基于信息融合原理的智能故障诊断模型

针对传统设备故障诊断方法中存在的局限性,文章在对设备智能故障原理和方法初步探索和研究的基础上,提出了基于信息融合原理的智能故障诊断方法。该方法利用多源异质传感器采集设备的各种特征信息,并采用模糊神经网络融合诊断中心作为诊断判决的执行机构,从而实现准确诊断设备故障诊断原因以及对设备运行工况进行态势评估的过程。并且通过对单传感器与多传感器信息融合诊断结果的对比表明多传感器信息融合诊断比单个传感器具有更高的准确性。     

基于神经网络预测与模糊度量的再融合诊断

通过分析神经网络理论和模糊度量方法的特点,提出基于神经网络预测和模糊度量方法的故障再融合诊断方法。该方法采用多个观测数据及主客观相结合的诊断方法,实现方法间的互补融合诊断,更全面、客观地辨识故障,提高故障定位能力,并给出一个液压设备故障诊断实例验证了该方法的有效性。     

应用模糊数据融合实现电子电路的故障诊断

本针模糊数据融合技术引入电子电路故障诊断之中，通过测试电子电路中的被诊断元件的工作温度和工作电压两个物理量，得出两传感器对各待诊断元件的故障隶属度，在对隶属度值进行数据融合的基础上，确定故障元件，并通过单传感器诊断结果与融合诊断结果比较，说明多传器融合的优越性。     

神经网络和模糊系统在故障诊断中的应用

本文提出了一种神经网络和模糊系统相结合的分级式故障诊断方法。神经网络通过对部分测量数据的处理，实现系统的回路级故障诊断，输出各回路故障出现的可信度。模糊系统通过对神经网络得到的初步诊断结果和其他测量值的处理，实现系统的元件级故障诊断，并对最终诊断结果作出解释。该方法融合了神经网络自适应学习能力强和模糊系统知识表达明确的优点，简化了神经网络学习数据获取及模糊推理规则建立的过程。通过对热硝酸冷却系统故障诊断的仿真，证明了该故障诊断方法的有效性。     

一种基于模糊神经网络的故障分类器及其在多传感器故障诊断中的应用􀀁

提出了一种应用模糊神经网络进行故障诊断新方法．采用模糊神经网络作为故障分类器,离线地自适应从学习样本数据中提取各个用以描述故障状态的模糊参考模型．在诊断时,此模糊神经网络在线地得到当前系统的模糊模型描述,并将与各个参考模型相匹配,从而得出正确的诊断结果．它适用范围广泛,如用于控制系统的过程对象以及传感器、执行器故障的检测与诊断．通过对燃汽轮机控制系统多传感器故障诊断的仿真证明了此法的有效性和优越性．     

基于RSOPNN的无线传感器网络节点故障诊断算法

针对无线传感器网络节点故障诊断中存在的冗余故障属性、噪声数据以及数据可靠性等问题,提出基于粗糙集-优化概率神经网络的无线传感器网络节点故障诊断算法（简称RSOPNN）。通过粗糙集从故障样本属性集合中求解故障诊断属性约简,从而去除冗余故障属性,降低冗余属性、噪声数据对故障诊断的影响,节省能耗。对于多个属性约简选择,以属性间的相关程度作为度量标准,代替常规的主观选择,从多个约简中确定最优故障诊断属性约简,解决主观选择的不合理性。以最优的故障诊断属性重构故障样本,作为优化概率神经网络的输入,建立故障分类模型,从而对故障进行诊断。实验结果表明,在不同的数据可靠性下,RSOPNN方法能够有效删减样本中的冗余属性和噪声数据,保持高效的故障诊断水平,符合无线传感器网络的需求。     

多传感器数据融合中基于模糊逻辑和神经网络的传感器管理

在多传感器数据融合系统中,传感器的管理包括两个方面的问题,一是如何优化分配现有的传感器去更好地实现融合任务;二是如何消除外界环境变化或者某些传感器出现故障时带来的影响,针对这些问题,本文在给出多传感器数据融合系统矩阵表示的前提下,提出了一种基于模糊逻辑和神经网络的传感器管理方法。分析表明该方法较好地解决了多传感数据融合系统中传感器管理问题。     

基于信息融合的神经网络模拟电路故障诊断研究

针对目前神经网络模拟电路故障诊断中存在的难点，提出了基于信息融合思想的多神经网络故障诊断方法;该方法测试电路中节点电压信号、供电电流信号，利用小波变换对检测信号进行预处理，基于主成分分析对特征矢量进行降维，根据模拟电路的不同故障模式分别建立诊断神经网络，用概率统计数据融合方法从多个神经网络中选出最优网络用于诊断故障；通过电路实例验证了新故障诊断方法的有效性，实验结果表明新方法可有效提高故障诊断性能。     

基于信息融合技术的某新型自行火炮发动机电控系统故障诊断

多传感器故障诊断过程中,由于多方面的原因,如测量噪声的存在、诊断知识的不完全等等,使得故障诊断存在着不确定性,影响到诊断结果的可靠性和准确度;通过分析某新型自行火炮发动机电控系统的故障特点,研究了一种基于BP神经网络及信息融合技术的多传感器故障诊断方法,将该自行火炮发动机电控系统的故障诊断过程分为子系统和系统级两级诊断,子系统采用BP神经网络实现故障模式分类,系统级运用D-S证据理论对整个系统故障进行综合决策评判;应用表明,在某个子神经网络识别存在差异的情况下,采用D-S证据理论进行融合可以有效地提高识别的准确性。     

基于多传感器数据融合技术的电子设备故障诊断

针对电子装备故障诊断中单一类型故障特征量和诊断方法无法完成诊断任务,导致故障诊断率不高的问题,将多传感器数据融合技术应用于多注速调管发射机装备故障诊断。构建故障诊断模型,提出把故障诊断过程分为两个层次。首先,借助不同的神经网络实现多输入信号的函数变换的功能,获得各种故障基本概率分配值;然后,在决策层利用D-S证据理论的合成法则将各神经网络诊断结果融合起来统一判决,得到最终综合诊断结果,通过实例仿真,并与初步诊断结果进行比较,结果表明早期故障识别率大大提高。     

传感器故障诊断中的数据关联方法与应用

基于信息融合技术中的数据关联技术 ,提出了将数据关联方法用于故障监测、报警的问题 ,改进了多传感器多模型相互作用的概率数据互联算法 ,结合某时变系统中传感器的故障诊断问题 ,进行了仿真分析 ,并讨论了这种方法在故障报警和预测预报中的应用。     

数据融合方法在火灾监测系统中的应用

设计了基于1-WIRE总线的火灾监测系统,采用温度、烟雾、红外传感器进行火灾检测。在数据处理方法上,首先应用模糊数学中隶属函数的概念产生各个传感器的信度函数分配,再利用D S证据理论方法对多个传感器进行数据融合,利用目标模式的判定规则对火灾的有无进行判断,较单个传感器相比,多传感器数据融合的结果具有较高的准确度和可信度。     

模糊信息融合在带式输送机故障诊断中的应用

针对带式输送机故障诊断过程中单个传感器获得的信息具有不确定性和局部性的问题,提出了一种基于多传感器模糊信息融合的故障诊断方法。该方法将温度、粉尘和烟雾传感器所获得的带式输送机信息模糊化,经过融合中心的合成运算和决策规则将其融合,从而得到精确的带式输送机状态估计与判断。实验结果表明,该方法提高了带式输送机故障诊断的准确性和可靠性。     

基于D-S理论的震动信号目标识别研究

为了解决干扰情况下地震动信号发射源的定性问题,提出了在决策层上的多传感器数据融合的识别方法。利用定位传感器组中各个传感器得到的数据,同时考虑在同一个定位组中各个传感器所得数据的置信度不同,来对地震动信号发射源性质进行识别。实验结果证明了基于D-S证据理论的目标识别数据融合后,地震动信号发射源特性识别的可靠性明显大于单个传感器的识别效果,这也表明了多传感器融合识别的可能性和有效性。     

战场目标识别中的D-S证据理论应用

为了解决干扰情况下地震动信号发射源的定性问题,提出了在决策层上的多传感器数据融合的识别方法。利用定位传感器组中各个传感器得到的数据,并考虑在同一个定位组中各个传感器所得数据的置信度不同,来对地震动信号发射源性质进行识别。实验结果证明:基于D-S证据理论的战场目标识别数据融合后,地震动信号发射源特性识别的可靠性明显大于单个传感器的识别效果,这也表明了多传感器融合识别的可能性和有效性。     

多传感器系统中基于扩展卡尔曼滤波器的在线故障检测

随着多传感器系统的广泛应用,在线故障对于系统性能影响严重,如何使得多传感器系统具有自主故障检测与诊断能力成为首要问题。根据非线性多传感器系统的输入信号、输出信号和故障阵列,建立一种具有多输入多输出处理和自调节加强功能的扩展卡尔曼滤波器（ EKF）的故障分析模型,在此基础上,提出了一种适用于多传感器系统的在线故障检测算法及其在传感器节点上的实施架构。实验结果表明：所提算法在低并发故障和高并发故障环境下均具有高准确度故障报告能力。此外,在温度传感器上实施所提算法,温度监测值的对比结果验证了所提算法比传统算法具有更好的系统性能保证能力。     

基于自适应观测器的四旋翼无人飞行器多传感器故障诊断方法

为了实现对四旋翼无人飞行器多传感器故障检测与诊断,提出一种基于自适应观测器的多传感器故障诊断方法。首先,在建立飞行器动力学模型和传感器模型的基础上,将传感器故障视为虚拟执行器故障,构建四旋翼无人飞行器多传感器故障检测与诊断系统;其次,设计非线性观测器实现多故障检测和与隔离,基于Laypunov方法设计非线性自适应观测器实现对多故障偏差值的估计;最后,在传感器测量噪声存在的情况下,证明自适应律的稳定性和参数收敛性。实验结果表明,该方法能有效进行多传感器的故障检测与隔离,实现对多传感器故障偏差的同时估计与跟踪。     

Multi-sensor calibration through iterative registration and fusion

In this paper, a new multi-sensor calibration approach, called iterative registration and fusion (IRF), is presented. The key idea of this approach is to use surfaces reconstructed from multiple point clouds to enhance the registration accuracy and robustness. It calibrates the relative position and orientation of the spatial coordinate systems among multiple sensors by iteratively registering the discrete 3D sensor data against an evolving reconstructed B-spline surface, which results from the Kalman filter-based multi-sensor data fusion. Upon each registration, the sensor data gets closer to the surface. Upon fusing the newly registered sensor data with the surface, the updated surface represents the sensor data more accurately. We prove that such an iterative registration and fusion process is guaranteed to converge. We further demonstrate in experiments that the IRF can result in more accurate and more stable calibration than many classical point cloud registration methods.     

多传感器模糊信息融合在煤矿安全中的应用

我国在矿井安全监测系统中,常采用单只传感器来实现对井下工作环境安全性的监测。为了克服单只传感器无法准确判断是否有危险发生,基于模糊集系统理论,提出一种应用多传感器模糊信息融合的监测方法,将监测设备的多只传感器所获得的信息模糊化,再将其融合,从而获取设备精确的状态估计。该方法充分利用了传感器提供的多种信息,提高了系统的识别率。实验结果表明:多传感器信息融合的识别准确率高于单传感器。因而,多传感器模糊信息融合是一种有潜力的新方法。