多PCA模型及SVM-DS融合决策的服务机器人故障诊断

针对轮式服务机器人驱动系统故障诊断问题,提出一种基于多主成分分析(principal component analysis,简称PCA)模型及支持向量机和DS证据理论(support vector machine and dempster-shafer,简称SVM-DS)融合决策的故障诊断方法,分别利用正常状态和故障状态下的传感器数据建立多个PCA模型。利用正常状态下的PCA模型实现故障的检测。传感器数据经多PCA模型特征提取后作为SVM的输入向量,实现故障的初步分离。基于混淆矩阵定义SVM的全局及局部可信度,并依据可信度值和故障初步分离结果完成基本概率分配函数的赋值,以实现SVM和DS证据理论在故障分离中的有效结合。实验结果表明,本研究方法能灵敏检测到机器人驱动系统故障的发生,故障分离平均正确率达92.6%,与传统单PCA模型的方法相比有更高的正确率和稳定性。     

基于PCA与BP神经网络的滚动轴承故障诊断

为了提高滚动轴承故障诊断效果,提出主成分分析结合BP神经网络的方法。简要介绍主成分分析法将轴承振动信号时域与频域的特征数据降维处理以及BP神经网络训练过程的原理。利用主成分分析与BP神经网络模型对凯斯西储大学轴承数据进行训练,将滚动轴承的状态类型作为网络输出结果。经过600组训练数据以及145组测试数据的仿真,结果表明主成分分析与BP网络模型比BP神经网络的训练误差精度相对提升了31.14%,测试误差精度相对提升了29.86%。     

基于HPSO-RBF神经网络的瓦斯传感器故障诊断

针对瓦斯传感器常见故障,提出一种混合粒子群优化(HPSO)算法与径向基函数(RBF)神经网络相结合的传感器故障诊断新方法。文中首先采用HPSO算法对RBF神经网络模型参数进行了优化,在详细分析瓦斯浓度影响因素的基础上,建立了瓦斯浓度非线性预测模型。然后将瓦斯浓度预测结果与实际测量值相比较得到残差,并分析残差的变化趋势,从而实现对瓦斯传感器的故障诊断。实验结果表明,HPSO-RBF模型具有较高的预测精度,能够有效地诊断瓦斯传感器的故障状态。     

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.     

基于神经网络和D-S证据理论的信息融合故障诊断方法

为了解决齿轮传动系统检测难度大、准确性不高和多点测试时信息处理复杂的问题,提取振动信号统计量特征参数、利用神经网络技术与D-S(Dempster-Shafert)证据理论相结合的信息融合故障诊断方法,实现了数据级、特征级与决策级的多级融合诊断。实验结果表明,将信息融合方法用于齿轮传动系统故障诊断,有助于综合利用故障信息,提高了故障诊断的准确性和可信度。     

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。     

基于神经网络预测器的传感器故障诊断

本文提出了一种基于神经网络时间序列预测器的传感器故障诊断方.法.通过神经网络对传感器输出时间序列建立神经网络预测模型,然后利用神经网络预测模型对传感器的预测输出和实际传感器输出之差,判断传感器是否发生故障.并利用神经网络动态跟踪特性进行在线故障诊断,辨识出了故障的大小特征.     

基于传感器网络的瓦斯传感器故障诊断

根据矿井巷道的地理特征,构建了一种用于辅助瓦斯监测的链状无线传感器网络,在分析煤矿瓦斯传感器的故障模式的基础上,提出了基于链状无线传感器网络的瓦斯传感器故障诊断技术,给出了基于该诊断技术的具体算法。在此基础上,利用Monte-Carlo模拟,研究了不同参数(瓦斯分布方差、阈值和采样频率)对算法性能的影响。仿真结果表明,在适当的阈值选择条件下,故障诊断系统的性能与瓦斯分布的方差成反比,与采样频率成正比。     

基于神经网络的气体传感器故障诊断

该文介绍了一种基于人工神经网络进行了气体传感器故障检测的新方法，文中利用单个气体传感器的输出信息为气体传感器建立了动态非线性神经网络气体传感器输出模型，并利用该模型进行在线故障检测，实际使用证明该模型具有良好的收敛性和稳定性，完全能满足对气体传感器故障在线检测的需要。     

基于PCA-改进BP神经网络的齿轮箱故障诊断方法研究

针对BP神经网络存在局部极小值和收敛速度慢等问题,文章提出了一种PCA-改进的BP神经网络的方法。实验表明,基于PCA-改进的BP神经网络的方法可以大大提高故障诊断的准确性,缩短了诊断时间。     

基于EMD与PCA分析的滚动轴承故障特征研究

研究提出了一种基于经验模式分解和多元统计过程控制的滚动轴承故障诊断方法,实现了对滚动轴承常见故障的分类研究。主要内容包括:首先,运用EMD将滚动轴承故障信号分解成不同频率尺度的单分量固有模态函数,获取了不同频率范围的信号成分;其次,对各个IMF分量进行主成分分析并建立稳态数据的主元模型,计算相应的T~2控制限;最后,将待检测轴承信号的各个IMF分量代入主元模型,获取相应的T2值从而实现故障的判断。在故障检测的基础上,详细分析了各类滚动轴承故障与不同IMF分量间的相关性,确定了故障敏感主元向量,实现了故障种类的判断。研究为滚动轴承故障特征提取和故障分类提供了理论基础和有效方法。     

一类基于统计理论的神经网络模式识别方法

本文针对用人工神经网络进行模式识别时样本特征指标过多的问题，提出用统计理论的主成分分析方法对数据进行预处理，再选出几个主成分作为神经网络的输入节点，从而极大地简化人工神经网络，提高了模式识别的效果。     

基于改进证据理论及多神经网络融合的故障分类

证据理论在合成高度冲突的证据时,得到的结果往往有悖常理。几种代表性的改进方法虽然能较好地解决此问题,但收敛速度较慢,并且利用这些改进方法组合一致证据时发散,从而限制证据理论在故障诊断领域的应用。鉴于此,提出一种基于证据可信度的证据合成新方法,并结合神经网络,提出基于改进证据理论的多神经网络融合故障分类方法。以齿轮为研究对象,将齿轮原始特征参数空间划分为多个子空间,建立各子空间对应的神经网络诊断模型,将各子神经网络的输出作为证据体,以所提出的改进证据合成方法对各证据体进行组合实现故障模式的分类识别。将所提方法与传统证据理论方法、其他代表性改进方法以及传统神经网络方法的分类结果进行对比,验证改进证据合成方法融合分类的有效性。     

基于PCA的传感器网络的故障诊断分析

主成分分析属多元统计方法,正逐步成为控制领域中一种重要的数据处理方法,用于生产监测和质量控制。本文简要地介绍了PCA中两种常用的图形分析法——Q图和主元得分法,利用统计软件——SPSS对数据进行处理,简化了复杂的运算过程,并对其数据处理过程进行了说明。最后,通过空压机远程监控系统传感器网络的实例模型,运用SPSS软件,说明了这一数据处理方式的简便、有效性和缺陷。     

基于改进D-S组合规则的故障模式分类

提出了一种改进的D-S证据组合规则,引入了基于证据之间距离测度的证据一致性指标动态描述证据的可信度.结合证据有效性和证据重要性,得到了一个综合的动态可信度和静态可信度的系数.基于该系数,提出了一种改进的D-S组合规则,该规则能够有效处理冲突较大的证据融合问题.最后用一个故障诊断的例子说明了该规则的有效性,并与其他方法作了比较.     

基于神经网络的D—S证据理论应用于多传感器目标识别

本文提出了一种基神经网络的泛化能力来计算多传感器器测量值可信度的方法,文中使用了两种类型的神经网络;CMAC和BP网络;并利用D－S证据理论将多传感器的多次测量在时间域进行融合,以获取准确可靠的融合识别结果。仿真实验表明该方法是可行的,能有效地提高系统识别率及鲁棒性。     

基于BP神经网络和D-S证据理论的火灾报警系统

将BP神经网络与数据融合理论中的D-S证据有机融合,提出一种决策级火灾报警识别方法.通过模拟实际输入信号的仿真结果发现,将BP神经网络和D-S证据理论相结合的多传感器数据融合技术,可以显著提高火灾的识别能力,有效降低火灾误报率,而且该系统具有良好的适应性,达到了预期效果.     

基于联合概率密度判别器和神经网络技术的煤种辨识方法

提出一种基于联合概率密度判别器和神经网络技术进行煤种在线辨识的方法.根据不同种类的煤燃烧时火焰的特征不同,利用三个光电传感器来获得燃烧火焰在红外、可见光和紫外三个谱段上的辐射信号,通过特征值提取得到火焰辐射信号在时域和频域内的特征值,经过主成分分析处理得到正交化的、维数压缩的特征值矢量.利用获得的正交化特征值矢量数据,建立每一已知煤种的联合概率密度判别器和神经网络模型.利用基于燃煤特征值分布的联合概率密度判别器可进行是否为新煤种的判别,非新煤种则利用神经网络模型辨识燃煤的种类.试验结果表明,在某电站锅炉所测试的四种煤的情况下,结合联合概率密度判别器和神经网络模型进行燃煤种类的辨识,20次测试的平均成功率为97.6%.     

基于D-S证据理论的航空发动机磨损故障智能融合诊断方法

油样分析方法目前已成为航空发动机磨损故障诊断的重要手段,但单一油样分析技术的诊断准确率均有限,为了提高故障诊断的精度,本文提出了基于D-S证据理论的发动机磨损故障智能融合诊断方法。首先用BP神经网络实现发动机磨损故障的单项智能诊断,然后,充分利用神经网络诊断结果,用D-S证据理论实现了磨损故障的融合诊断。最后,算例验证了本文方法的有效性。