D-S证据理论在凝汽器故障诊断中的应用

运用D-S证据理论将用不同模糊方法得出的诊断结果进行融合。试验证明，融合以后的结果比模糊方法得出的诊断结果误判率更低。运用D-S证据理论，可以减小因隶属度函数的不同而带来故障误判的可能性，从而更准确地判断故障原因。     

基于D-S证据理论的直流电机故障诊断研究

通过分析直流电机的故障机理,得到在不同信号（如电流、转速、转矩等）中所表现的故障特征,提出了一种神经网络和D-S证据理论的多传感器数据融合技术的直流电机故障诊断方法。利用多源信息间的冗余性和互补性,有效提取故障特征信息,提高了诊断的可靠性和灵敏度。     

基于D-S证据理论的油浸式电力变压器故障诊断

当前对变压器进行故障诊断,主要是利用从分散的传感器收集到的检测信息,但使用单独的传感器采集数据进行判别,由于缺乏对数据的融合分析,易造成诊断中的误判或漏判。提出了一种基于D-S证据理论的油浸式电力变压器故障诊断方法,该方法通过融合数据来处理故障诊断中的不确定度。建立了故障诊断的融合模型,给出了方法的具体实现步骤并应用实例进行计算。结果表明,本方法可以减少诊断中的不确定性,提高故障诊断的准确性。     

D-S证据理论在断路器故障诊断中的应用

在一个使用了电流与振动双传感器的断路器实时监测系统上,运用D-S证据理论、Dempster合成法则,对断路器故障进行了判断,以考察D-S证据理论用于状态监测中信息融合的可靠度。     

基于量子遗传神经网络与D-S证据理论的断路器机械特性故障诊断

针对目前断路器故障诊断系统诊断结果不精确的现状,提出一种量子遗传神经网络与D-S证据理论的方法,利用小波包变换和频带分析技术,得到分合闸线圈电流与机械振动波的高频及低频信号,提取2类信号每个频带的能量值分别作为2个独立的量子遗传径向基(RBF)神经网络的输入量,并得到2个初步诊断结果,最终利用D-S证据理论技术将2个RBF神经网络的评价结果融合。实验结果表明:量子遗传算法改进的RBF神经网络收敛速度快,结果精确;同时,D-S证据理论融合后的诊断结果准确度更高,并且诊断结果可信度提升。     

基于神经网络的凝汽器故障诊断系统

凝汽器是汽轮机的一个重要的辅助设备，本文提出了一种基于神经网络的凝汽器故障诊断方法，该方法具有较强的故障模式识别能力，为凝汽器故障诊断的自动化、科学化提供了一种有效的方法。     

基于BP神经网络的凝汽器故障诊断方法研究

凝汽器是汽轮机的一个重要的辅助设备 ,其工作情况的好坏直接影响到机组的安全和经济运行 ,因此 ,对凝汽器运行状态的监测与诊断受到电厂运行部门的普遍关注。介绍了应用人工神经网络中的 BP网络进行凝汽器的故障诊断 ,该方法计算简单 ,实用方便 ,且诊断结果具有相当程度的可靠性。     

基于模糊神经网络的凝汽器故障诊断研究

采用模糊神经网络进行凝汽器的故障诊断。根据某电厂的运行规程及运行经验构造了进行凝汽器故障诊断所需的全部17个隶属函数,利用这些隶属函数可以对各个输入进行模糊化处理,使之成为量化输入。对模糊BP网络进行训练,可以得到模糊BP网络的知识库结构。在此基础上,对一个凝汽器实际故障进行了诊断,得出了令人满意的结果。     

基于改进的D-S证据理论的旋转整流器故障诊断研究

D-S融合规则是证据理论的重要部分,广泛应用于多信息融合算法中.由于该组合规则本身存在一些不足之处,应用到旋转整流器的故障诊断中,效果不理想.建立了发电机的系统模型,利用小波能量法提取故障特征,并提出了一种改进融合算法——冲突证据融合规则,其有效克服了D-S融合规则的不足,对一组实测故障数据的融合诊断表明,能够对故障做出准确判断.     

基于改进PSO-BP神经网络和D-S证据理论的大型变压器故障综合诊断

阐述了已有变压器故障诊断方法的不足,并将信息融合的基本思想引入变压器故障诊断中。针对电力变压器故障综合诊断的特点和要求,运用改进粒子群优化-反向传播（PSO-BP）算法训练神经网络并结合D-S证据理论,提出了一种基于信息融合技术的变压器故障综合诊断决策模型。该模型以油中溶解气体色谱分析为基础,结合变压器常规电气试验结论与现场运行、维修经验,得出了较为可靠的诊断结果,实例验证也证明了该方法的有效性。     

基于小波神经网络和D-S证据理论的电力变压器故障诊断研究

>Transformer faults are quite complicated phenomena and can occur due to a variety of reasons.There have been several methods for transformer fault synthetic diagnosis,but each of them has its own limitations in real fault diagnosis applications.In order to overcome those shortcomings in the existing methods,a new transformer fault diagnosis method based on a wavelet neural network optimized by adaptive genetic algorithm(AGA)and an improved D-S evidence theory fusion technique is proposed in this paper.The proposed method combines the oil chromatogram data and the off-line electrical test data of transformers to carry out fault diagnosis.Based on the fusion mechanism of D-S evidence theory,the comprehensive reliability of evidence is constructed by considering the evidence importance,the outputs of the neural network and the expert experience.The new method increases the objectivity of the basic probability assignment(BPA)and reduces the basic probability assigned for uncertain and unimportant information.The case study results of using the proposed method show that it has a good performance of fault diagnosis for transformers.     

D-S证据理论在火灾探测中的应用

介绍基于D-S证据理论的多传感器多测量周期的信息融合（时空信息融合）的方法，评将该方法应用于火灾探测领域。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。     

改进的D-S证据理论在电动执行器故障诊断中的应用

电动执行器作为控制系统的终端部件比较容易出现故障,从而对控制性能产生直接的影响。D—S证据理论在处理数据的冲突性和数据的敏感性方面存在一定的缺点,针对这一缺点将其进行改进,将改进后的理论应用于电动执行器的故障诊断,通过诊断数据的比较结果可以看出改进后的证据理论在处理冲突性数据方面是可以得到更为合理的结果的。     

基于PSO-GRNN和D-S证据理论的电网分区故障诊断

针对大电网中保护和断路器误动、拒动、信息丢失等不确定的电网故障信息以及现有电网分区方法的不足,提出了基于粒子群优化广义回归神经网络（PSO-GRNN）和D-S证据理论的电网分区故障诊断方法。首先,通过改进图形分割法将大电网划分为相互重叠的不同区域,降低故障诊断难度。然后在各个区域建立PSO-GRNN诊断模块,根据故障警报信息,并行完成各自的故障诊断任务。最后,采用D-S证据理论对相邻区域的重叠区域进行分析,以实现对重叠区域的综合故障诊断。仿真结果表明,该方法能有效识别非重叠区域和重叠区域的故障,容错能力强,诊断准确率高。     

基于D-S证据理论的变压器故障诊断

针对电力变压器故障征兆与原因之间错综复杂的关系,以及单一变压器故障诊断算法精度有限的问题,本文提出一种在D-S证据理论的基础上,结合灰关联熵法和加权K邻近算法的变压器故障诊断新方法。该算法以油中溶解气体分析方法(Dissolved Gases Analysis,简称DGA)为基础,通过灰关联熵法和加权K邻近算法构建证据理论的基本可信度赋值函数,然后利用证据组合规则产生更为可靠的证据信息;最后根据基本可信数最大值确定变压器故障类型。变压器故障诊断实例结果表明该算法能够准确判断出变压器的故障类型,证明了该算法的可行性和有效性。     

基于D-S证据理论的空气预热器故障诊断

局部堵灰和局部漏风是空气预热器常见的故障,基于人工的故障诊断很难将其正确区分,且无法与整个机组的自动化程度适应,而应用D-S证据理论数据融合算法,却可以取得令人满意的效果。文章基于典型样本建立置信函数,利用证据与各个目标模式间的汉明距离构造置信函数分配,针对某电厂8号机组空气预热器进行了故障诊断。诊断结果有效区分了空气预热器局部堵灰和局部漏风的故障。     

结合D-S证据推理的贝叶斯网络法在配电网可靠性评估中的应用

D-S证据理论的不确定推理方法,能够很好地处理具有模糊和不确定信息的合成问题。本文针对配电网可靠性评估中原始参数的不完整或者主观性参数对评估结果的影响,将D-S证据推理方法与传统的贝叶斯网络法相结合,进行配电系统的可靠性评估。通过构造信任函数、似然函数和多状态的节点模型,建立改进的贝叶斯网络模型。该方法很好地解决了由于信息的不完整和不确定对可靠性评估结果造成的影响,减少了传统可靠性评估方法对设备原始参数的依赖性,更加客观地反映了系统的可靠性。通过实例分析,验证了该方法的有效性。     

基于神经网络和D-S证据理论的回热系统故障诊断

火电机组中的回热系统的故障原因复杂,且具有相关联,在深入分析D-S证据理论和神经网络理论的基础之上,将这两种方法进行融合。通过对回热系统典型故障的数据流参数进行分析,先由神经网络进行初步诊断,并将诊断结果处理后作为证据理论的基本可信度分配值,得到最终的诊断结果。经过试验分析表明:该方法能够使得火电机组回热系统故障识别能力得到提高。