基于分层式证据推理的信息融合故障诊断方法

针对基于信息融合的故障诊断方法中,诊断证据的精细化获取问题和在线诊断信息量受限问题,提出分层式的证据推理(ER)诊断方法.在诊断证据获取过程中,给出故障特征参考值投点方法,按比例求取特征样本点对相邻参考值的相似度,生成点值型参考证据矩阵(REM)和在线故障特征样本的诊断证据,实现了诊断信息的精细化提取;在证据融合过程中,设计分层式ER融合模型.第1层融合中利用k-NN算法找到在线样本的近邻历史样本,然后利用ER规则实现在线样本与近邻历史样本对应证据的融合.在第2层融合中,将多个特征源提供的第1层融合结果再次融合,并根据两层融合所获证据进行故障决策;此外,在分层融合模型中,根据证据之间的欧氏距离构造目标函数及相应的证据重要性权重优化方法.最后,在多功能电机转子试验台上实施了故障诊断实验,与已有单层ER模型诊断结果进行比较,说明所提方法通过提升诊断证据的精确性、增加历史样本扩充诊断信息量,能够有效提升确诊率.     

评估诊断证据可靠性的信息融合故障诊断方法

在基于证据理论的信息融合故障诊断方法中,诊断证据的可靠性高低将会直接影响诊断结果的准确性.而现有的大多数方法并没有全面地评估证据的可靠性,从而常常导致融合诊断结果的不准确.决定证据可靠性的因素主要有传感器的精度与证据获取方法的性能,以及传感器运行环境中的不确定性因素,可将它们分别理解为静态和动态因素.本文利用基于Pignisti。的指标函数优化算法获得静态折扣因子,用其对原证据进行修正;接着提出基于Pignistic向量的证据相似度度量方法获取动态折扣因子,用其对证据进行再次修正,并利用Dempster组合规则融合经两次修正后的证据,得到诊断结果.最后,通过在多功能柔性转子试验台上的实验,验证了所提方法的有效性.     

基于证据理论和混淆矩阵的传感器可靠性评估

在信息融合系统中,各传感器提供的信息不一定完全可靠,在融合前有必要对传感器的可靠性进行评估,进而对其提供的信息进行预处理。基于证据理论,在传感器混淆矩阵的基础上定义了后验概率向量,通过分析后验概率向量与传感器输出证据之间的关系对传感器可靠性进行评估;然后利用传感器的可靠性因子对证据进行折扣运算,实现对信息的预处理;最后利用Dempster组合规则进行融合。基于证据理论的融合识别算例表明,所提出的方法综合利用了传感器的先验信息和动态输出,可以较好地反映传感器的性能,并能够有效降低可靠性传感器的影响,具有较好的融合效果。     

基于诊断证据静态融合与动态更新的故障诊断方法

提出一种将诊断证据静态融合与动态更新相结合的故障诊断方法.在静态融合阶段,利用Dempster组合规则融合每个时刻的多条局部诊断证据,获取静态融合证据,并给出基于证据距离的故障信度静态收敛指标;在动态更新阶段,基于条件化的线性组合更新规则,利用当前时刻静态融合证据更新历史证据,获取更新后的全局性诊断证据,并给出基于S函数的故障信度动态收敛指标.在两个阶段中,基于静态和动态信度收敛性指标函数,分别给出相应的优化学习方法,获取静态融合中局部诊断证据的静态折扣系数、动态更新中历史与当前证据的更新权重系数等参数的最优值.在最大信度原则下,利用更新后获取的诊断证据做出诊断决策.最后,通过在电机柔性转子实验台上的诊断实验,将所提方法与已有的典型融合诊断方法进行了对比分析,说明所提出的融合诊断方法及其性能指标函数和参数优化方法的有效性.     

运用信息融合的电路故障诊断方法研究

针对采用传统故障诊断方法进行电子电路故障元件诊断存在不确定性问题,从DS证据理论的基本概念和证据的融合推理方法出发,提出了采用多信息融合进行电路故障诊断的新方法.该方法通过测量待诊断电路中元件的工作温度、电压这两个参数,获取传感器对待诊断元件的信度函数,然后利用DS联合规则得出融合信度函数,进而确定故障元件.故障诊断实例的结果表明,诊断结论的可信度明显提高,不确定性明显减小,该诊断方法较传统方法更准确有效.     

基于幂均算子和证据理论的故障诊断方法

将证据理论在处理不确定性信息方面的优势用于故障诊断，可提高诊断的精确度和准确性.从证据理论的角度来看，从每个发动机传感器获得的信息可以看作一条证据，基于多传感器信息的发动机故障诊断即是一个证据融合问题.本文使用证据理论作为描述发动机状态的多传感器信息建模方法.首先，在处理特征值样本数据时，引入幂均算子的方法以提高整个故障诊断系统的准确性；通过量化待测特征值和故障原型之间的距离生成基本概率分配函数；然后引入证据信息量的方法对融合后的结果进行性能评估；最后通过发动机故障案例对该方法进行验证，并与其它方法进行对比，结果充分证明了该方法的真确性与可靠性.     

基于属性层次模型的柴油机故障证据融合方法

针对证据理论在覆盖率高的柴油机故障诊断中容易出现证据融合误差的问题,提出一种基于属性层次模型的证据融合方法.首先,通过余弦相似度改进目标层权重算法,得到反映目标层不同证据源差异的本质差异因子;然后,采用贝叶斯网络规则改进属性层权重算法,计算相关联的属性层证据源熵值权重;最后,通过故障层次关联特性和CWAA算子修正证据理论融合规则,将不同层次属性权重有效融合,减少系统复杂性引起的诊断误差.在R6105AZLD柴油机台架上的实验结果表明,引入所提方法后的诊断准确度和鲁棒性大幅提高.     

基于D-S融合的电子电路故障诊断研究

根据电子电路故障元件诊断的不确定性问题,给出了多传感器D-S信息融合实现电路故障诊断的方法。通过检测电路工作时电子元件的温度和关键点电压两方面数据信息,得出两传感器对各待诊断元件的信度函数分配。再利用D-S联合规则结合模糊逻辑理论,得到融合后的信度函数分配,从而确定故障元件。实验结果说明:多传感器融合算法具有较高的准确率。     

电子部件故障诊断的Dempster-Shafer信息融合算法

针对电路故障元件诊断的不确定性问题,给出了光电雷达电子部件故障定位的多传感器Dempster-Shafer(DS)信息融合方法.通过测试电路中的被诊断元件的工作温度和工作电压,得出了DS证据理论中两传感器对各待诊断元件的信度函数分配,再分别利用利用模糊规则和DS联合规则得到融合后的信度函数分配,从而确定故障元件.单传感器诊断与融合诊断的结果比较说明多传感器融合算法具有较高的准确性,而模糊融合算法与DS算法的结果比较则说明DS算法在故障诊断方面更具有优越性.     

机载光电传感器图像融合识别的D-S证据理论方法

针对机载光电传感器获得的图像信息的不确定性与模糊性,提出利用D-S证据理论对多图像传感器信息进行融合处理的方法.首先对各图像传感器获得的同一场景图像分别进行预处理,然后对预处理后的图像提取其矩特征,通过与目标图像数据库中图像特征的对比分析,利用灰色系统理论方法获取各传感器的基本概率赋值,最后根据D-S证据理论的组合规则与决策规则获得多图像传感器的融合识别结果.仿真结果表明该方法能提高目标识别的准确度,降低传感器获取的信息的不确定性.     

基于直觉模糊集的时域证据组合方法研究

证据理论已广泛应用于时空信息融合领域,由于时域信息融合表现出明显的序贯性和动态性,为实现基于证据理论的时域信息融合,有效处理时域冲突信息,结合证据可靠性评估和证据折扣的思想,在直觉模糊框架内提出了一种基于复合可靠度的时域证据组合方法.首先定义一种基于可靠度的直觉模糊数排序方法,在此基础上提出一种基于直觉模糊多属性决策的证据可靠性评估方法;然后,基于此方法对时域信息序列中相邻时间节点的证据可靠性进行评估,得到时域证据的相对可靠性因子;最后,结合由时域证据可靠度衰减模型得到的实时可靠性因子,得到时域证据的复合可靠性因子,再基于证据折扣运算和Dempster证据组合规则提出一种基于复合可靠度的时域证据组合方法.数值算例和仿真表明,该方法具有较强的时间敏感性,充分体现了时域信息融合的动态性特点,可以较好地处理时域证据中的冲突信息,基于该方法构建的融合识别系统具有较强的抗干扰能力.     

基于DPCA和改进证据理论的融合式故障诊断

为了利用同一设备的多源特征信息提高故障诊断的准确性,提出了一种基于动态主元分析法（DPCA）和改进证据理论的融合式故障诊断方法。该方法利用DPCA在多个层面对设备故障特征诊断构成多证据体,基于统计误差的证据权威性系数修正基本指派概率,提出了证据的时间权威性换算和冲突度的加权分配方法,改进了证据组合规则。实验结果表明,多信息源证据体的加权融合处理能够明显降低单一信息源诊断间的冲突,在融合可信度提高50%左右的同时不确定性大大降低,并且随着证据权威性的下降,诊断结果基本未受影响,该方法可以有效提高故障诊断的准确率。     

基于信息融合的柴油机故障诊断技术

针对传统柴油机故障诊断方法诊断准确率不高的问题，提出了一种多传感器信息融合的方法，将模糊神经网络与D—S证据理论结合起来，使两者优势互补；通过简化网络结构提高局部诊断网络的诊断能力，并使证据理论的基本可信度分配不再完全依赖专家进行的主观化赋值，实现赋值的客观化；通过建立的多传感器信息融合系统对柴油机的故障进行识别，使不同的信息源相互补充，很好地建立故障与征兆之间的定量映射关系，获得对故障状态的最优估计和判决。     

基于信息熵的D-S证据理论及其在传感器融合中的应用

从证据本身和证据之间的相互关系两个方面分析了证据的可信度及相应在融合过程中获得的权重.引入了证据信息熵的概念,并给出了从证据本身确定可信度的方法.为了从证据之间的相互关系考察证据的可信度,给出了描述证据间相互支持的模糊关系矩阵,并依此来影响各传感器对于融合数据的重要性.实验验证了所提方法的有效性和鲁棒性.     

基于模糊逻辑和组合证据理论的信息融合技术在网络管理中的应用

研究基于模糊逻辑和组合证据理论的综合信息融合技术在网络管理中的应用．研究了用于网络管理的来源于多信息源的关联规则的融合方法和推理机制，以及故障与故障原因的模糊关系和模糊规则的融合方法及推理机制；在故障定位方面，采用组合证据理论对网络专家、规则推理和模糊推理所给出的故障原因进行融合得出综合的诊断结果。     

基于D-S融合的混合专家知识系统故障诊断方法

复杂流程工业过程知识类型多样且含有多种不确定性,针对这些问题提出一种基于D-S融合的混合知识系统故障诊断方法.根据可利用信息的类型建立不同的专家知识系统并进行不确定性推理.通过分析当前信息的数据特点,自适应分配不同专家知识系统可靠性权重,通过权重D-S证据理论融合各专家知识系统的结论.这种方法不仅使用了专家的知识和经验,而且结合了生产过程积累的大量数据信息,提高了信息的利用率.通过融合多个专家知识系统的结论,提高了不确定性系统故障诊断的正确率.将该方法应用于某湿法冶金浓密过程故障诊断,取得了良好的诊断效果.     

基于D-S证据理论的故障综合诊断方法

针对单个诊断方法故障信息的模糊性和分散性，建立了基于证据理论的综合诊断方法。其中融合策略灵活多变，且模型已由单故障模式推广到多重故障模式，使之更适应实际工程诊断需要。最后应用其对某转子系统故障进行了诊断，结果表明方法行之有效。     

基于灰色关联和D-S证据理论的感应电转子故障诊断

针对单一的灰色关联或D-S证据理论在转子故障诊断中存在的不足,将灰色关联和D-S证据理论相融合的决策级信息融合方法应用到感应电机转子故障诊断中;首先用灰色关联对故障进行初步诊断,然后,将灰色关联分析的诊断输出结果作为D-S证据理论的基本概率分配,最后,依据证据组合规则进行合成,得出转子故障的最终诊断结果;实验仿真结果验证了方法在转子故障诊断中的有效性,可以减小诊断的不确定性,提高故障的诊断准确率和诊断精度。     

一种新的基于多样性赋权证据推理的集成学习方法

在集成学习中使用平均法、投票法作为结合策略无法充分利用基分类器的有效信息,且根据波动性设置基分类器的权重不精确、不恰当。以上问题会降低集成学习的效果,为了进一步提高集成学习的性能,提出将证据推理(evidence reasoning, ER)规则作为结合策略,并使用多样性赋权法设置基分类器的权重。首先,由多个深度学习模型作为基分类器、ER规则作为结合策略,构建集成学习的基本结构;然后,通过多样性度量方法计算每个基分类器相对于其他基分类器的差异性;最后,将差异性归一化实现基分类器的权重设置。通过多个图像数据集的分类实验,结果表明提出的方法较实验选取的其他方法准确率更高且更稳定,证明了该方法可以充分利用基分类器的有效信息,且多样性赋权法更精确。