,提出了一种基于神经网络和D-S证据理论的多传感器数据融合技术,并通过模拟实际输入信号的仿真结果进行了证明.这种采用神经网络BP算法和D-S证据理论的多传感器数据融合技术,能够显著提高火灾的识别能力,有效降低火灾误报率.     

基于信息融合方法的电机故障诊断研究

研究鼠龙异步电机转子故障诊断技术,先运用小波包分析技术对电机电流信号进行了特征值的提取,将信号进行3层分解,然后将噪声信号分离并对噪声信号进行FFT能量分析,根据噪声能量含量的大小来判断断条故障的严重程度。然后利用BP神经网络对电机的电流信号能量特征值分别进行训练和检验,并初步得出诊断结果。再运用D-S证据理论对BP神经网络的输出结果进行了决策层的信息融合故障诊断,并得出了最终的诊断结果。实验表明,在一定程度上采用多证据的融合能进一步提高诊断的准确度。     

多传感器信息融合测控体系在温室测控中的应用研究

对农作物生长环境的温度、湿度和光照等参数的实时监测和远程控制是农业生产现代化的重要手段,为此设计了一种以ARM嵌入式微处理器2410为硬件平台,结合Linux操作系统和ADS1.2集成开发环境,同时采用D-S证据理论和BP神经网络相结合算法的多传感器信息融合测控系统。BP神经网络提供一定数量的证据,D-S证据理论降低证据的不确定性,将这种基于二者的多传感器信息融合算法应用于农作物生长环境监控中,最终得到了在S1(T>30°)温度区间内93.47%的可信度,可见设计的基于多传感器信息融合的测控体系具有良好的应用前景。     

基于多分类器融合的航空发动机气路故障诊断

为解决航空发动机这一复杂系统的故障诊断问题,提高智能化诊断方法的准确率,使用了D-S证据理论对RBF神经网络、BP神经网络和支持向量机三个诊断子系统的诊断结果进行决策级融合,结果表明D-S证据理论的使用可以达到比单独运用三个子系统具有更好的诊断效能,经过融合降低了误诊率,改善了诊断性能。     

基于ANFIS和证据理论的信息融合研究

提出了一种基于自适应神经网络-模糊推理系统(ANFIS)和D-S证据理论相结合的信息融合方法.利用神经网络的学习功能提取模糊规则和调整隶属函数,然后用自适应神经网络-模糊推理系统的输出构造证据理论中的基本概率赋值,解决了证据理论中的基本概率赋值不易确定的问题.该方法实现了模糊推理、神经网络和证据理论的有效结合,使得证据理论具备智能信息处理的能力,并应用于雷达与红外复合制导的目标识别融合系统.仿真结果表明:该方法提高了目标识别的置信度,降低了系统虚警率,融合结果也更加合理.     

基于改进的D-S证据理论的网络舆情信息融合

从我国网络舆情现状出发,分析网络舆情对社会影响的主要因素,选取4种网络舆情预警指标,获取观测数据,基于改进的D-S证据理论信息融合技术,建立网络舆情预警模型,并利用类概率函数实现对网络舆情话题演变成舆情事件的可能性的判断。同时把改进后的融合方法与经典的D-S组合规则做比较,结果表明,改进后的方法可以更好地实现证据的融合,并得到更为合理的判断结果。     

基于神经网络和证据理论的液压系统故障诊断

针对液压系统故障多样性和复杂性等特点,基于信息融合原理,提出了一种基于神经网络和D-S（Dempster-Shafer）证据理论相结合的液压系统故障诊断方法。该方法通过构建多子神经网络分类模块进行局部诊断,利用各子神经网络的输出值作为证据理论中的基本可信度,经过证据理论的再次融合得出最终的诊断结果。实例表明,该方法通过简化神经网络结构,提高了局部诊断网络的诊断能力,通过对多源多特征参数的融合,充分利用各传感器的冗余和互补的故障信息,与单一故障特征的诊断相比,显著提高了故障诊断的准确率,降低了决策的不确定性。     

基于信息融合技术的航空电子设备故障诊断研究

提出一种基于模糊神经网络局部诊断和D-S融合决策的航空电子设备故障诊断方案。首先将设备故障特征信息进行有效组合,构建多个子模糊神经网络完成故障的局部诊断,以获得彼此独立的证据;然后应用Dempster-Shafe证据理论对各个证据进行决策融合,最后根据构建的诊断框架特点用局部诊断输出值及其正确率来获取基本概率赋值。该方案应用于某型号机载电台的仿真结果表明,经过信息融合多级处理后,诊断结论的可信度明显增加,故障识别的正确率得到有效提高。     

基于改进的BP网络的D-S证据理论及其应用

目前,D-S证据理论凭借自身独特的处理不确定性问题能力,已在众多领域得到了广泛的应用。命题基本概率分配(BPA)的确定是D-S证据理论得以广泛应用的关键之一,将改进的BP网络运用到基本概率分配的确定过程中,使得BP网络和D-S证据理论两者有机地联合应用,这样既可利用D-S证据理论来表达和处理不确定信息,又可以充分发挥BP网络的自学习、自适应和容错能力。建立了基于BP网络的D-S证据理论的故障诊断模型,并给出了证据的融合算法。最后,仿真实验表明该模型可行。     

Study of Enterprises Marketing Risk Early Warning System Based on BP Neural Network Model

For effectively early warning the marketing risk caused along with the varied environment, a BP neural network method was introduced on the basis of analyzing the shortcomings of the risk early warning method, and combined with the practical conditions of dairy enterprises, the index system caused by the marketing risk was also studied. The＇principal component method was used for screening the indexes, the grades and critical values of the marketing risk were determined. Through the configuration of BP network, node processing and error analysis, the early warning resuits of the marketing risk were obtained. The results indicate that BP neural network method can be effectively applied through the function approach in the marketing early warning with incomplete information and complex varied conditions.     

神经网络信息融合技术在控制系统故障诊断中的应用

针对钢管修磨控制系统中存在的常见故障,构造了神经网络信息融合中心。对来自多传感器的残差信号进行了预处理和离散小波变换,提取其细节系数作为神经网络的故障特征向量,使用改进BP算法对神经网络分类器训练以进行相应的故障模式识别。仿真结果表明,基于神经网络的信息融合技术用于控制系统的故障诊断是可行的和有效的。     

基于BP网的异步电机故障诊断方法

在对异步电机三类典型故障机理的分析基础之上,提出了基于ＢＰ网的诊断方法,建立了适宜于异步电机故障诊断的网络模型和电气故障模板,开发出基于ＢＰ网的电机故障诊断软件．     

矿井通风机振动故障诊断的神经网络方法

轴流式通风机是煤矿生产中常用的关键设备, 对其进行故障诊断的研究具有十分重要的意义． 本文在分析通风机振动故障的原因及故障特征的基础上, 研究利用人工神经网络进行通风振动故障诊断的方法, 并建立了相应的神经网络诊断模型, 研究表明该模型可用于通风机的故障诊断, 是一种有效的智能分类器．     

基于模糊神经网络融合技术的智能火灾预警系统

根据当今火灾探测的现状和实现火灾早期探测的需求,将多传感器数据融合技术应用在火灾预警系统中.选择多个传感器对火灾过程的多参数进行监测,特别对火灾发生初期产生的异常信息进行全面监控,弥补了采用单一传感器的不足,扩展了时间上和空间上的监测范围.系统采用基于模糊神经网络多传感器融合技术,增强了系统报警输出的灵敏度和可靠性,实现了提前预警的目的.     

深基坑支护结构安全预警系统研究

深基坑支护系统的位移与变形不仅关系到基坑本身的安全问题,也影响到周边环境的安全.构建了支护结构安全预警系统,并在分析研究深基坑工程设计和施工实测资料的基础之上,采用改进的BP神经网络,建立起支护结构位移预测模型,并就基坑支护安全监测预警指标进行了讨论.     

滚动轴承故障诊断虚拟系统的实现

针对滚动轴承,实现了一种粗糙集理论和神经网络技术相结合的新型的故障诊断虚拟系统.该系统利用粗糙集对知识的约简能力,对采集的故障征兆数据进行预处理,即采用竞争学习神经网络把连续属性离散化,将结果导入Rosetta软件中逐步分析处理,得到最小条件属性集,在此基础上构建BP神经网络进行故障识别,将网络输出送回LabView进行显示.实例分析表明,该系统可以提高滚动轴承故障诊断的收敛速度,在期望误差相同的情况下,网络训练时间减小了176步.     

基于移动式红外测温的变电站设备温度预警系统

目前,变电站人工巡检效率低,对电气设备的测温准确率不高,导致不能对潜在的异常设备进行预警。针对此现状,提出了一种基于移动式红外测温的变电站设备温度预警系统。系统以巡检机器人为移动平台,结合红外测温、WiFi通讯、远程监控显示等新技术,可对变电站设备进行测温预警。在此基础上,进一步分析导致红外测温误差的影响因素,采用BP神经网络对红外测温误差进行修正。系统结合绝对测温预警和相对温差预警方式,达到理想的预警效果。该系统已在德清变电站成功投入运行,证明了系统的合理性和可靠性。     

基于动态人工神经网络的投资银行风险预警

投资银行是金融体系的重要组成部分,从可量化监测的角度考察,选取了投资银行风险监测指标中包括市场风险、信用风险、流动性风险、资本风险在内的17个具体监测指标,构建了投资银行风险预警指标评价体系.运用基于数值优化的方法即L-M算法构建了基于前馈神经网络的投资银行风险预警模型.用训练好的BP神经网络模型,对检验样本进行了预测判别,结果显示出神经网络模型对我国投资银行风险具有较强的预测能力.     

基于蚁群优化神经网络的故障诊断

针对BP神经网络收敛速度慢,易于陷入局部极小点的问题,将蚁群算法引入BP神经网络的优化训练,建立了基于该算法的BP神经网络训练模型,并应用于电机转子故障诊断。结果表明,用蚁群算法训练神经网络具有较高的故障诊断精度,收敛性好,可以有效快速定位电机转子故障,提高诊断的效率和质量。