基于GPRS的矿井提升机制动系统故障远程监测诊断系统研究

研究利用中国移动GPRS公网进行矿井提升机制动系统故障诊断技术,提出通过Internet将现场设备与科研、高校等研究单位紧密联系起来,共同诊断,并解决矿井提升机制动系统故障的系统架构。系统采用多传感器信息融合和组态平台技术,提高了故障诊断效率和准确性,改变了传统的设备诊断方法,降低了设备维护成本,提高了设备管理水平,增加了经济效益。     

基于ZigBee和GPRS的液压设备远程故障诊断系统

为解决工程车辆液压系统结构复杂,不易拆卸,故障原因不易辨识等问题,提出了一种基于ZigBee无线传感器网络和GPRS网络的远程故障诊断系统。系统基于软件仿真和硬件搭建的方案,由ZigBee无线传感器网络采集液压系统工作数据,经GPRS网络传输到远程故障诊断中心。该系统具有结构简单、功耗低、易于实现等优点,并具有较强的可扩展性。     

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。     

D-S证据理论在火灾探测中的应用

将多传感器信息融合技术引用到火灾探测领域，介绍了基于D-S证据理论的多传感器多个测量周期的信息融合（时空信息融合）的方法，并将该方法应用于多个火灾探测器的信息融合。模拟实验结果表明，与单个传感器相比，基于D-S证据理论的多传感器时空信息融合的结果具有较高的准确度和可信度。     

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。     

基于神经网络和D-S证据理论的信息融合故障诊断方法

为了解决齿轮传动系统检测难度大、准确性不高和多点测试时信息处理复杂的问题,提取振动信号统计量特征参数、利用神经网络技术与D-S(Dempster-Shafert)证据理论相结合的信息融合故障诊断方法,实现了数据级、特征级与决策级的多级融合诊断。实验结果表明,将信息融合方法用于齿轮传动系统故障诊断,有助于综合利用故障信息,提高了故障诊断的准确性和可信度。     

基于D-S证据理论的发动机信息融合故障诊断模型

建立了基于D-S证据理论的发动机信息融合故障诊断模型.通过油液光谱分析得到监测元素的浓度值、梯度值和比例因子,采用模糊综合评判法将其组合在一起作为光谱各元素的综合评价指标,同理得到铁谱磨粒总数和各磨粒综合评价指标.最后,利用故障诊断模型对所得的16个光谱、铁谱综合评价指标进行融合,提高了故障诊断的准确率,实现了发动机故障的准确诊断.     

设备远程监测诊断系统功能分析

结合现场实际情况和需求,对设备远程监测诊断系统设计的原则和各层级的功能进行分析。     

基于D-S证据理论技术的发动机转子故障诊断

从D-S证据理论的基本概念和证据的融合推理方法出发,建立了多故障特征信息融合诊断框架,将信息融合思想引入到故障诊断领域,并应用D-S证据理论方法,解决在多传感器条件下的数据融合问题.最后,给出了一个发动机转子多故障信息进行故障诊断的实例,结果表明该方法能够有效的提高诊断可信度,减小诊断的不确定性.     

基于证据理论的立体匹配决策

立体匹配时单独用一种基本相似性测度作匹配的决策测度会出现误匹配现象,本文提出了一种基于证据理论的多重判据的匹配决策方法,实验结果表明这个方法是可靠的.     

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。     

神经网络信息融合及其在球磨机测量中的应用

火电厂中钢球磨煤机筒内存煤量的测量问题一直是制粉控制效率低和自动控制难以投入运行的主要原因之一,针对D-S证据理论存在的不足,而利用神经网络具有的自组织、自学习,并行分布处理、高度容错性和鲁棒性的特点,本文提出了一种将证据理论与模糊理论相结合的模糊证据理论方法并将其用于解决球磨机存煤量的测量问题。融合结果表明该方法用于存煤量的测量能够有效判别出存煤量的数值范围及变化趋势,为球磨机自动控制的投入和运行操作提供了有效的保证。     

Improved information fusion approach based on D-S evidence theory

Conventional D-S evidence theory has an unavoidable disadvantage in that it will give counter-intuitive result when fusing high conflict information. This paper proposes an improved method to solve this problem. By reassigning weight factors before fusing, the method can give reasonable results especially when the initial weight factors of conflict evidences are almost equal. It gives an adjustable factor to adjust the reassigning force. An example is given to illustrate these advantages. This paper was recommended for publication in revised form by Associate Editor Eung-Soo Shin Rui Sun, PhD candidate. He received M.E. in mechatronics engineering from University of Electronic Science and Technology of China. He is currently a Ph.D. candidate in School of Mechatronics Engineering, University of Electronic Science and Technology of China. His research interests include system reliability analysis and mechanical fault diagnosis. Hong-Zhong Huang is a full professor and the Dean of the School of Mechanical, Electronic, and Industrial Engineering at the University of Electronic Science and Technology of China, Chengdu, Sichuan, China. He has held visiting appointments at several universities in Canada, USA, and elsewhere in Asia. He received a Ph. D. degree in Reliability Engineering from Shanghai Jiaotong University, China. His current research interests include system reliability analysis, warranty, maintenance planning and optimization, and computational intelligence in product design. Dr. Qiang Miao obtained B.E. and M.S. degrees from Beijing University of Aeronautics and Astronautics and Ph.D. degree from University of Toronto. He is currently an associate professor of the School of Mechanical, Electronic, and Industrial Engineering, University of Electronic Science and Technology of China, Chengdu, Sichuan, China. His current research interests include machinery condition monitoring, reliability engineering, and maintenance decision-making.     

基于加权D—S证据理论信息融合的故障诊断方法及其应用

针对新产品因故障概率数据掌握不充分使其故障诊断较为困难的问题,提出了一种基于加权D—S证据理论多源信息融合的故障诊断方法。该方法采用D-S证据融合,解决了缺乏故障概率分布模型或准确数学分析无效的问题,引入加权Ds证据理论融合方法进行故障诊断,用历史故障估计的正确率作为确定信息源当前检测估计值的置信程度调整,实现了故障诊断的历史数据对当前诊断结果的修正。对新型船舶气象仪故障诊断结果表明,该方法在故障概率和故障经验知识掌握不充分时,实现故障诊断是非常有效的。     

基于ZigBee和GPRS的油井远程监控系统

针对现在落后的油井监管方式,设计出一种基于Zig Bee和GPRS的油井远程监控系统。该系统主要包括数据采集前端、主控模块和监控后台3个部分,主控模块采用功能强大的MK60DN512微处理器作为硬件电路的设计核心,它通过GPRS技术与监控后台交换数据,而对于GPRS不能覆盖的区域,选择Zig Bee技术作为数据传输的辅助手段。     

D-S理论在复合振动识别中的应用

在D—S证据理论的基础上，针对动力机械复合振动识别中在同一征兆域中很难区分多种振动故障的实际状况，研究利用其他征兆域的识别信息，进行全局信息融合，从而达到较为准确的振动故障定位；系统地论述了基于证据理论和神经网络的多参数体系识别的数据融合方法，在该方法中采用证据理论的组合规则进行局部和全局信息融合，结果表明D—S证据理论能有效地识别动力机械复合振动特征；给出了识别实例。     

基于证据理论的最佳联盟评价方法研究

动态联盟中各合作伙伴能否相互协调和配合,是联盟能否顺利完成市场机遇的重要因素。利用证据理论不精确推理的特点,综合评价Agent对企业的不确定性和不完全性评判结果,为盟主企业进行最佳联盟选择提供了一种量化决策的方法,并用实例说明了该方法的有效性。     

基于ZigBee和GPRS的多通讯功能无线测控系统

针对传统的移动测控系统的监控实时性差、成本高等问题,结合ZigBee技术和GPRS技术,设计了一种基于ZigBee和GPRS的多通讯功能无线测控系统。该系统由实现就地采集和控制的传感器节点、路由器和ZigBee协调器等组成,传感器节点采用MC56F8037 DSP芯片进行数据采集和控制,采用JN5139芯片实现ZigBee通讯,两芯片之间采用串行通讯交换数据;协调器节点主要由JN5139芯片、以太网芯片CP2200和SIM900A模块组成。协调器除管理ZigBee网络外,实现了与以太网控制芯片CP2200通讯,嵌入了GPRS通讯协议、以太网协议和TCP/IP协议,使之成为具有多种接口的多功能网关,实现了基于Internet的远程控制。研究结果表明,该系统减少了多种通讯方式下的转发设备,降低了成本投入,为基于无线通讯的远程监控系统提供了实用和高效的解决方案,具有广阔的市场前景。