神经网络与D-S证据理论融合的液压系统故障诊断方法（英文）

针对液压驱动火箭炮随动系统故障类型的多样性以及故障信息不确定性等问题,提出了证据理论与神经网络综合集成的故障诊断方法。为克服单一神经网络自身的缺点,在普通节点处建立2个改进神经网络模型来简化网络结构,分别以铁谱数据和压力、流量、温度特征参数作为输入向量进行初始故障诊断,并将诊断结果作为证据理论的基本概率分配,从而实现了赋值的客观化。然后,利用D-S证据理论对2个改进神经网络的初始诊断结果进行融合。实验结果表明:该方法避免了神经网络识别时的误诊,提高了液压驱动的火箭炮随动系统故障诊断的准确性。     

神经网络与 D-S 证据理论融合的液压系统故障诊断方法

针对液压驱动火箭炮随动系统故障类型的多样性以及故障信息不确定性等问题,提出了证据理论与神经网络综合集成的故障诊断方法。为克服单一神经网络自身的缺点,在普通节点处建立2个改进神经网络模型来简化网络结构,分别以铁谱数据和压力、流量、温度特征参数作为输入向量进行初始故障诊断,并将诊断结果作为证据理论的基本概率分配,从而实现了赋值的客观化。然后,利用 D-S 证据理论对2个改进神经网络的初始诊断结果进行融合。实验结果表明：该方法避免了神经网络识别时的误诊,提高了液压驱动的火箭炮随动系统故障诊断的准确性。     

基于PCA神经网络和D-S决策的瓦斯传感器故障辨识

针对瓦斯传感器故障诊断时,存在提取的样本数据空间维数大、诊断实时性差、诊断结论的识别能力低和存在不确定性的问题,提出了一种基于主元分析(PCA)-神经网络和D-S证据理论集成的故障诊断策略。使用主元分析方法对高维故障样本空间数据进行降维,再结合神经网络分类器进行故障模式识别。并且运用DS证据理论对神经网络分类器的故障诊断结果进行数据融合。仿真实验表明:该诊断方法改善了神经网络对瓦斯传感器故障诊断准确率的同时提高了诊断速度,并且降低了故障结论的不确定性以及提高了结论的识别与决策能力。     

应用于破碎机故障诊断系统中的信息融合技术

本文以该设备故障诊断为研究对象在对国内外研究现状进行深入分析的基础上给出一种基于神经网络和D-S证据理论相结合的信息融合的故障诊断方法并进行实际检验。以信息融合的基本思路,将多子神经网络和D-S证据理论综合起来设计出一套综合诊断方法,将两种方法相结合应用于故障诊断中,取得了较好的诊断效果。     

基于神经网络与D-S证据理论的故障诊断

在集成神经网络故障诊断的基础上,引入证据理论,提出将神经网络(NN)与D-S证据理论结合的故障诊断方法(NN-DS诊断方法).多个征兆域分别用神经网络进行局部诊断,从每一个网络都可以得到各自的诊断结果,再用D-S证据理论对这些诊断结果进行全局融合,得到综合诊断结果.算例分析表明了该方法的正确性.     

基于神经网络与D-S证据理论的故障诊断

在集成神经网络故障诊断的基础上,引入证据理论,提出将神经网络(NN)与D-S证据理论结合的故障诊断方法(NN-DS诊断方法).多个征兆域分别用神经网络进行局部诊断,从每一个网络都可以得到各自的诊断结果,再用D-S证据理论对这些诊断结果进行全局融合,得到综合诊断结果.算例分析表明了该方法的正确性.     

CNN和D-S证据理论相结合的齿轮箱复合故障诊断研究

针对齿轮箱复合故障诊断问题,将深度卷积模型(CNN)和D-S证据理论相结合,对多传感器信息进行融合。首先,利用深度卷积模型对多个传感器信息进行自适应特征提取,经softmax进行初步分类。其次,将深度卷积模型的输出结果作为D-S证据理论的输入,计算出基本概率分配,根据Dempster合成法则进行决策融合。为验证此方法对齿轮箱复合故障诊断的有效性,使用BP神经网络与D-S证据理论模型作为对比,并对自适应提取的特征与人工特征进行了主成分分析(PCA)。实验结果表明,利用该方法对齿轮箱复合故障进行实验诊断,准确率达到84.58%。相比单一传感器,正确率提高了7.91%;相比BP神经网络与D-S证据理论模型,正确率提高了6.18%,验证了此方法的有效性。     

伪证据识别在机械故障诊断中的研究

针对多传感器信息在故障诊断中可能存在伪证据,造成证据间剧烈冲突使经典证据理论合成规则失效的问题,利用Dempster-Shafer合成规则中一致证据的聚焦性,提出一种新的伪证据识别方法,构造出新证据取代原来的伪证据进行证据合成,削弱了伪证据的不良影响。在构建的基于多传感器信息融合的故障诊断识别框架中,运用改进的证据合成方法对发动机的故障进行诊断,将此诊断结论与其他证据理论的诊断结论进行了比较。结果表明,该方法可有效提高机械故障诊断的准确率,验证了此方法的可靠性和优越性。     

基于证据理论的齿轮故障诊断

针对传统方法在齿轮故障诊断中可靠性不高的问题,提出了基于证据理论的混合诊断算法.根据齿轮故障特征向量,采用两个并行的BP神经网络进行局部故障诊断,获得彼此独立的证据.再用证据理论对各证据进行融合,最终实现对齿轮的故障诊断.实例结果表明,该方法可充分利用各种故障的冗余和互补信息,有效地提高诊断的可信度.     

基于D-S证据理论的液压泵故障诊断

介绍了D-S证据理论的基本概念、基本理论,讨论了基于D-S证据理论信息融合的故障诊断方法,并将其应用于液压泵故障诊断中。结果表明基于D-S证据理论的信息融合诊断方法可以充分利用多个传感器信息的冗余性与互补性,实现比单一传感器神经网络诊断更为准确和可靠的诊断结果。     

Fault diagnosis of axial piston pumps with multi-sensor data and convolutional neural network

Axial piston pumps have wide applications in hydraulic systems for power transmission. Their condition monitoring and fault diagnosis are essential in ensuring the safety and reliability of the entire hydraulic system. Vibration and discharge pressure signals are two common signals used for the fault diagnosis of axial piston pumps because of their sensitivity to pump health conditions. However, most of the previous fault diagnosis methods only used vibration or pressure signal, and literatures related to multi-sensor data fusion for the pump fault diagnosis are limited. This paper presents an end-to-end multi-sensor data fusion method for the fault diagnosis of axial piston pumps. The vibration and pressure signals under different pump health conditions are fused into RGB images and then recognized by a convolutional neural network. Experiments were performed on an axial piston pump to confirm the effectiveness of the proposed method. Results show that the proposed multi-sensor data fusion method greatly improves the fault diagnosis of axial piston pumps in terms of accuracy and robustness and has better diagnostic performance than other existing diagnosis methods.     

基于D-S证据理论的液压泵故障诊断

介绍了D-S证据理论的基本概念、基本理论,讨论了基于D-S证据理论信息融合的故障诊断方法,并将其应用于液压泵故障诊断中。结果表明,基于D-S证据理论的信息融合诊断方法可以充分利用多个传感器信息的冗余性与互补性,实现比单一传感器神经网络诊断更为准确和可靠的诊断结果。     

基于信息融合技术的旋转机械故障诊断

简要介绍了多传感器信息融合技术，并结合旋转机械振动故障诊断系统的要求与特点，探讨了信息融合技术用于故障诊断系统的基本层次结构。将信息融合的层次与故障诊断的功能相对应，提出了旋转机械振动故障诊断的信息融合模型。神经网络和证据理论相结合应用于故障诊断的新方法，提高了故障诊断系统的灵活性、效率和准确性。     

基于加权D—S证据理论信息融合的故障诊断方法及其应用

针对新产品因故障概率数据掌握不充分使其故障诊断较为困难的问题,提出了一种基于加权D—S证据理论多源信息融合的故障诊断方法。该方法采用D-S证据融合,解决了缺乏故障概率分布模型或准确数学分析无效的问题,引入加权Ds证据理论融合方法进行故障诊断,用历史故障估计的正确率作为确定信息源当前检测估计值的置信程度调整,实现了故障诊断的历史数据对当前诊断结果的修正。对新型船舶气象仪故障诊断结果表明,该方法在故障概率和故障经验知识掌握不充分时,实现故障诊断是非常有效的。     

多传感器信息融合方法在钻井事故诊断中的应用

论述了信息融合技术的特点、形式结构和具体的处理方法，并从信息论的角度论证了信息融合技术在故障诊断中的可行性和有效性；在此基础上，将钻井事故诊断与信息融合相结合，提出了一种基于信息融合技术的钻井事故诊断模型和方法。提出了一种在不同识别框架下的证据组合规则，用现场采集的多组数据进行试验，及时发现数据异常，并诊断可能的事故发生倾向。可充分利用传感器的冗余或互补信息，减少传感器状态的不确定性，提高了识别事故的精度和准确度。     

基于多传感器融合信息的故障诊断

研究了多传感器信息融合技术应用于复杂设备系统状态监测和故障诊断的方法。简述了多传感器信息决策层融合及 Dempster- Shafer证据理论的基本内涵 ,研究了基于 Dem pster- Shafer证据理论的决策层信息融合进行状态监测和故障诊断的算法 ,利用这一方法对柴油机的工作过程多种故障进行了诊断识别应用 ,其分析结果表明 ,该方法可有效地提高柴油机故障诊断的准确性和可靠性。     

Kalman滤波和BP网络在齿轮箱故障诊断中的应用

针对得到的齿轮箱运行中振动信号信噪比低而引起的故障识别精度低的问题,提出了一种新的基于卡尔曼滤波与BP神经网络的设备故障诊断方法,卡尔曼滤波的作用是对振动信号降噪处理然后提取特征,而BP网络则可实现故障的识别。通过算法仿真以及齿轮箱实验可证明,结合此种算法便可解决信噪比低的问题,与此同时也提高了故障识别精度。     

基于全矢增强深度森林的旋转设备智能故障诊断方法

针对传统智能诊断方法需要专家知识和复杂特征提取，而深度神经网络模型复杂度高、构建难度大，以及单源信号信息不完备等问题，提出了一种新颖的全矢数据融合增强深度森林的旋转设备故障诊断方法。该方法根据旋转设备振动信号的特点，选择全矢谱技术与深度森林多粒度扫描相结合，用于接收同源双通道信号输入，增强了数据的完备性，并通过改善深度森林级联层来减少深层特征消失和特征冗余。为了验证所提出方法的有效性，分别进行了滚动轴承与轴向柱塞泵两例故障诊断实验研究，结果表明，该方法在不同旋转设备上都有很好的诊断效果，并可以实现端到端故障诊断。此外，该方法在小训练数据集上的故障识别准确率也非常高。     

基于证据理论的免疫检测器在轴承故障诊断中的应用

针对旋转机械故障诊断的不确定性问题,提出一种基于证据理论的数据融合故障诊断方法,把5种无量纲免疫检测器的敏感因子和信息因子通过D-S联合规则联合多个证据组形成-个新的综合证据组,建立多故障特征信息融合诊断框架,充分利用不同证据体的冗余和互补故障信息,通过对不同轴承故障进行分析,结果表明,此方法能有效地减少诊断的不确定性,提高故障诊断的准确性.