证据理论在电机故障诊断中的应用

D-S证据理论作为一种非精确推理算法具有独特的优势,非常适用于存在大量不确定性因素的电机故障诊断工作。提取故障电机的状态特征量,并将其按时域、频域、奇异值分解为多个子参数空间。在此基础上,采用并行BP神经网络及模糊聚类系统对电机故障进行局部诊断。将每个局部诊断结果作为独立的证据体,构造相应的信度分配函数。结合电机故障的信息融合诊断模型,将基于D-S证据理论的决策融合的方法应用于电机故障诊断。通过对案例进行分析,实现了利用多证据体的融合信息对电机故障状态进行诊断,其诊断结果验证了D-S证据理论在提高电机故障诊断的准确性和灵敏性方面的作用。     

基于信息融合技术的电机故障诊断

为了从多方面反映电机系统状态，实现对电机故障模式的自动识别和准确诊断，将数据融合技术与神经网络相结合，建立电机故障诊断系统。首先在数据融合级上对故障特征量进行分类处理，然后采用多层神经网络进行故障特征级融合和电机故障的局部诊断，获得彼此独立的证据，再运用D-S（Dempser sha-fer）证据理论融合算法对各证据进行融合，最终实现对电机故障的准确诊断。诊断测试试验证明，该诊断系统提高了电机故障诊断的精度，能够满足诊断的实时性要求。     

基于多传感器信息融合和神经网络的汽轮机故障诊断研究

针对传统故障诊断方法存在的诊断准确性不高的问题,提出了基于D-S证据理论的多传感器信息融合技术与BP神经网络相结合的方法,实现对汽轮机的机械故障诊断.由多个传感器采集振动信号,分别经小波变换特征提取后获得故障特征值,再经BP神经网络进行故障局部诊断,得到相应传感器对故障类型的基本可信任分配函数值,即获得彼此独立的多个证据,然后运用D-S证据理论对各证据进行融合,最终完成对汽轮机机械故障的准确诊断.实验结果表明,该方法克服了单个传感器的局限性和不确定性,是一种有效的故障诊断方法.     

基于信息融合技术的电机故障诊断

为了从多方面反映电机系统状态,实现对电机故障模式的自动识别和准确诊断,将数据融合技术与神经网络相结合,建立电机故障诊断系统。首先在数据融合级上对故障特征量进行分类处理,然后采用多层神经网络进行故障特征级融合和电机故障的局部诊断,获得彼此独立的证据,再运用DS(DempserShafer)证据理论融合算法对各证据进行融合,最终实现对电机故障的准确诊断。诊断测试试验证明,该诊断系统提高了电机故障诊断的精度,能够满足诊断的实时性要求。     

基于多数据融合的电机故障诊断方法研究

电机作为各类电驱设备的主要动力装置,具有结构简单、控制方便、能效高、无污染等优点。在电机运行过程中,受载荷多变、零部件老化、散热条件差等影响,故障频发,进而降低电驱装置的工作效率和稳定性。此外,电机故障种类繁多,各故障的征兆与表现又极其相似,不同故障产生的原因也错综复杂,这极大地提高了电机故障诊断的难度。传统的电机故障诊断过程中多是基于单一传感器信号,存在不确定性大、诊断精度差等问题,为克服上述缺点,提出一种基于多传感器参数融合的电机故障诊断方法,基于振动加速度计和电流传感器信号,结合BP神经网络算法和D-S证据理论对电机故障进行准确辨识,提高电机故障诊断的准确性。简要介绍了多传感器数据融合技术的结构框架,在分析异步电机典型故障机理的基础上,对基于BP神经网络学习算法和D-S证据理论的多传感器数据融合电机故障诊断系统进行详细分析,并通过实例对所提出故障诊断方法的有效性进行验证。研究结果表明,采用所提出的多数据融合电机故障诊断方法可以高置信度地诊断出电机的故障类型。     

基于多传感器振动信号融合的真空断路器故障诊断

根据真空断路器故障诊断特点,提出了小波包、RBF神经网络与D-S证据理论相结合的决策层信息融合诊断方法。首先,运用小波包—能量谱分析方法对振动信号进行分解处理,提取特征向量,并以此作为诊断的依据;其次,建立神经网络模型,以特征向量为RBF神经网络的输入,进行断路器初步故障诊断;然后将诊断结果作为对各种故障模式的基本概率分配值,利用D-S证据理论,实现对初步诊断结果的融合,从而得到最终的融合诊断结果。实验结果表明,该方法诊断真空断路器故障能取得良好的效果。     

基于SVM变压器故障诊断的基本信度分配函数确定方法

针对变压器故障诊断油中溶解气体的故障样本较少以及特征气体与变压器故障之间建立的非线性分类关系存在着一定的不确定性问题,提出了一种基于SVM和D-S证据理论多证据体相融合的故障诊断新方法.首先,将SVM的标准输出直接拟合Sigmoid函数得到SVM输出结果,然后,将其进行信息融合.在Visual Studi02008环境结合LIBSVM软件包对DGA数据进行试验,结果表明,该方法在变压器故障诊断中取得了较高的正判率,同时诊断输出结果包含更多信息量.     

基于QPSO-BP和改进D-S的水电机组振动故障诊断

为提高水电机组振动故障诊断的准确性,提出了一种基于改进D-S证据理论融合量子粒子群优化BP神经网络(QPSO-BP)的诊断方法。根据水电机组常见的振动故障类型,采用3个惯性权值随机调整的QPSO-BP网络分别对其进行初级诊断,并作为独立证据体应用于D-S理论的合成之中,实现了基本概率赋值的客观化。针对标准D-S无法合成高度冲突证据的缺陷,通过计算权值矩阵对其进行修正。实例分析表明,和3个初级诊断模型及标准D-S合成法相比,所提方法可以有效识别机组的振动故障,具有较高的诊断准确率。     

基于神经网络和D-S证据的电厂凝汽器故障诊断研究

火电厂凝汽器是汽轮发电机组的重要辅机之一,其工作状况对整个电厂安全和经济运行都有着决定性的影响。结合信息融合思想,提出一种基于神经网络和D-S证据理论的电厂凝汽器故障综合诊断方法,首先通过BP神经网络和CPN神经网络得到各自的诊断结果作为决策层D-S证据理论的初始证据,再利用证据理论对这些结果进行融合,得到最终的故障诊断结果。通过实例数据诊断结果表明:与单一神经网络诊断结果相比,该方法减少了误差,提高了诊断可信度。     

基于开机过程信息融合的水电机组故障诊断方法

为保证水电机组运行的可靠性,通常采用基于振动频率分析的故障诊断技术。但是水电机组故障类型间存在重叠的频率特征,仅凭频率分析不易确定故障类型。因此,文中采用信息融合技术,引入开机过程中的时间和空间特征信息,在特征层采用支持向量机作为信息融合手段,在决策层采用D-S证据理论进行信息融合。实验结果表明,信息融合增加了故障诊断的特征信息,提高了故障诊断系统的诊断能力。