基于典型样本数据融合方法的锅炉制粉系统故障诊断

针对D-S证据理论应用中证据对目标模式的信度函数分配难以确定的问题,提出一种基于典型样本的信度函数分配获取方法,利用证据与各个目标模式典型样本之问的汉明距离构造信度函数分配。满足信度函数分配的定义并且减少了其主观性。将此数据融合方法应用到锅炉制粉系统故障诊断中,用以识别磨内煤粉自燃、磨满煤和磨断煤故障,根据历史数据验证,该方法可以有效判别故障类型并且能够做出早期诊断故障预测。     

基于D-S证据理论的燃烧稳定性融合诊断

针对电厂锅炉燃烧火焰监控信号判断问题，结合现有的FSSS系统燃烧稳定性的判断逻辑，提出了一种基于D-S(Dempster-Shafer)证据理论的燃烧稳定性判别方法。考虑不同工况下火焰的燃烧情况，以单层燃烧器的四个火检信号结合风煤比的大小以及相邻层火检信号来建立典型样本。以典型样本为参照依据，计算各证据在着火模式和灭火模式下的信度密度值，然后对其进行归一化处理得到信度函数分配。选取某时间段内的一层燃烧器的4个火检信号、风煤比、相邻层火焰作为证据，结合典型样本库计算出证据在各目标模式下的信度函数分配及不确定度，利用D-S联合规则进行数据融合，对燃烧稳定做出判断。经实验分析证明该种方法的有效性，并且提高了判断结果的准确性。在信度函数构造的过程中减少了主观性，便于工程应用。     

基于改进D-S证据理论的燃气轮机滑油系统故障诊断

本文使用D-S证据理论决策层融合结构融合了4种经典信息融合算法,对滑油系统典型故障进行诊断。为解决证据冲突问题,本文对D-S证据理论公式进行了改进,并验证了改进公式在特征层和决策层的融合效果。结论表明本文提出的D-S证据理论改进方法能够较好地解决证据冲突带来的问题,可以提高诊断正确率;证据理论在决策层融合中的优势较为明显,应用于多种方法诊断结果的决策层融合可以提高诊断的容错性。     

D-S证据理论与小波神经网络在发动机故障诊断中的应用

将小波神经网络技术和D-S证据理论引入到发动机故障诊断中,利用小波神经网络良好的局部分析能力和融合特性,以及D-S证据理论对于不确定性故障的分析,提高了发动机故障诊断的精确性.     

基于LS-SVM的燃烧状况智能诊断

运用D-S证据理论以及多传感器信息融合理论建立了数据融合目标识别系统,将其应用于燃烧状况诊断系统中,并利用最小二乘支持向量机理论以及自适应遗传算法理论解决了D-S证据理论当中基本概率分配函数难以获取的问题.所建立的燃烧诊断系统取得了比常用的燃烧状况诊断系统更高的燃烧状况诊断准确率,其中稳定燃烧诊断正确率为84%,不稳定燃烧诊断准确率为79%.     

基于云模型和D-S证据理论的尾矿库失稳溃坝警情评价模型及应用

为实现对尾矿库失稳溃坝警情状态的系统评价,并考虑影响因素之间的不确定性、随机性和模糊性问题,将云模型和D-S证据理论相结合,构建了基于云模型和D-S证据理论的尾矿库失稳溃坝警情评价模型,即利用云模型实现对区间型数据的统一建模处理,再采用D-S证据理论对不同证据进行融合处理,得到最终的评价结果。实例应用表明,该模型评价结果与实际情况相符,在处理不确定性信息融合问题上有效、合理。     

加权优化的D-S证据理论在大坝安全评价中的应用

针对传统D-S证据理论存在鲁棒性差与"一票否决"等问题,提出采用加权融合法优化D-S证据理论,以提高其在大坝安全评价应用中的可靠性。首先对原始监测数据进行标准化及归一化处理;然后用欧氏距离确定权重,利用各监测项目间的内在联系进行D-S证据融合;最后根据加权融合结果对西溪水库大坝进行安全评价。结果表明,大坝整体的安全与较安全指标概率赋值达0.527,远大于较不安全指标0.049,大坝处于安全状态;坝基渗流较不安全概率赋值达0.492,存在一定的渗流安全隐患,融合评价结果与工程实际相符合,说明该方法可如实反映大坝的安全状况。     

D-S证据理论及其在燃气轮机系统诊断中的应用研究

针对燃气轮机轴承监测诊断中存在的多源监测数据利用不足、传感器信号不确定性难以消除、诊断精度待提高等问题,D-S证据理论（Dempster-Shafer Evidence Theory）作为一种简洁、高效的决策层多源信息融合方法,在燃气轮机状态监测与故障诊断中具有应用潜力。本文引入传统的D-S证据理论,并针对其存在的缺陷,系统总结了证据理论在燃气轮机轴承故障诊断领域的研究现状,围绕燃气轮机实际的工业应用场景,分析归纳了D-S证据理论的特点,并指出了未来D-S证据理论与燃气轮机轴承故障诊断的发展趋势。     

多神经网络与D-S证据理论融合的凝汽器故障诊断方法

在凝汽器故障诊断的研究历史中,人工神经网络有着举足轻重的作用。但由于单一神经网络自身缺点的存在,使得故障诊断的准确率不高。针对这一问题,使用BP神经网络和Elman神经网络对故障样本进行训练仿真,并将诊断结果借助于D-S证据理论进行融合。结果表明:多神经网络与D-S证据理论融合的方法可以很好的进行故障剥离,诊断出最终故障,从而提高凝汽器故障诊断的准确性。     

基于数据融合的球磨机最佳负荷工作点判断

在分析能够反映磨负荷的参量基础上。提出利用数据融合技术判断磨运行状态的方法。根据磨的设计数据和历史运行数据给出各个参量对磨运行状态判断的可信度分配,再利用D-S证据理论对其进行融合得到各个参量综合判断,针对D-S证据理论可信度分配固定不变的缺点．提出一种改进的原则。实际运行表明,新方法具有可靠性高,便于实现的优点。     

一种基于D-S证据理论的水轮机故障诊断方法

为解决不确定条件下水轮机故障诊断问题,在故障样本集的基础上通过粗糙集约简冗余属性获取了诊断规则进行故障诊断.对检测信息不完备时根据检测条件属性通过贝叶斯定理计算缺失属性发生的概率用于故障判断.针对多个诊断中出现的问题,通过D-S证据理论进行融合以获取一致性输出.示例证明了该方法的可行性与有效性.     

基于D_S证据理论的煤粉细度融合诊断

针对电厂煤粉细度在线测量难的问题,提出利用数据融合技术识别煤粉过细、煤粉正常、煤粉过粗。在分析与煤粉细度相关的多个运行状态参量基础上,根据历史运行数据,确定煤粉细度的典型样本,然后对各状态参量应用D—S融合规则得到结果。而对于D—S证据理论应用中基本概率赋值难以确定问题,应用正态分布曲线构造相似度函数．继而得到基本概率赋值,减少了方法的主观性。根据运行数据验证,该方法能够有效诊断煤粉细度,且具有较好的鲁棒性,具有工程实用价值。     

基于数据融合技术的凝汽器故障诊断研究

为了实现对核动力装置凝给水系统故障的识别和准确诊断,将数据融合技术应用于凝汽器故障诊断中,建立了BP神经网络和D-S证据理论融合的故障诊断模型,仿真实验证明该诊断系统可有效地提高诊断可信度,减少诊断的不确定性.     

汽轮发电机组转子复合故障的研究

研究了一种综合应用神经网络的分类功能和D—S推理融合诊断的故障决策新方法。针对大型汽轮发电机组多重故障复合发生的实际情况，首先应用神经网络技术对复杂故障进行了初步诊断，然后应用D—S证据理论对诊断结果进行融合决策。解决了汽轮发电机组多重复合故障的诊断问题，并给出了诊断实例。     

基于两级信息融合的凝汽器故障诊断方法

采用多级信息融合，提出了一种新的凝汽器故障诊断方法。首先，利用神经网络和距离测度的方法进行初级融合；然后，再利用D—S证据理论进行决策级的融合。结果表明，该方法降低了神经网络误判的可能性，同时也得到比基于距离测度的方法更直观的判决结果。     

采用数据融合方法诊断电站锅炉的燃烧稳定性

电站锅炉燃烧稳定性易受锅炉负荷、煤质等因素影响,单一的火检信号或炉膛压力信号所反映的燃烧状态信息,既不准确也不完整.为提高对炉内燃烧状态的判别质量,引入了数据融合的方法.通过采用D-S证据理论方法对常规火检信号和炉膛压力压信号进行融合,得到综合诊断结果,并提出了一种简单可行的基本概率分配方法.对某电厂监控信息系统中保存的某一时间段的运行数据进行分析验证.结果表明:基于证据理论融合后的诊断结果较各传感器单独决策的结果精度高、可靠性强,不确定性大大减小,从而能对燃烧状态作出更有效的诊断.     

Fault location of distribution networks based on multi-source information

In order to promote the development of the Internet of Things (loT), there has been an increase in the coverage of the customer electric information acquisition system (CEIAS). The traditional fault location method for the distribution network only considers the information reported by the Feeder Terminal Unit (FTU) and the fault tolerance rate is low when the information is omitted or misreported. Therefore, this study considers the influence of the distributed generations (DGs) for the distribution network. This takes the CEIAS as a redundant information source and solves the model by applying a binary particle swarm optimization algorithm (BPSO). The improved Dempster/S-hafer evidence theory (D-S evidence theory) is used for evidence fusion to achieve the fault section location for the distribution network. An example is provided to verify that the proposed method can achieve single or multiple fault locations with a higher fault tolerance.     

基于改进Petri网与希尔伯特黄变换融合的电网故障诊断

为了提高电网故障诊断结果的准确性,提出了基于改进Petri网与希尔伯特黄变换融合的电网故障诊断方法。首先在已有基于开关量的Petri网模型上做了简化与改进,改进模型同时考虑了主保护、后备保护和失灵保护的影响,可充分模拟实际故障中各个保护的优先级别,并引入分步诊断的概念简化了模型推导的复杂程度;然后通过希尔伯特黄变换来分析已获取的可疑故障设备的相关电气量,同时定义并计算得幅值故障度、频率故障度和能量故障度三个故障测度指标;最后在D-S证据理论的基础上融合三个故障测度获取故障元件。算例结果表明,该方法可改善故障诊断的准确度。