基于D-S证据理论的直流电机故障诊断研究

通过分析直流电机的故障机理,得到在不同信号（如电流、转速、转矩等）中所表现的故障特征,提出了一种神经网络和D-S证据理论的多传感器数据融合技术的直流电机故障诊断方法。利用多源信息间的冗余性和互补性,有效提取故障特征信息,提高了诊断的可靠性和灵敏度。     

基于D-S证据理论的直流电机故障诊断研究

通过分析直流电机的故障机理,得到在不同信号(如电流、转速、转矩等)中所表现的故障特征,提出了一种神经网络和D-S证据理论的多传感器数据融合技术的直流电机故障诊断方法。利用多源信息间的冗余性和互补性,有效提取故障特征信息,提高了诊断的可靠性和灵敏度。     

多神经网络与证据理论融合的变压器故障综合诊断方法研究

电力变压器发生故障的部位多，故障原因、现象复杂，在故障诊断中，可以通过变压器不同方面的特征信号从不同侧面来反映变压器的故障。因而需要对变压器的多种特征信号进行综合处理和协同分析。该文结合色谱数据和电气试验数据，利用数据融合原理，将神经网络和证据理论进行有机结合，使两者优势互补，提出了多神经网络与证据理论融合的变压器故障综合诊断方法。诊断结果表明，运用提出的融合诊断算法，能充分利用色谱数据和电气试验数据的冗余、互补信息，使基于多种特征信号综合诊断结果的准确性和可靠性比基于单一故障特征的诊断得到有效的提高。     

基于D-S证据理论的配电网单相故障选线方法研究

为充分利用单相接地故障的互补信息提高选线保护的可靠性,提出一种中性点非有效接地电网信息融合选线方法。该方法采用D-S证据理论,针对故障选线问题的具体特点,合理构造了选线识别框架和信度分配函数,将故障选线问题转化为证据理论模型,给出证据组合的选线判定原则,制定了基于信息融合的综合选线策略。应用该方法在模拟系统上进行实验,验证了方法的有效性。结果表明采用融合选线策略极大地提高了故障选线的可靠性。     

基于灰色关联和证据理论的故障诊断方法

本文在证据理论的基础上,结合信息熵和灰色关联算法,提出了一种新的机械故障诊断方法。该方法从信息融合的思想出发,首先依据反映机械故障的信息熵特征,获得基于信息熵的故障诊断标准特征向量。接着采用灰色关联理论建立证据理论的基本概率赋值函数,提出了利用证据理论对单传感器多测量周期证据时域融合和多传感器证据空域融合相结合的时空二级融合算法,最后以基本可信数的决策方法作为故障模式识别依据。通过旋转机械故障的典型实例证明,基于灰色关联和证据理论的机械故障诊断方法是故障模式定量识别的一种可行的新方法。     

控制系统传感器故障的两次预测诊断方法

为了克服建模误差对诊断结果的影响,增强故障检测方法的鲁棒性,同时充分利用生产过程中存在的大量冗余信息,文中提出了一种基于径向基函数网络（RBEnet)的传感器故障诊断的新方法。针对多传感器系统的特点,利用神经网络的非线性拟合能力,将相关传感器的输出数据综合,对待诊断传感器的输出进行两次预测：第一次预测用于故障的识别;第二次预测可以实现故障传感器的定位,并利用第一次预测的输出数据对故障信号进行恢复。仿真实验表明该诊断方法对于传感器的几种不同故障形式均能够进行识别和恢复,对于系统工况的变化具有一定的适应性,由于径向基函数网络具有很好的收敛性,同时在使用过程中采用离线训练,在线使用的方式,因此该方法具有较好的实时性。     

模糊数据融合技术在系统故障诊断中的应用

利用系统故障症状的分散性，提出了一种基于模糊数据融合技术的系统故障诊断方法。首先，为保证量测信号的准确性，采用同源多传感器数据层融合以及多传感器信息优化协调技术对量测数据进行初步处理，为系统故障模糊融合诊断奠定基础；然后，针对同一症状的不同表现信息，采用多个模糊神经网络得到对故障的局部决策，利用模糊积分融合方法，识别出该症状所对应的故障。最后针对某液体火箭发动机的泄漏故障进行仿真，并与常规模糊神经网络故障分类器进行对比。研究表明，在对渐变故障的诊断中，本法较常规模糊神经网络故障分类器具有更好的诊断性能。     

基于指数目标函数优化的变压器局部放电故障最佳定位点估计方法

针对采用声发射传感器法测量变压器局部放电故障定位点问题,考虑多个冗余声发射传感器及其测量误差,创造性地将局部放电故障定位点的诊断问题转换为状态估计优化问题,提出了基于指数目标函数优化的变压器局部放电故障定位点最佳估计方法。该方法首先借鉴状态估计理论,定义声发射传感器伪量测和构造局部放电故障定位点量测方程;然后针对多个冗余AES定位点量测方程,以残差指数形式构造优化模型,并采用牛顿法迭代求解,得到变压器局部放电故障定位点的最佳估计值;最后通过仿真实验对所提方法进行验证,结果表明本所提方法可高精度定位变压器局部放电故障点,有效进行变压器局部放电故障定位诊断。     

一种新的稀疏分类融合方法及其在机车轴承故障诊断中的应用

针对高速列车轴箱轴承的健康状态监测中存在的故障数据不充分,单个分类器故障识别精度不高的问题,提出基于K-SVD重构残差的稀疏分类融合诊断方法。该方法利用K-SVD分解后的重构误差表征训练样本在每种故障模式下的分类趋势,根据样本的重构残差分布估计各K-SVD分类器的混淆矩阵并计算相应的可靠性矩阵,再结合D-S证据融合理论对测试样本在各K-SVD分类器下的故障识别结果进行融合分析,得到最终诊断结果。该方法在动车轴箱轴承故障试验中的应用结果表明,提出的新的稀疏分类融合方法较单一特征分类器、传统的投票融合法的识别精度有显著提高,即使是在小样本情况下其容错性、稳定性也较好,解决了高速列车轴箱轴承故障诊断中单传感器检测精度低、单一域特征信息不足即证据冲突情况下分类信息难以有效融合的问题。     

基于信息融合技术的电力变压器故障部位诊断

首先对变压器故障诊断中的可用信息进行分类,然后在分析目前诊断信息欠缺的基础上,提出信息融合诊断的思想,并针对变压器故障部位诊断,探讨了识别框架的形成、基本概率赋值函数的构造以及运用D-S证据理论进行证据组合与推理的过程,并用实例验证了该方法的有效性。     

基于信息融合技术的并发故障诊断的研究

为了诊断并发故障，文中扩展了证据理论：将并发故障状态作为设备的运行状态引入分辨框Θ中，视其为独立的运行状态，并根据不同证据体的差异程度，提出了两种不同的证据组合算法。然后，应用此两种不同的证据组合算法于并发故障诊断：第一种融合算法用来处理有相同焦点元素的证据体；第二种融合算法用来处理有不同焦点元素的证据体。该算法有利于充分利用各种证据体的有用信息，具有较强处理不确定性、不一致性证据体的能力。通过实验台转子轴承系统并发故障的诊断事例，证实了该算法的有效性。     

Fault detection and fault-tolerant control of interior permanent-magnet motor drive system for electric vehicle

This work presents a control strategy that provides fault tolerance to the major sensor faults which may occur in an interior-permanent-magnet-motor (IPMM)-based electric vehicle propulsion drive system. Failures of a position sensor, a dc-link voltage sensor, and current sensors are all included in the study assuming no multiple faults. For each possible sensor fault, a corresponding method of detection or diagnosis is provided. Additionally, once the fault is detected, the control scheme is automatically reconfigured to provide post-fault operational capability. A state observer is used to provide missing current information in the case of current sensor faults. Experimental results demonstrate the effectiveness of both the fault detection algorithm and the reconfigurable control scheme. The resulting IPMM drive system proves to be resilient to sensor failures while providing smooth transition to the post-fault operational mode.     

基于工业互联网和多传感器数据的电机故障诊断方法

提出了一种基于工业互联网和多传感器数据的电机故障诊断方法。通过各类传感器在线实时得到电机的电压、电流、振动、温度等信号的瞬时值,并转化为表征电机状态的各个特征参数。根据各个特征参数在各个故障模式下的变动情况,得到各个故障模式下故障特征及其隶属度。把故障特征与故障模式之间的关系分为充分条件和必要条件关系。按照充分条件和必要条件分类后,对每个故障模式对应的2类条件下的故障特征的隶属度进行融合,最后得出每个故障模式的隶属度,为远程运维系统决策服务。该方法既可以部署在电机远程运维工业互联网的边缘设备中,也可以部署在云平台服务程序中,实现快速而可靠的电机故障诊断。     

CFB锅炉床温的容错测量与传感器故障诊断

床温测量对于循环流化床（CFB）锅炉至关重要，直接影响炉内脱硫和脱硝。针对循环流化床锅炉床层温度信号采用分布式测量的特点，基于多个床温传感器信号的冗余性和互补性，利用多传感器信息融合技术提出一种新的床温测量的综合方法。该方法依据有限的传感器资源，消除测量中的不确定性，剔除传感器故障信息，获得更准确、可靠的测量结果，达到容错测量的目的，对于床温信号的二次利用，如燃烧优化控制具有重要意义。提出一种传感器故障诊断方法，运用模糊数学原理，分析处理故障诊断中用到的模糊信息，建立了关于故障诊断的模糊关系矩阵。给出了某循环流化床锅炉床温实际测量值的容错测量综合结果，并对故障传感器进行了诊断，证实了该方法的有效性和可行性。     

单相脉宽调制整流器传感器故障诊断与容错控制

单相脉宽调制(PWM)整流器通常采用网侧电流与直流侧电压双闭环控制系统结构,一旦其检测系统中的传感器发生故障,将导致反馈值出现偏差,影响系统的控制效果与运行安全。设计一种准确可靠的单相PWM整流器网侧电流与直流侧电压传感器故障诊断与容错控制方案。采用解析冗余的方法实现故障诊断,基于单、双极性两种调制方法的开关函数取值设计了系统滑模观测器与状态估计器;将传感器采集值与观测器估计值作差并归一化建立系统残差,故障诊断单元通过比较残差与阈值定位故障传感器并迅速采取容错控制策略,以观测器的估计值代替故障传感器的测量值实现控制系统重构。通过仿真与实验模拟了三种传感器故障,验证了所提出故障诊断与容错控制方案的有效性与可靠性。     

绕组分段永磁直线电机切换位置传感器故障诊断及容错控制

绕组分段永磁直线同步电机绕组切换过程中位置传感器信号的丢失,将导致电机速度剧烈波动,引起电机失步。针对以上问题,提出一种切换位置传感器故障诊断及容错控制方法。设计了绕组切换位置检测方法,研究了位置接近开关传感器的故障类型及信号特征,利用动子的运行速度及相邻的位置传感器信号进行传感器状态预测,并结合相邻传感器的边沿触发顺序及传感器状态预测值进行故障诊断。当检测到位置传感器故障时,隔离发生故障的传感器,采用估计值替代故障传感器输出驱动信号,可靠切换绕组分段永磁直线同步电机定子绕组,实现传感器容错控制。利用绕组分段永磁直线电机无绳提升系统进行了实验研究,研究结果表明,当增大传感器间隙,模拟传感器信号丢失故障时,电机定子绕组仍能可靠切换,电机速度运行平稳,该位置传感器故障诊断与容错控制方法可以满足绕组分段永磁直线电机切换控制实时性和可靠性要求,实验结果证明了其可行性和有效性。     

基于凸优化理论的多传感器故障诊断技术

针对DS证据理论基本概率赋值函数难以获取、证据问要求相互独立等缺点,提出了利用凸优化理论来建立满足需要的多传感器故障诊断模型。本文首先分析了传感器故障诊断报告的形式,构造了多传感器故障融合的代价函数。通过分解代价函数,将多传感器故障诊断问题转换为凸优化问题。同时利用对数罚函数内点算法求解凸优化模型,该算法结构简单,计算量小,易于实现。理论分析和仿真结果表明,基于凸优化模型的多传感器故障诊断方法较之传统的DS证据方法具有更好的识别能力、更强的鲁棒性和更广的适用范围。     

基于 DaLSTM 组合模型的电动舵机故障诊断方法

为了实现电动舵机工作过程中多种故障的一体化诊断,提出了一种基于双阶段注意力的长短期记忆网络(DaLSTM)组 合模型的故障诊断方法。 首先,将电动舵机的多源传感器信号作为输入,采用基于输入注意力和时间注意力的长短期记忆网络 (LSTM)自适应提取原始多源传感器数据中的相关特征,并通过 DaLSTM 组合模型实现多源传感器的时间序列预测。 其次,在 故障诊断时间窗口内,以不同工作状态下 DaLSTM 组合模型预测值与采样值的差值最小为决策函数诊断电动舵机的故障类型。 最后,利用公开的美国国家航空航天局(National Aeronautics and Space Administration, NASA)数据集进行时间序列预测和故障 诊断实验,对故障类别的平均识别率达到了 98. 76%,证明了该方法的有效性。