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.     

基于多传感器信息融合的故障诊断方法研究及应用

针对传感器采集的信息具有不确定性和冲突性的特点,提出一种基于证据理论的多传感器信息融合故障诊断方法。利用冲突证据判据判断相似性证据和冲突证据,保留相似性证据,通过相似度对冲突证据进行有针对性地修正,这种判断和修正方式可以降低传感器证据信息的不确定性,并减弱冲突信息对诊断结果的影响。结合神经网络建立特征空间到证据空间的映射,有效利用网络输出结果构建原始证据,最后将修正后的证据进行D-S(Dempster-Shafer)合成。通过齿轮泵早期故障试验,与传统频域分析、神经网络和其他证据合成方法对比,所提方法具有较高的诊断精度,从而验证新融合方法的有效性。     

基于改进证据理论的齿轮泵故障诊断方法研究

针对齿轮泵早期故障信号的不确定性,提出了一种基于改进证据理论的故障诊断方法。首先改进了证据理论,提出了基于特征参数灰色关联分析的基本概率赋值函数生成方法,解决了证据理论在故障诊断中原始证据生成问题;其次,定义了证据之间的夹角余弦,利用冲突证据判据对原始证据进行冲突性检验,对于冲突证据通过可信度进行局部修正,保留可信证据。最后对修正后的证据进行融合。多传感器振动特征融合实验结果验证了改进方法具有较高的诊断正确性。     

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。     

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。     

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。     

基于故障敏感度的证据权重计算方法及其应用

典型证据权重计算方法存在只有少数传感器判断正确而多数判断错误的高冲突证据的加权D-S决策融合问题,针对此问题,提出一种基于故障敏感度的证据权重计算方法。首先,通过核函数主元分析(kernel principal component analysis,简称KPCA)提取非线性的敏感特征;其次,基于故障检测原理计算该特征的故障敏感度,并将其作为传感器的故障敏感度;最后,计算得到基于故障敏感度的传感器决策权重,并将该权重及等权重法和基于决策距离方法的权重共同应用于转子故障模拟实验台的融合检测与诊断中。结果表明,该方法能对故障敏感、包含故障信息多的传感器赋予更高的权重值,提高其决策地位和作用,反之则赋予较小的权重,"弱化"其决策地位和作用。通过证据权重的"调节"作用,使得该方法无论是在只有少数传感器发现故障的证据高冲突情况还是在冲突不大或无冲突时,均取得了更好的决策融合结果。     

基于改进证据理论的大型制造装备故障诊断

针对大型制造装备故障诊断中存在的高冲突证据问题,提出了一种改进的信息融合故障诊断方法。该算法通过各条证据可信度获得平均信任度,利用各证据的相对距离构造一个反映冲突强度的动态权重参数。为了使各条证据更能客观地反映装备的故障特性,利用模式之间的相似度获取证据的mass函数。仿真实验结果表明,该算法可以有效减少证据间的冲突,对大型制造设备故障诊断较高的识别率显示了该方法较好的实用价值。     

基于非线性特征融合的高速装备故障诊断方法

针对高速数控装备的复杂非线性特性,基于改进证据理论和非线性特征提出了一种新的故障诊断方法。分析了高速运行状态下数控装备的故障特性,提取出一组反映系统非线性特性变化的故障特征向量。给出了基于证据理论的多类型故障识别模型,并利用模式之间的相似度获取各个证据的mass函数。为解决冲突情况下的多个证据合成问题,提出一种基于平均信任度的动态参数冲突证据合成方法。仿真实验结果表明,在证据存在冲突的情况下,该方法识别率高,适合于具有非线性特性的高速装备故障诊断。     

基于D-S证据理论的高炮自动机融合诊断

针对某型高炮自动机系统运动呈阶段性的特点,设计基于D-S证据理论的高炮自动机故障融合诊断方法。利用传感器测试的数据提取描述系统状态的特征参数,提出改进的Minkowski距离方法产生证据,并根据组合规则进行融合。实例分析结果表明:该方法可以有效提取自动机故障信息,确定故障部位,提高了故障诊断的效率。     

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。     

基于多传感器信息融合的滚动轴承故障诊断

为了提高滚动轴承故障诊断的准确性,引入了一种多传感器信息融合的诊断方法。将多传感器所采集的振动信号处理后,由粒子群神经网络进行故障局部诊断,以获得彼此独立的证据,再采用证据理论对各证据进行融合。试验结果表明,该方法可有效地提高诊断可信度,降低诊断的不确定性。     

基于随机集理论的并发故障诊断信息融合方法

为了诊断并发故障,提出一种基于随机集理论的信息融合方法.首先构造包含并发故障的论域,并在此论域的超幂集上定义扩展型随机集.基于该随机集和广义集值映射给出证据组合规则的随机集模型,用其构造可以同时适用于单发和并发故障诊断的新型组合规则.此外,根据传感器提供的故障信息构造故障样板模式与待检模式的模糊隶属度函数,利用模糊集的随机集表示以及随机集似然测度,获得两种模式匹配的程度作为待融合的诊断证据.最后通过在电机柔性转子平台上的试验,证明了所提方法可有效地减少单一传感器信息诊断的不确定性,显著提高转子系统故障诊断的精度.     

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。     

基于信息融合的滚动轴承故障诊断

滚动轴承故障诊断中同一征兆域很难区分多种故障，单一传感器对故障分类识别有不确定性。提出了利用加速度传感器和声音传感器，基于BP神经网络及D-S证据理论，对所采集的振动信号和声音信号的多种特征信号进行信息融合，实现故障诊断。并对该方法进行仿真试验验证。     

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。     

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。     

多传感信息融合在液压故障诊断中的应用

针对恶劣工作环境下多传感信息融合识别效果差和D-S证据理论中证据难获取的问题,在组建有效的传感器网络的基础上,结合改进的JDL模型并根据数据融合分级处理思想,数据层采用自适应加权最小平方估计法对数据进行清洗和特征提取,特征层通过多并行PSO-Hopfield网络的联想记忆功能进行局部诊断,决策层根据修正的D-S证据理论进行时空域融合,并且每级和最终诊断之间都有直接数据通信和反馈,使得知识库信息能为数据挖掘进行知识发现作必要的数据储备。通过仿真结果可知:该数据融合系统容错性强、能综合利用传感器信息并准确定位故障。