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。     

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。     

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。     

滚动轴承故障信息的特征级融合与决策级融合

在对滚动轴承原始故障信号完成特征提取与特征筛选的基础上,利用BP、RBF以及SVM三种网络模型对筛选完的特征量进行特征级融合[1];针对单一的网络模型的不确定性,通过隶属度熵值权重法确定了三种网络模型的不确定度[2],并引入D-S证据理论[3],对三种网络的计算结果进行决策级融合[4](以滚动轴承外圈故障为例),以提高对滚动轴承故障诊断精度。     

基于证据理论的城轨车辆走行系融合故障诊断

针对城轨车辆走行系故障诊断只依赖于单一证据源造成的诊断准确率低的问题,研究利用证据理论进行走行系多证据源融合的故障诊断。经过对高冲突低信任度情况下悖论产生的原因分析,采用矛盾因子对合成规则进行了改进;针对城轨交通车辆走行系,分析了轴承和轮对所有可能发生的故障,建立了走行系轴承和轮对的识别框架;选择轴箱振动诊断、轨旁振动诊断和轴温诊断等3个证据源作为走行系融合诊断的证据源;采用专家经验法确定了不同证据源的基本信任分配函数。研究结果表明,采用单一证据源的故障诊断准确率较低或诊断对象少,而采用多证据源融合的故障诊断方法(在包含轮对和轴承两个对象情况下)的诊断准确率为80%,从而有效提高了城轨车辆走行系故障诊断的可靠性。     

基于D-S信息融合技术的磁轴承转子故障诊断方法

为了提高磁轴承转子故障诊断结果的可靠性,提出了基于D-S信息融合的故障诊断方案:首先选择轴心轨迹作为初步判断,然后以EEMD为基础,分别对多组振动信号的边际谱进行特征频段能量的计算,采用BP神经网络进行故障识别,其结果再经过D-S证据理论做决策融合,最终确定磁轴承转子的故障类型。实验结果表明该方案提高了故障诊断结果的准确性,充分显示了其应用在磁轴承转子故障诊断系统中的可行性。     

基于多源信息融合故障树与模糊Petri网的复杂系统故障诊断方法

针对复杂系统故障树模型构建困难且模型冗余节点多、计算复杂的问题,提出一种基于多源信息融合故障树与模糊Petri网的故障诊断方法。该方法先将多源信息进行标准化处理,从处理后的信息中提取维修元数据,同时利用数据挖掘方法得到故障关联项集。通过维修元数据、故障关联项集和系统结构关系的映射、融合,更加全面、准确地构建复杂系统故障树模型。采用模糊Petri网对多源信息融合故障树模型进行简化和改进,并利用基于模糊Petri网的动态故障推理方法和基于关联矩阵的最小割集求解方法建立复杂系统故障诊断方法,提高了故障的诊断速度与推理效率。以汽车发动机故障诊断过程为例,证明了所提方法的合理性和有效性。     

基于证据理论多源多特征融合的柱塞泵故障诊断方法

提出了1种基于证据理论多源多特征融合的故障诊断方法,构建了柱塞泵的故障特征向量,分析了单源多特征融合故障诊断,利用证据理论融合多个单源诊断结果,进行了多源故障诊断.对液压泵进行了试验.试验结果表明:多源数据较单源数据,更具有冗余互补性,能提高诊断的可靠性和准确性.该诊断方法是可行而有效的.     

基于信息熵贴近度和证据理论的旋转机械故障诊断方法

从信息融合的思路出发,建立反映振动能量的旋转机械故障状态的信息熵特征,如奇异谱熵、功率谱熵、小波空间状态特征谱熵和小波能谱熵。通过试验,建立了旋转机械典型故障下的信息熵期望值,即获得基于信息熵的故障诊断标准特征向量。由于传感器的不确定性和故障的多样性,提出采用D-S证据理论来对4种信息熵进行信息融合。根据越相似模式间的距离越短的思路,提出采用信息熵贴近度来建立证据理论的基本可信度分配,以基于基本可信数的决策方法来作为故障模式识别方法。通过实例计算,证明基于信息熵贴近度和证据理论的旋转机械故障诊断方法是故障模式定量识别的一种可行的新方法。     

基于信息融合技术的磁轴承转子故障诊断

故障诊断信息融合过程可表述为检测层、特征层和决策层的信息融合。文中根据磁轴承转子振动分析的特点,提出了信息融合的故障诊断方案:检测层的融合创新性采用了基于小波分析的加权算法,特征层以希尔伯特-黄变换(HHT)分析法为基础,对边际谱进行特征频段能量的计算,采用BP神经网络对磁轴承转子故障类型进行特征层的识别诊断。决策层采用经典的D-S证据理论,对特征层获得的多个诊断结果做决策融合处理,最终确定磁轴承转子的故障类型。实验结果表明该方法有效地提高了故障诊断结果的可靠性,充分显示了该系统方案的有效性。     

多源信息的加权证据理论融合识别方法

为了有效融合待识别系统的多源证据信息,提高模式识别的准确性,提出了一种多源证据信息加权融合的模式识别方法。该方法基于不同来源证据对辨识框架中各命题识别具有不同可靠性这一事实,将各证据对各命题识别的正确率转换成加权系数,通过研究证据理论的加权改进,构建加权融合的识别体系,保证各证据在模式识别过程中存在的不确定性经过融合后能够最大限度削弱,从而从理论上降低了模式识别的不确定性。实例分析表明,多源信息加权融合后的识别结果可信度明显增大、识别正确率显著提高,充分验证了该融合识别方法能够有效提高模式识别的准确性。     

多传感器融合在数控机床故障诊断中的应用研究

针对单一传感器无法准确判断数控机床故障类型的问题,提出了一种混合的基于D-S证据理论的处理方法,将多传感器数据融合技术应用到数控机床的故障诊断中。基于以往数控机床故障检测获得的典型样本库,构造各证据在目标故障模式下的信度密度函数,并对其进行归一化处理得到各证据的信度函数分配及不确定度,然后利用改进的D-S组合规则对数据进行融合,进而对机床故障类型做出判断。诊断实例表明,此方法能大大减低诊断的不确定度,提高故障诊断准确率,具有一定的工程应用价值。     

基于云理论和Relief⁃F的滚动轴承故障识别方法

为了充分利用海量数据中蕴含的信息并对轴承故障进行有效识别,采用云理论方法将轴承的故障数据与其对应的故障类型进行映射,建立了滚动轴承在不同状态下各个特征的云分布模型,并依此构造出轴承故障的云判断知识库。同时,引入Relief-F算法确定训练集各特征的权重系数,结合云分布隶属度系数,提出了样本对于轴承故障的最终隶属度计算方法。通过根据不同数目的训练样本建立的云分类知识库在分类精度上的对比,证明了该方法具备对数据的学习能力。将该分类方法与常用的分类方法在含有噪声的测试样本上进行对比实验,证明了该分类方法在抗噪性方面的优越性。     

基于云模型与改进证据理论的设计方案评价与优选

为解决产品设计方案评价与优选中存在的模糊性、随机性与不确定性问题,提出一种基于云模型与改进证据理论的设计方案评价与优选方法。构建了面向待优选工业产品特点的评价指标体系,并确定了评价基准云;借助云模型确定各评价指标值在基准云中的隶属度,进而转化为证据理论中的基本概率分配;针对传统证据理论中强冲突证据融合后可能产生与实际结果相悖的问题,借鉴博弈论思想将证据的动静态权重进行博弈组合,并基于博弈组合权重对传统证据理论进行改进和信息融合;通过比较各备选方案证据融合后的基本概率分配与最优-最劣理想方案基本概率分配间的贴近度,确定备选方案的优选顺序;以行动障碍者室内移动辅具设计方案评价优选为例进行验证计算。结果表明：该方法能综合考虑多属性评价与优选中的特性问题,提高设计评价与优选结果的准确性,为设计者优选产品设计方案提供一种可行思路。     

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.     

基于改进Jousselme证据距离的多传感器决策融合方法

多传感器系统通常能够获取各种不同的量测数据,但是其信息的准确性和可靠性往往难以被保证,使用这些数据所做出的决策很有可能与事实相悖。鉴于此,在D-S证据理论框架内提出了一种基于改进Jousselme证据距离的多传感器决策融合方法。通过对相似性Jaccard系数矩阵分块化处理,以合理准确地描述传感器节点证据冲突,并借此计算各传感器节点的权值来修正证据源,最终通过D-S融合规则得到正确决策。数值实验结果显示提出方法的识别率最高可达92.52%,相比Muphy法高出了17.28%,而不确定度却降低了2个数量级,不但能够快速准确地识别传感器节点证据冲突,而且决策风险更小,因此适用范围更广。     

基于改进证据理论的齿轮泵故障诊断方法研究

针对多源传感器信息的不确定性,提出了一种基于改进证据理论的故障诊断方法.首先定义了证据向量的夹角余弦,提出了冲突证据判定法则,对证据进行冲突性判定;然后建立二级鲁棒融合策略,通过RBF神经网络进行特征层融合,经过训练产生初始证据,应用冲突证据判定法则找出冲突证据并利用相似度对其进行局部修正;最后对证据进行融合和诊断.通过齿轮泵振动试验,将此方法与神经网络、传统证据理论和其他代表性改进方法的诊断结果进行对比,验证了新方法和融合策略的有效性.     

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。     

一种新型诊断技术在电机故障诊断中的应用

电机故障诊断过程中,根据实际应用环境引入多传感器信息融合诊断方法是提高诊断有效性的主要途径。通过对多传感器所提供的信号的处理,以蚁群神经算法为基础来辅助诊断故障,能够为相关操作人员提供相对独立的证据,然后在证据理论的指导下对所获得的各个证据进行融合,能够有效判断电机故障。大量实践证明,此方法在实际应用过程中能够有效提升故障识别的有效性和准确性。     

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。