多传感器数据融合技术在故障诊断中的应用

利用多传感器数据融合的方法进行故障诊断,建立融合故障诊断系统.将故障诊断系统按数据融合的方法分为数据级融合模块、特征级融合模块和决策级融合模块.数据级融合模块主要对多传感器的测量信号进行处理,提取出故障诊断的特征信息.特征级融合模块采用3个结构相同的并行神经网络,一是进行局部诊断;二是获得决策级D-S证据理论的基本概率赋值.决策级采用D-S证据理论的方法对特征级局部诊断的结果加以融合,得到最终的诊断结果.利用此系统在汽轮机转子试验台架上进行了故障诊断,得到了令人满意的结果.     

基于灰色关联和D-S证据理论的感应电转子故障诊断

针对单一的灰色关联或D-S证据理论在转子故障诊断中存在的不足,将灰色关联和D-S证据理论相融合的决策级信息融合方法应用到感应电机转子故障诊断中;首先用灰色关联对故障进行初步诊断,然后,将灰色关联分析的诊断输出结果作为D-S证据理论的基本概率分配,最后,依据证据组合规则进行合成,得出转子故障的最终诊断结果;实验仿真结果验证了方法在转子故障诊断中的有效性,可以减小诊断的不确定性,提高故障的诊断准确率和诊断精度。     

关于D-S证据理论和模糊数学的数据融合算法探讨

介绍了D-S证据理论的基本原理,结合模糊数学和D-S证据理论,介绍一个多传感器数据融合技术的故障诊断系统。     

神经网络信息融合用于电梯故障诊断的研究

针对传统电梯故障诊断系统实时性有限、故障定位准确率低等问题,将多信息融合技术引入到电梯故障诊断中来,建立了基于模糊神经网络和D-S证据理论相结合的故障诊断模型。为了提高神经网络的训练速度和推广能力,采用了正则化算法对BP网络算法进行修改,并且利用D-S证据理论对神经网络的诊断结果进行决策融合,仿真结果表明了此方法有效地提高了故障诊断的准确率。     

D-S改进算法在数据融合中的应用

作为一种重要的处理不确定性问题的方法,D-S证据推理理论目前已经广泛应用于各种数据融合系统中。详细阐述了D-S证据理论的相关理论和证据组合原理;针对D-S证据理论存在的缺陷和不足,介绍了一种改进的证据组合方法;通过实例证明,该改进方法能够用于组合冲突比较大的多个证据,并提高融合的性能和可靠性。     

基于D-S证据理论的无线发射机故障诊断方法

针对某无线发射机故障诊断中存在的问题,提出一种基于D-S证据理论的信息融合故障诊断方法.选择电压、功率、频率、幅度等参数作为发射机故障诊断的证据,运用模板匹配法获取基本概率赋值,避免了在小样本情况下应用D-S证据理论时基本概率难以分配的问题,减小了方法的主观性.利用基于可信度的证据合成方法进行融合处理,克服了应用传统D-S证据理论合成冲突证据出现悖论的问题,提高了诊断方法的抗干扰能力.实例验证结果表明该方法切实可行,为无线发射机故障诊断提供了一种新的思路.     

基于人工免疫与D-S证据理论的故障诊断方法

针对使用信息融合技术进行故障诊断时,基本概率赋值难以确定的问题,提出一种基于人工免疫原理与D-S证据理论相结合的故障诊断方法.该方法使用无类标数据进行人工免疫聚类,构建每一个传感器的故障空间的分类模型,设计了中心抗体和一般抗体的识别半径对未知样本进行免疫识别,计算该样本在各故障分类器下的基本概率赋值,最后通过D-S证据理论将各基本故障概率赋值进行融合诊断,基于信任函数进行故障决策.试验结果表明该方法可以处理多信息源数据,提高了故障识别能力,有一定实践意义.     

基于证据理论的多信息融合故障诊断研究

针对列车智能控制系统故障诊断中的多故障特征信息输入时的时变、不确定性和空间分布性，从D-S证据理论的基本概念和证据的融合推理方法出发，提出了一种列车智能控制系统多信息融合故障诊断的系统结构。讨论了基于D-S证据理论的列车智能控制系统多信息融合故障诊断方法。故障诊断实例的结果表明该方法能够有效地提高诊断的可信度，减小诊断的不确定性。     

基于信息融合技术的某新型自行火炮发动机电控系统故障诊断

多传感器故障诊断过程中,由于多方面的原因,如测量噪声的存在、诊断知识的不完全等等,使得故障诊断存在着不确定性,影响到诊断结果的可靠性和准确度;通过分析某新型自行火炮发动机电控系统的故障特点,研究了一种基于BP神经网络及信息融合技术的多传感器故障诊断方法,将该自行火炮发动机电控系统的故障诊断过程分为子系统和系统级两级诊断,子系统采用BP神经网络实现故障模式分类,系统级运用D-S证据理论对整个系统故障进行综合决策评判;应用表明,在某个子神经网络识别存在差异的情况下,采用D-S证据理论进行融合可以有效地提高识别的准确性。     

基于信息融合的电机音频故障诊断

针对目前电机音频故障诊断单传感器信号分析可靠性不足的缺点,将信息融合技术与神经网络相结合,建立电机故障诊断系统。采用多层神经网络进行故障特征级融合与电机故障的局部诊断,获得彼此独立的证据,运用D-S证据理论合成算法对各证据理论进行决策级融合,构建了电机故障音频多源信息诊断系统模型,并对此模型进行了验证,取得了良好的诊断效果。     

基于粗糙集与神经网络的断路器状态监测

断路器的故障诊断对于事故后快速恢复具有重要意义,然而全面、准确的故障诊断仍是个难题。本文将电寿命和机械状态综合考虑,从而实现了对断路器整体健康状态的评估。其中机械状态的检测,提出了基于神经网络(Neural Network)并结合粗糙集理论(Rough Set Theory)的方法。实验数据表明,该方法提高了诊断的全面性、准确性和预测精度。     

D-S证据理论信息融合在故障诊断中的应用

介绍D-S证据理论信息融合算法的基本原理,研究D-S证据理论信息融合理论在电子设备故障诊断中的应用,它可有效地提高故障模式的识别能力,克服单一信息诊断的片面性和孤立性.     

基于SVDD和D-S理论的模拟电路故障诊断

为解决模拟电路故障诊断复杂多样难于辨识的问题和有效提高诊断准确度及速度,提出了一种融合支持向量数据描述(SVDD)算法和D-S证据理论的故障诊断方法。首先,对采集信号进行基于局部判别基的Haar小波包变换,依据判别测度选取判别能力强的前5个节点的标准能量构成特征集。然后利用SVDD算法求出特征集对于不同类别的基本信任分配函数,最后利用证据理论对不同基本信任分配函数进行组合得到最终故障诊断决策。将该方法应用于两级四运放双二次低通滤波器电路进行故障诊断,实验结果表明该方法能够准确迅速诊断出模拟电路中的故障;与基于SVDD多分类算法、一对一(o-v-o)SVM和一对多(o-v-a)SVM分类算法的故障诊断方法进行比较,本方法能够提高模拟电路故障诊断的精度;比采用o-v-o SVM和o-v-a SVM分类算法的故障诊断方法有更快的诊断速度。     

高压断路器操动机构的动力学建模与仿真研究

利用UG软件建立了高压断路器弹簧操动机构的三维实体模型,并导入到机械系统动力学仿真分析软件ADAMS中,动态仿真了断路器的运动特性,验证了虚拟样机模型的正确性。着重仿真分析了断路操动机构器的挡板位置、摩擦力、弹簧劲度系数等因素对高压断路器动态性能曲线的影响,为以后高压断路器的优化设计、状态监测及其故障诊断提供了理论依据。     

基于异类信息融合的模拟电路故障诊断方法

针对模拟电路故障诊断中存在的可测节点电压信息不足、单一信息不能表征所有故障状态等问题,提出了一种基于神经网络和D-S证据理论的模拟电路异类信息融合故障诊断方法.该方法首先提取两类故障信息并分别将其输入不同的神经网络对其进行初步诊断,并得到各自的诊断结果,然后根据初步诊断结果,运用D-S证据理论对其进行融合,做出最终决策.     

基于D-S融合的电子电路故障诊断研究

根据电子电路故障元件诊断的不确定性问题,给出了多传感器D-S信息融合实现电路故障诊断的方法。通过检测电路工作时电子元件的温度和关键点电压两方面数据信息,得出两传感器对各待诊断元件的信度函数分配。再利用D-S联合规则结合模糊逻辑理论,得到融合后的信度函数分配,从而确定故障元件。实验结果说明:多传感器融合算法具有较高的准确率。     

改进D—S证据理论在多传感器信息融合中的应用

从D—S证据理论的基本概念和证据的融合推理方法出发．针对D—S证据理论中高度冲突证据的合成问题,引入证据强度的概念,提出一种修正的合成方法,并将其应用于某武器电子电路的故障诊断。通过该实例表明,与D—S、Yager、邓勇等方法相比,提出的改进方法更好地处理高冲突证据,且具有更好的解释性。     

光电雷达电子部件故障的盲诊断方法研究

针对光电雷达电子部件故障定位问题，提出一种故障元件搜寻的盲诊断方法．通过测试电路中被诊断元件的工作温度和工作电压两个物理量，得出D—S证据理论中两传感器对各待诊断元件的信度函数分配，并利用D—S联合规则得到融合后的信度函数分配，从而确定故障元件．通过单传感器诊断结果与融合诊断结果的比较，说明了多传感器融合盲诊断方法的优越性．