基于D-S证据理论和AHP的故障诊断方法研究

提出了一种基于D-S证据理论和AHP的故障诊断方法，给出了基于AHP法的基本概率分配构造方法．最后，结合故障诊断实例，详细阐述了该诊断方法的应用过程，在对多个传感器提供的证据进行合成后，诊断结论的可信度明显提高，不确定性明显降低，证明该诊断方法合理有效．     

基于改进的D-S证据理论在设备故障诊断中的应用

多传感器、多手段检测的信息融合技术在设备检测中的应用日益广泛,而常用的基于D-S证据理论的融合技术除了没有给出可信度的分配方法外,融合结果上还有很多不足之处。探讨了可信度的分配问题,提出了几种改进的融合方法,较好地解决了证据冲突时的否定性、积化性和敏感性问题。     

特征指标信息融合的电动调节阀故障诊断

调节阀作为控制系统的重要组成部分,它的故障诊断对于指导控制过程安全稳定地运行至关重要。为提高故障诊断的精确率,解决电动调节阀不同故障间可能存在相互关联的问题,提出一种基于特征指标信息融合的诊断方法。利用电动调节阀可测变量间的关系,计算能够反映电动调节阀不同故障特点的指标,并建立与之对应的神经网络;然后将每个神经网络的输出看作独立的证据体进行D-S证据融合,得到最终的诊断结果。实验结果及现场分析表明:该方法充分利用数据的有效信息,从不同侧面对故障进行诊断,能够有效地应用于电动调节阀的故障诊断,具有较高的应用价值。     

基于D-S证据理论信息融合的转辙机故障诊断方法研究

在列车提速后S700K型电动转辙机被普遍安装在正线道岔的背景下,本文针对单一故障诊断方法的诊断精度偏低问题,提出了基于信息融合故障诊断模型和故障诊断方法.该方法分别用BP神经网络和模糊综合评判对转辙机进行故障诊断,利用神经网络输出和模糊综合评判输出来构造D-S证据理论中的概率分配,然后利用D-S证据理论将BP神经网络和模糊综合评判对转辙机的故障诊断结果在决策级进行融合,诊断转辙机是否有故障并判断故障的模式.诊断结果表明,该诊断方法具有较高的故障诊断精度,诊断结论的可信度有明显提高.     

基于BP神经网络的D-S证据理论及其应用

命题基本概率分配（BPA）的确定是D-S证据理论得以广泛应用的关键之一。目前，大部分确定方法受专家知识偏好影响较大，难以反映客观情况。将BP网络运用到基本概率分配的确定过程中，使得BP网络和D-S证据理论两者有机地联合应用，这样既可利用D-S证据理论来表达和处理不确定信息，又可以充分发挥BP网络的自学习、自适应和容错能力。文中建立了基于BP网络的D-S证据理论的故障诊断模型，并给出了证据的融合算法。仿真实验表明，该模型可行。     

基于二级信息融合的装备故障诊断方法

针对武器装备故障诊断的多故障问题和单一诊断方法推理能力弱、匹配能力差的缺点,采用RBF神经网络数据级融合和DS证据理论特征级融合相结合的方法应用在二级故障诊断模型中,给出了模型实现步骤,并结合某型导弹制导电子箱故障诊断进行了实验验证.该法使诊断不确定性大大减小,克服了单一方法的缺陷与不足,并使武器装备故障诊断的准确度得到提高.     

基于小波神经网络的凝汽器故障诊断

引入小波变换优化神经网络,建立了凝汽器故障征兆参数集,利用小波神经网自适应能力强、收敛速度快、精度高的特点对凝汽器故障进行诊断。应用结果表明,该方法能够有效地对凝汽器故障进行准确诊断。     

基于小波神经网络的电力变压器故障诊断

电力变压器是电力系统中的重要组成部件,它的性能是否优越直接影响着整个电力系统的可靠安全运行。特别是对于高压电气设备而言,如何能够快速、正确的寻找并解决电力变压器发生的以及潜在的故障非常重要。本文以神经网络原理为基础,结合小波分析方法,研究电力变压器的故障诊断问题。     

灰色关联和D-S证据理论在变速箱齿轮故障诊断中的应用

利用信息融合方法进行故障诊断是当前故障诊断的趋势.本文针对变速箱齿轮的状态特点,提出了利用灰色关联和D-S证据理论进行诊断的方法并用实际数据加以验证.首先对每个振动传感器各个方向上的信息分别用灰色关联分析得到故障分类,将多个传感器各个振动方向的分类的结果利用D-S证据理论融合做出故障决策,计算结果表明融合结果比单一传感器的诊断结果可信度得到提高.     

基于遗传神经网络信息融合的模拟电路故障诊断

提出了一种基于动态电源电流和输出电压信息融合,以及遗传算法优化径向基(GA-RBF)神经网络的电路故障诊断方法.对电路采样信号进行了小波包能最特征提取、归一化和特征关联,用遗传算法优化径向基神经网络的训练,建立了一个信息融合和故障诊断系统.通过仿真实验表明,此方法可以有效提高诊断正确率.     

600MW燃煤机组引风机失速问题的分析与处理

某600MW燃煤机组配备两台动叶可调轴流引风机,运行中出现明显的失速现象,本文根据现场实际情况,分析造成失速问题的主要原因是由于结垢引起叶片卡涩,造成运行中叶片角度不一致,并提出解决问题的具体措施,为处理同类问题提供新的思路。     

基于D-S证据理论的结构多精度损伤识别结果融合方法

在结构的损伤检测中，由于传感器数目、测试噪声等因素，限制了结构损伤检测与识别的能力。不同的损伤识别方法在检测过程中识别的精度不同，使用单一的损伤检测识别方法所获得的信息是不全面的。将Dempster-Sharer证据理论应用于结构的损伤识别中，将各种识别不同精度的检测方法融合，使最终识别的结果更为可靠、精确。通过对钢梁结构损伤识别的模拟计算，验证了D—S证据理论在融合多种不同精度损伤识别方法中的有效性。     

改进的BP神经网络在风机故障诊断中的应用

采用动量法和学习速率自适应的改进BP神经网络建立风机故障诊断系统。在网络训练过程中分别采用标准训练样本和含有白噪声的训练样本来训练网络,使网络具有一定的容错性。最后通过仿真实验和风机的故障诊断实例表明：改进的BP神经网络减少训练次数,提高了学习效率,而且有效地抑制网络陷于局部极小,是风机故障诊断的有效方法。     

某燃煤电厂增设增压风机旁路研究

随着环保标准的日益严格,脱硫系统取消旁路势在必行,作为脱硫系统主要故障点之一的增压风机需要进行优化来保证机组的安全稳定运行。对某电厂引风机和增压风机运行现状进行了分析,并论述了增压风机增加旁路的技术方案以及实施后的效果和经济效益。     

1060 MW燃煤机组烟道流场性能诊断与优化

燃煤机组烟道结构和布置形式不仅决定了烟风系统阻力的大小,而且影响相关设备的运行状态。某2×1060 MW机组引风机至脱硫塔之间的烟道设计不合理,使两台并联引风机中的一台振动严重,致机壳开裂,导致机组长期低负荷运行,影响机组的可靠性和经济性。该文采用流体动力学计算软件对该部分烟道的流场进行数值模拟,分析烟道设计结构中存在的主要问题,结合现场条件提出最优改造方案。改造实施后,该部分烟道的整体阻力降低为300 Pa,并联引风机出口静压偏差低于3%,将引风机振动由4.6 mm/s以上降为2.5 mm/s左右,控制在安全运行允许的范围内。该次优化解决了引风机振动问题并使烟道阻力大幅降低,为电厂创造了经济效益。     

高压变频器在600MW机组引风机的应用

就大容量高压变频器在600MW机组引风机的应用进行综合分析。从高压变频器的结构组成、性能指标分析及现场安装调试进行详细阐述,并对改造后的节能进行客观分析评价。结合运行实际,分析了高压变频器运行后对风机本体的影响及存在问题,有针对性地提出防范措施。     

基于改进的Hilbert-Huang变换的滚动轴承故障诊断

由于Hilbert-Huang变换中的EMD（empirical mode decomposition EMD）在低频段产生多余的IMF（intrinsic mode functions IMF）这一缺陷，故在滚动轴承故障诊断应用中也遇到相应的麻烦。文中提出用每个IMF的能量与原始信号的能量比作为判断标准来剔出分解中产生的多余IMF，并且选择能量比最大的IMF进行边际谱的计算，再选取幅值最大处的频率与轴的旋转频率之比作为表征滚动轴承状态的特征向量，然后采用线性神经网络进行状态识别。实验结果表明，该方法是一种非常有效的滚动轴承故障诊断方法。     

改进证据理论及其在电力系统故障诊断中的应用

针对D-S证据理论中高度冲突的证据难以融合的问题,提出一种基于海明距离的证据合成规则.首先根据冲突系数的大小判断证据冲突程度,利用海明距离确定的相似度区分每条证据,并赋予权重,然后对原始基本信度分配函数进行重新分配,最终得到更加合理的合成结果.将该数据融合方法用于电力系统的故障诊断实例中,表明该方法合理有效,计算结果更符合实际.