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。     

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.     

基于多频小波分析和D-S推理的电路故障诊断

对于模拟电路,提出了一种对多频响应信号特征进行信息融合的故障诊断方法。选取多种频率信号作为电路的输入,对响应进行小波分析,提取各频带信号的能量特征,经归一化处理得到与电路状态对应的故障特征矢量。待测样本作为未知故障模式与故障特征矢量进行灰色关联分析,得到待测样本与各故障模式的灰色关联度。以灰色关联度构造证据合成规则所需的基本概率赋值函数,并利用D-S证据推理进行融合诊断。实验证明,与现有方法相比,本方法测试成本低、诊断准确率高,对于轻微的软故障,也能进行有效的诊断。     

基于智能信息融合的模拟电路故障定位方法

针对模拟电路故障诊断中存在的测试信息不足、故障定位准确性较低等问题,提出了一种应用智能信息融合技术的模拟电路故障定位方法.该法首先分别采用可测点工作电压及不同测试频率下的电路增益,各用一个独立的神经网络依据改进的BP算法对电路实施初级诊断;然后根据初级诊断结果,运用模糊融合诊断方法进行故障定位.所提方法能充分利用故障信息,对模拟电路的软故障与多故障均可进行诊断,故障定位准确率高.     

基于故障测度概念与证据理论的配电网单相接地故障多判据融合

当故障特征量非常明显时，故障选线结果才比较可靠；当其特征量很微弱时，选线结果则可能是错误的。该文不仅提出了一种故障测度概念，以定量评价线路疑是故障线路的程度，还提出了一种多种利用故障信息的融合选线判据，该判据基于故障测度概念并利用小波分析理论构造了暂态信息故障测度算法：对故障工频信息构造了幅值和相角故障测度算法：运用D-S证据理论实现了多判据信息融合，将多判据选线问题转化为证据推理问题。结合选线问题的特点，将基本信度分配函数设计为相对信度分配函数与可确定信度系数之积形式。多故障信息的融合选线判据使选线性能得到提高，现场实测故障算例证实了文中方法的正确性。     

传感器多故障诊断的信息融合方法研究

提出了基于证据理论的在不同识别框架下的多传感器多故障诊断的信息融合方法。利用多个传感器在空间或时间上的冗余或互补信息，为故障的检测和分离提供诊断依据。采用模块化的径向基函数状态识别网络来获得传感器状态的证据，即发挥了神经网络的优点，又解决了因输入参数改变而不可用的缺点。提出了一种在不同识别框架下的证据组合规则，采用精细和粗化运算，可充分利用传感器的冗余或互补信息，减少传感器状态的不确定性。仿真结果表明该方法可以对传感器的单故障和多故障进行有效的诊断。     

基于信息融合技术的电力变压器故障部位诊断

首先对变压器故障诊断中的可用信息进行分类,然后在分析目前诊断信息欠缺的基础上,提出信息融合诊断的思想,并针对变压器故障部位诊断,探讨了识别框架的形成、基本概率赋值函数的构造以及运用D-S证据理论进行证据组合与推理的过程,并用实例验证了该方法的有效性。     

基于D-S证据理论的小电流单相故障多判据融合选线研究

利用单相接地故障的暂态量和稳态量分别构造幅值、相位故障测度函数,以定量评价疑是故障线路的程度.结合选线问题的特性,设计了以故障测度值为自变量的基本信度分配函数.运用D-S证据理论实现了多判据信息融合,将多判据选线问题转化为证据推理问题,给出了基于信息融合的综合选线策略.大量仿真算例证实了该方法的有效性.     

基于信息融合的变压器故障多级诊断方法

建立了基于信息融合的变压器故障多级诊断模型,该模型融合了在线监测、油中溶解气体、电气试验等多源数据信息。采用自适应遗传算法优化的小波神经网络对变压器故障进行初级诊断,通过改进D-S证据理论对初级诊断结果进行决策级融合,实现对变压器故障的深度诊断与定位。通过应用实例证明,该方法可以有效提高变压器故障诊断的精度和可信度,减小诊断的不确定性。     

电路故障模式的信息融合方法研究

电子产品的可靠性越来越受到重视,针对电子产品故障诊断和推理领域出现的问题,以基于仿真的故障电路信号为对象,深入研究了用于故障模式识别的信息融合方法,建立了故障电路信息融合模型,提出了针对神经网络的基本概率分配函数,丰富了DS证据理论的应用范围,实现了电路的故障模式识别,为向更高层的故障推理提供支持。     

基于AdaBoost-RBF算法与DSmT的变压器故障诊断技术

针对目前浅层机器学习理论在变压器故障诊断上精度不高以及大多数诊断方法参考的信息特征量单一的现状,提出一种基于AdaBoost-RBF算法与Dezert-Smarandache理论(DSmT)的变压器故障诊断方法。选择反映变压器故障信息的油中溶解气体、试验及产气率数据构成诊断参量空间,利用AdaBoost算法改进RBF神经网络算法,应用AdaBoost-RBF算法搭建并行的训练单元构造变压器故障诊断识别框架的基本信度赋值(BBA)。基于多源信息融合的思想,应用DSmT对基本信度赋值进行融合得到最终诊断结论,该理论克服了D-S证据理论无法融合高冲突性证据的局限性。对110 kV变压器进行仿真实例分析,结果表明所提方法具有良好的实用性。     

RBF-SVM的核参数选择方法及其在故障诊断中的应用

基于核理论的SVM中,RBF核函数应用最广,是一个普适的核函数,但其参数的选择却没有固定方法。鉴于此,本文首先分析了现有核函数参数优选算法的不足;然后在SVM网络结构分类原理的基础上提出了基于数据最大方差-关联度准则的核参数选择算法,并结合粒子群算法建立了RBF核参数的自动优选流程。将其用于模拟电路故障诊断实验,证明了所提方法具有参数选择准确、简单快速等优点,优选得到的核参数提高了故障诊断率。     

基于MODWPT与LFDA的模拟电路故障诊断

在模拟电路故障诊断过程中,存在故障特征信息提取不充分以及特征信息冗余的问题,对此,提出一种基于最大重叠离散小波包变换(MODWPT)与局部Fisher判别(LFDA)的模拟电路故障诊断方法。该方法中,首先利用MODWPT进行模拟电路原始信号处理与故障特征提取;随后,针对高维特征集中存在冗余信息,不利于模式识别与分类,利用LFDA方法进行降维,获取更有益于故障模式识别的低维特征集;最后,支持向量机(SVM)作为故障模式识别分类器,在此基础上构建模拟电路故障诊断模型。电路仿真实验结果表明,所提出方法的最大故障诊断准确率可达99.17%,从而验证了所提方法的有效性。     

模拟电路的可测性及故障诊断方法研究

研究了基于模拟电路拓扑结构关系的故障可测性判据.依据故障点处提供的故障信息量最大,将故障诊断问题转化为寻找最优故障检测点问题.给出在电路中部分元件不可测情况下确定最优故障检测点及故障源的方法,讨论了电路故障诊断模型的建立,通过逐步搜索故障模型中的最优检测点,直至定位到故障元件.一个模拟电路故障诊断实例验证了该方法的有效性.     

基于水电机组复合特征提取的RBFNN故障诊断

针对传统快速傅里叶变换（FFT）方法在非稳态信号分析上的局限和水电机组稳定性状态分析及故障诊断中过分依赖单一能量特征的不足,提出了集小波分析、模糊理论和径向基函数神经网络（RBFNN）优点于一体的基于复合特征提取的RBFNN故障诊断方法。首先采用小波分析方法对稳定性状态信号进行多频段分解、降噪,提取相对能量特征;运用模糊理论进行稳定性状态对过程参数变化响应的数值分析和量化,提取关系型征兆;然后将这2种特征组合,形成综合反映机组稳定性状态的复合特征向量;最后利用RBFNN诊断出机组的典型故障类型及其严重程度。工程应用结果表明,该方法能够全面准确地提取水电机组稳定性状态特征,在水电机组故障诊断上具有一定的可行性和有效性。     

基于核熵成分分析的工业过程多类型故障诊断

核熵成分分析(KECA)特征提取过程中只保留了数据的最大瑞丽熵(Renyi)信息，没有充分利用数据的类别信息。由于监督学习算法线性判别分析(LDA)能够有效提取特征中的类别信息，因此提出KECA-LDA(KEDA)的特征提取方法。首先KECA依据最小Renyi熵损失策略对数据进行维数约简；然后在KECA特征空间使用LDA算法获取具有判别信息的低维特征并输入到支持向量机(SVM)分类器中，利用天牛须优化算法(BAS)得到最佳性能的SVM分类器，从而建立故障诊断模型。将KEDA-BAS-SVM方法应用于田纳西-伊斯曼化工过程(TE)进行仿真实验，结果表明：当采用基于距离测度的矩阵相似性优化确定KEDA中所选用的径向基函数(RBF)核参数时，相比KECA和LDA算法，KEDA特征提取后多类型故障诊断准确率达到99.7%,验证了KEDA-BAS-SVM在多类型故障诊断领域的优越性。     

基于RBFNN的高压输电线路故障诊断

本文在对电力系统故障诊断方法进行分析的基础上,利用径向基函数(Radial Basis Function-RBF)网络适合于求解模式识别问题的优势,提出了应用RBF神经网络(简称RBFNN)来实现高压输电线路的故障诊断,建造了基于RBFNN的高压输电线路故障诊断模型结构,并且给出了确定RBF网络最佳聚类数的标准.仿真分析及容错性测试结果表明,本文所提方法能有效地实现高压输电线路系统的故障诊断,而且在网络的训练速度以及对因干扰而畸变的输入信息情况的容错能力方面都优于传统的BP神经网络,对实时信息处理系统具有一定的适用性.     

基于神经网络训练样本优选算法的模拟电路软故障诊断

为了解决非线性模拟电路软故障不易诊断的难题 ,根据模拟电路软故障的特点 ,提出了基于σ判据的训练样本优选算法 ,保证训练样本在数量较少的情况下 ,充分包含电路软故障特征。诊断实例证明 ,应用此优选算法对样本进行筛选 ,神经网络的训练速度快 ,对于模拟电路软故障的诊断正确率高。