证据理论在电机故障诊断中的应用

D-S证据理论作为一种非精确推理算法具有独特的优势,非常适用于存在大量不确定性因素的电机故障诊断工作.提取故障电机的状态特征量,并将其按时域、频域、奇异值分解为多个子参数空间.在此基础上,采用并行BP神经网络及模糊聚类系统对电机故障进行局部诊断.将每个局部诊断结果作为独立的证据体,构造相应的信度分配函数.结合电机故障的信息融合诊断模型,将基于D-S证据理论的决策融合的方法应用于电机故障诊断.通过对案例进行分析,实现了利用多证据体的融合信息对电机故障状态进行诊断,其诊断结果验证了D-S证据理论在提高电机故障诊断的准确性和灵敏性方面的作用.     

基于多数据融合的电机故障诊断方法研究

电机作为各类电驱设备的主要动力装置,具有结构简单、控制方便、能效高、无污染等优点。在电机运行过程中,受载荷多变、零部件老化、散热条件差等影响,故障频发,进而降低电驱装置的工作效率和稳定性。此外,电机故障种类繁多,各故障的征兆与表现又极其相似,不同故障产生的原因也错综复杂,这极大地提高了电机故障诊断的难度。传统的电机故障诊断过程中多是基于单一传感器信号,存在不确定性大、诊断精度差等问题,为克服上述缺点,提出一种基于多传感器参数融合的电机故障诊断方法,基于振动加速度计和电流传感器信号,结合BP神经网络算法和D-S证据理论对电机故障进行准确辨识,提高电机故障诊断的准确性。简要介绍了多传感器数据融合技术的结构框架,在分析异步电机典型故障机理的基础上,对基于BP神经网络学习算法和D-S证据理论的多传感器数据融合电机故障诊断系统进行详细分析,并通过实例对所提出故障诊断方法的有效性进行验证。研究结果表明,采用所提出的多数据融合电机故障诊断方法可以高置信度地诊断出电机的故障类型。     

证据理论在电机故障诊断中的应用

D-S证据理论作为一种非精确推理算法具有独特的优势,非常适用于存在大量不确定性因素的电机故障诊断工作。提取故障电机的状态特征量,并将其按时域、频域、奇异值分解为多个子参数空间。在此基础上,采用并行BP神经网络及模糊聚类系统对电机故障进行局部诊断。将每个局部诊断结果作为独立的证据体,构造相应的信度分配函数。结合电机故障的信息融合诊断模型,将基于D-S证据理论的决策融合的方法应用于电机故障诊断。通过对案例进行分析,实现了利用多证据体的融合信息对电机故障状态进行诊断,其诊断结果验证了D-S证据理论在提高电机故障诊断的准确性和灵敏性方面的作用。     

基于神经网络和D-S证据的电厂凝汽器故障诊断研究

火电厂凝汽器是汽轮发电机组的重要辅机之一,其工作状况对整个电厂安全和经济运行都有着决定性的影响。结合信息融合思想,提出一种基于神经网络和D-S证据理论的电厂凝汽器故障综合诊断方法,首先通过BP神经网络和CPN神经网络得到各自的诊断结果作为决策层D-S证据理论的初始证据,再利用证据理论对这些结果进行融合,得到最终的故障诊断结果。通过实例数据诊断结果表明:与单一神经网络诊断结果相比,该方法减少了误差,提高了诊断可信度。     

灰色理论PNN和D-S集成的汽轮机组故障诊断

汽轮机组发生故障的原因多且复杂,若是仅采用单一的故障诊断方法进行故障诊断,可能会存在误诊或漏诊的问题.为了解决此类问题,同时为了提高故障诊断的可靠性,所以引入D-S理论进行融合故障诊断.针对汽轮发电机组故障的特点,提出了一种基于灰色理论-PNN(概率神经网络)和D-S理论集成的故障融合诊断策略.该策略先采用灰色理论和P...     

基于频谱及轴心轨迹图的汽轮机故障诊断

采用频谱及轴心轨迹图的方法提取仿真台得到的故障振动信号特征,分别建立子BP神经网络,并采用D-S证据理论对子BP神经网络的输出进行融合(多层信息融合)方法,从不同侧面对故障进行诊断。结果表明:采用多层信息融合方法的故障诊断置信度比频谱方法提高约0.03,比轴心轨迹图方法提高0.4,效果显著;对故障类型的识别准确率具有显著提高。     

基于D-S证据理论的感应电动机转子故障诊断方法研究

提出运用D-S(Dempster-Shafer)证据理论对感应电动机转子断条故障进行识别的故障诊断方法.基于小波包变换的频率划分特性,对定子电流信号进行小波包分解,建立了转子断条故障的特征矢量,提取转子断条故障的特征信息,利用BP神经网络对其识别的结果形成彼此独立的证据,并根据D-S证据融合规则进行融合处理,以实现对电动机转子断条故障的准确识别.实验结果表明,该方法克服了传统基于FFT分析方法难以提取故障特征频率分量的难点,提高了故障诊断的判决精度,可实现转子断条故障的可靠诊断.     

基于信息融合技术的电机故障诊断

为了从多方面反映电机系统状态，实现对电机故障模式的自动识别和准确诊断，将数据融合技术与神经网络相结合，建立电机故障诊断系统。首先在数据融合级上对故障特征量进行分类处理，然后采用多层神经网络进行故障特征级融合和电机故障的局部诊断，获得彼此独立的证据，再运用D-S（Dempser sha-fer）证据理论融合算法对各证据进行融合，最终实现对电机故障的准确诊断。诊断测试试验证明，该诊断系统提高了电机故障诊断的精度，能够满足诊断的实时性要求。     

基于QPSO-BP和改进D-S的水电机组振动故障诊断

为提高水电机组振动故障诊断的准确性,提出了一种基于改进D-S证据理论融合量子粒子群优化BP神经网络(QPSO-BP)的诊断方法。根据水电机组常见的振动故障类型,采用3个惯性权值随机调整的QPSO-BP网络分别对其进行初级诊断,并作为独立证据体应用于D-S理论的合成之中,实现了基本概率赋值的客观化。针对标准D-S无法合成高度冲突证据的缺陷,通过计算权值矩阵对其进行修正。实例分析表明,和3个初级诊断模型及标准D-S合成法相比,所提方法可以有效识别机组的振动故障,具有较高的诊断准确率。     

基于多传感器振动信号融合的真空断路器故障诊断

根据真空断路器故障诊断特点,提出了小波包、RBF神经网络与D-S证据理论相结合的决策层信息融合诊断方法。首先,运用小波包—能量谱分析方法对振动信号进行分解处理,提取特征向量,并以此作为诊断的依据;其次,建立神经网络模型,以特征向量为RBF神经网络的输入,进行断路器初步故障诊断;然后将诊断结果作为对各种故障模式的基本概率分配值,利用D-S证据理论,实现对初步诊断结果的融合,从而得到最终的融合诊断结果。实验结果表明,该方法诊断真空断路器故障能取得良好的效果。     

基于小波神经网络的模拟电路故障诊断改进

在运用神经网络进行模拟电路故障诊断的过程中,代表着故障特征的网络输入至关重要,由于小波变换的时频局部化和多尺度分析等特性,将两者结合起来,通过小波变换对模拟电路的输出响应进行故障特征提取,同时解决PSPICE与MATLAB之间的数据通信问题,提出将蒙特卡罗分析产生的所有训练样本经过处理后输入到一个神经网络进行训练的方法,从而避免了训练多个神经网络。利用神经网络对各种故障模式进行分类,实现模拟电路的故障诊断,并进一步与传统的BP网络故障诊断法进行比较。仿真结果表明,该方法可以实现故障检测及定位,诊断的准确率显著提高,适用于模拟电路故障诊断。     

基于改进RBF神经网络的光伏组件故障诊断

由于光伏组件的输出特性受多种因素混合影响,对光伏组件的故障检测是一个严峻的考验.为了保证故障诊断的实时性和精确性,采用多传感器法提取短路和开路故障特征,利用电压扫描法获取不均匀光照引起的热击穿和电击穿故障的判断依据,以故障特征为判据,给出一种基于K均值聚类算法的改进RBF神经网络的光伏组件故障诊断方法,在Matlab平...     

基于MHHO-BP算法的DC-DC电路软故障诊断

针对DC-DC电路软故障诊断中特征提取困难和分类准确率低的问题,提出了一种基于多策略改进哈里斯优化算法-反向传播MHHO-BP)神经网络的故障诊断方法。该方法通过VMD对故障信号进行处理,提取其时域和频域特征作为故障向量,采用MHHO算法优化BP神经网络的权值和阈值,建立DC-DC电路的VMD-MHHO-BP软故障诊断模型。实验结果表明,对于DC-DC电路软故障,该方法相较于鲸鱼优化算法(WOA)和蝴蝶优化算法(BOA)优化BP神经网络,其诊断效果好,准确率高。     

基于GA优化BP神经网络的液压钻机故障诊断

针对BP神经网络应用于故障诊断时存在着收敛速度慢、易陷入局部最小值等问题,提出了一种基于遗传算法(GA)优化BP神经网络的液压钻机故障诊断方法.利用GA的选择、交叉和变异操作优化BP神经网络的权值和阈值,提高网络训练的收敛速度.根据液压钻机工况参数提取的特征信号,进行归一化处理建立样本,利用训练样本对网络进行训练,根据训练结果进行故障诊断.仿真结果表明,GA优化的BP神经网络迭代次数少,收敛速度快,能够对测试样本进行有效地分类,故障诊断正确率高.     

基于D-S证据理论的直流电机故障诊断研究

通过分析直流电机的故障机理,得到在不同信号(如电流、转速、转矩等)中所表现的故障特征,提出了一种神经网络和D-S证据理论的多传感器数据融合技术的直流电机故障诊断方法。利用多源信息间的冗余性和互补性,有效提取故障特征信息,提高了诊断的可靠性和灵敏度。     

基于差分进化算法与BP神经网络的变压器故障诊断

针对BP神经网络在识别变压器故障时容易陷入局部最优、诊断精度低、收敛速度慢等缺点,提出一种自适应差分进化算法与BP神经网络相结合的变压器故障诊断方法。该方法采用差分进化算法优化BP神经网络初始权值和阈值,将优化结果赋值BP神经网络进行网络训练,最终得到用于变压器故障诊断的最佳网络模型。实验结果表明,该组合算法比传统BP神经网络具有更高的诊断精度和更快的收敛速度,是一种更适合变压器故障诊断的高效方法。     

基于改进BP神经网络的风机故障诊断研究

采用动量法和学习速率自适应的改进BP神经网络进行风机的故障诊断。根据风机的故障诊断特点,确定神经网络的结构与参数。在网络训练过程中同时采用标准训练样本和含有白噪声的训练样本,使网络具有一定的容错性。实例诊断表明,改进的BP神经网络缩短了学习时间,是风机故障诊断的有效方法。     

栈式降噪自编码网络在变压器故障诊断中的应用

为提高变压器故障诊断的准确率,提出了一种新型的变压器故障诊断网络,该网络以基于栈式降噪自编码网络为基础,把深度学习用在诊断变压器设备故障方面,建立深层网络模型,采取逐层贪婪编码的方式进行自适应的非监督式预训练,实现高维深层故障特征的自适应提取和挖掘,进而使用反向传播算法对模型进行监督式微调。最后利用Softmax分类器,对故障进行分类输出。最后通过实例验证表明,提出的栈式降噪自编码网络能准确、有效地对变压器进行故障诊断,与传统方法相比,该方法提高了变压器故障诊断的准确率。     

基于径向基函数网络的大型电力变压器故障诊断

研究了径向基函数（RBF）神经网络的模型结构及其在电力变压器故障诊断中的实现方法,介绍了变压器故障诊断的RBF模型.通过故障诊断及仿真实例分析,将RBF网络与BP网络的性能进行比较,得出RBF神经网络训练速度快、逼近误差小、能够更有效地解决电力变压器故障诊断问题的结论.     

航空发电机综合故障诊断技术研究

针对航空发电机的故障难以准确诊断的问题,提出了一种基于BP神经网络的航空发电机综合故障诊断方法,通过对BP神经网络数学原理及算法的深入分析与研究,构建基于BP神经网络的航空发电机故障诊断模型。结合某型航空发电机的真实试验数据,对所构建故障诊断模型的正确性进行了试验验证。在试验验证过程中,利用航空发电机真实试验数据的前60组对神经网络进行训练,后40组数据对神经网络进行测试,最终验证了所构建的故障诊断模型能够较好实现对航空发电机故障进行准确诊断的效能,且所采用的BP神经网络方法具有收敛速度快、识别能力强、精度高以及准确性高等优点。