集成神经网络信息融合技术在旋转机械故障诊断中的应用

结合单子神经网络信息融合在故障诊断中的不足不之处,讨论了集成神经网络信息融合的优点并提出了集成神经网络信息融合的组成结构、组建原则以及集成神经网络信息融合在故障诊断中的应用,最后应用集成神经网络对机械故障诊断进行了仿真。     

信息融合技术在旋转机械故障诊断中的应用

提出了一种利用多路传感器采集信息,将小波、神经网络和D-S推理有机结合起来的综合故障诊断方法,并对旋转机械的典型故障进行了诊断测试,实验结果表明该方法和利用单一传感器信息进行诊断相比具有容错性、互补性强和诊断精度高的优点.     

基于信息融合的机械故障诊断

将两个传感器的信息融合,通过多源信息的综合、分析和推理,得出了叶片振动频率信息,提高了传感器系统的有效性,克服单个传感器只能测得叶片振幅值信息的局限性.     

舰载柴油机信息融合故障诊断技术研究

介绍了基于信息融合的舰载柴油机故障诊断技术.融合柴油机热工、油液及振动3大类信息,采用自适应谐振理论( ART)和BP网络相结合的决策级融合技术,建立了融合诊断技术模型,结合实例说明了该模型的诊断原理,并验证了该诊断方法的有效性.结果表明:新型神经网络模型既可以解决并发故障诊断问题,也可以解决新的故障类型诊断问题.     

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。     

全息谱技术在现场动平衡前故障诊断中的应用

结合工程实践,具体介绍了以多传感器信息融合为基础的全息谱技术,包括初相点分析方法、全息谱力和力偶分解方法,以区分不平衡与其他常见转频故障,并进一步判明不平衡类。工程诊断实例验证了该技术能有效提高现场动平衡精度和效率。     

基于神经网络信息融合的柴油机故障诊断

本文论述了神经网络信息融合的原理与方法,首先就BP网络训练速度慢,易陷入局部极小点的问题,提出将附加动量项与自适应学习速率相结合的改进BP算法,有效地抑制了网络陷于局部极小并提高了收敛速度。最后,将振动信号与血管压力信号作为特征参数,分别采用传统BP算法,改进BP算法对供油系统的三种故障进行信息融合诊断分析。实践表明,神经网络信息融合方法非常适用于多征兆机械系统的故障诊断。     

多传感器信息融合技术与机械故障诊断研究

针对机械设备的大型化、智能化、复杂化,研究了多传感器信息融合的方法与特点,探讨了其在机械设备故障诊断中的应用前景,为机械设备故障诊断的研究指明了方向.     

矢功率谱与概率神经网络结合在旋转机械故障诊断中的应用研究

与传统功率谱相比,矢功率谱融合了多通道的能量信息,反映的信息更全面,而概率神经网络学习速度快、收敛性好,基于此,结合矢功率谱和概率神经网络,提出一种故障诊断的新方法,该方法是以矢功率谱作为特征输入到概率神经网络分类器进行故障识别,并应用到旋转机械故障诊断中。实验结果表明,该方法是有效的。     

基于神经网络的信息融合故障诊断技术

利用神经网络技术建立信息融合中心 ,对多传感器数据进行融合处理 ,通过多源互补信息减小故障诊断系统的不确定性。文中讨论了神经网络多传感器信息融合方法中数据预处理与特征提取、特征向量维数压缩与关联、归一化处理方法等 ,同时 ,对神经网络的构造以及学习训练等内容 ,也作了较为详细的讨论。通过对柴油机振动监测数据、燃油压力波动信息、以及两者融合信息的故障诊断性能的比较 ,表明神经网络多传感器信息融合方法用于复杂机械的故障诊断是可行和有效的     

基于信息融合与神经网络的复合振动故障诊断

依据复合故障特性,提出了一种基于信息融合与神经网络的复合振动故障诊断方法。进行了传感器级的时间跨度的特征融合,然后再实行全局的空间跨度的融合。融合过程基于神经网络式特征提取,该方法可以在系统状态未知的情况下。自适应地融合不同故障测点的信息。从而较全面、准确、及时地反映系统的振动故障状态。并以汽车动力系统复合故障的诊断事例详细说明了该方法的具体实现步骤。结果表明,经过多故障特征信息融合,诊断结论的可信度明显提高,不确定性明显减小,显示了该诊断方法的有效性。     

多传感器信息融合在电机绝缘故障诊断中的应用

随着检测技术、信号处理技术、智能技术的进步,故障诊断技术得到了很大的发展,但是目前对电机的故障诊断技术仍因为各种原因存在着很大的不确定性。其诊断系统依然是基于单个参数(如电流、振动、温度、润滑油成分)所能携带的故障特征来进行诊断,由于模型或者环境的不确定性导致这些诊断结果模糊不清甚至错误。分析了传统绝缘故障诊断方法中存在的不确定性弊端,介绍了利用多传感器信息融合进行故障诊断、建立融合故障诊断系统的优越性。     

基于多源信息融合的往复式压缩机故障诊断方法

往复式压缩机结构复杂,振动激励源多,故障关联性较强,需要依靠多种类型的传感器所采集的信息来对往复式压缩机故障进行诊断。在融合往复式压缩机多种类型传感器采集的特征信息基础上,提出一种基于多源信息融合的往复式压缩机故障诊断方法,构建信息融合诊断框架。利用往复式压缩机多种类型传感器所采集的数据信息构建特征证据体,使用径向基神经网络对每个证据体进行初步诊断,根据加权证据融合理论融合各个证据体初步诊断结果,得到最终诊断结果。使用提出的方法对往复式压缩机3种工况的试验数据进行融合诊断,诊断结果表明：使用加权证据融合理论融合多源传感器信息的诊断结果可信度高,不确定性小,能够准确对往复式压缩机故障状态进行诊断识别。     

信息融合技术在托辊轴承故障诊断中的应用

将信息融合技术引入矿用输送机托辊轴承故障诊断中,通过对托辊轴承故障特征信息的提取,利用神经网络技术和Dempster-Shafer证据理论对其进行数据融合,实现对托辊轴承故障的融合诊断,并结合示例进行了详细论述。     

多特征信息融合的贝叶斯网络故障诊断方法研究

针对轴向柱塞泵故障特征的模糊性和不完备性特点,提出一种多特征信息融合与贝叶斯网络相结合的故障诊断方法。该方法从柱塞泵采集的振动信号中提取出频域和幅域的多个故障特征,并将这些特征当作来自多个不同传感器的多源信息。利用贝叶斯参数估计算法进行多特征信息融合。通过构造贝叶斯网络并建立贝叶斯分类器来简化融合后的结果,通过最大后验概率估计值的计算进行故障识别。经过轴向柱塞泵多故障模式的诊断实验,验证了该方法能够有效地实现柱塞泵柱塞松靴和脱靴故障的诊断。     

基于多传感器信息融合的贝叶斯网络故障诊断方法研究及应用

针对齿轮泵信号具有复杂性和模糊性的特点,提出了一种基于多传感器信息融合的贝叶斯网络故障诊断方法。分析了齿轮泵振动和压力信号特点,以此为基础提取了振动信号的能量特征、分形特征和压力信号的高频压力脉动3种特征属性,构建了多故障贝叶斯网络对特征进行融合,设计了贝叶斯分类器,通过最大后验概率准则识别故障类型。两次融合结果表明:多传感器信息完备了特征空间,提高了诊断正确率,能够有效实现齿轮泵多种故障的诊断,具有较好的应用价值。     

火电机组信息融合故障诊断方法及其发展

简要叙述了火力发电机组信息融合故障诊断技术的发展情况,介绍了信息融合的基本概念,总结了在火电机组融合诊断中常用的一些融合方法,包括多种融合方法相结合的形式,重点提到了一种新的信息融合定量诊断方法——信息熵,并预测了火电机组融合诊断今后的发展方向     

基于多源信息融合技术的动车故障诊断

介绍多源信息融合故障诊断方法,以及动车故障诊断特点和常见故障类型。以制动系统为例,分析该方法的可行性和实现步骤。建立基于多源信息融合和神经网络的故障诊断系统,通过多种信号的融合诊断,减小系统的不确定性,从而提高故障诊断的可靠性。