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DSmT与小波网络的齿轮箱早期故障融合诊断

针对齿轮箱早期故障特征十分微弱难以有效辨识问题,提出基于DSmT理论与小波神经网络的齿轮箱早期故障融合诊断模型。利用多个振动传感器合理布置在齿轮箱的多个关键部位采集多源振动信息并进行特征提取;利用多个并联小波神经网络实现齿轮箱早期故障的初级诊断获得彼此独立的多个证据;利用DSmT理论对多个独立证据进行融合决策得出齿轮箱的最终诊断结论。DSmT理论克服了传统DST证据理论的局限性,小波神经网络实现多源证据信度分配的客观化。诊断实验结果表明,该方法能有效提高齿轮箱早期故障特征的辨识精度、降低诊断的不确定性。     

基于D-S证据理论高速列车横向失稳故障判别研究

为解决高速列车发生横向失稳故障时,转向架的运行情况难以被单一传感器测量得到全面信息以及准确地反应等问题,提出利用多个加速度传感器组成多信息源网络系统,建立基于多信息源的高速列车横向失稳故障决策融合诊断系统。由于高速列车发生横向失稳故障存在复杂的轮轨耦合关系,导致列车横向失稳故障状态诊断难度大,基于此提出D-S证据理论方法融合系统中各个传感器中测量数据信息并应用于高速列车横向失稳故障状态判别。结果表明:基于D-S证据理论方法与任何单一传感器诊断结果相比,识别效果更好,对正常状态、小幅蛇行以及大幅蛇行故障状态的识别率分别达92.3%、82.89%、88.67%,证明该方法有效。     

结合SVM和改进证据理论的多信息融合故障诊断

为了综合合理利用设备多个方面特征信息来提高故障诊断的准确性,提出一种结合支持向量机(Support vector machine,SVM)和改进证据理论的多信息融合故障诊断方法。该方法通过混淆矩阵获取各SVM局部诊断证据对各故障模式的可靠度,赋予不同的权重系数,并对由各SVM局部诊断硬输出判决矩阵构造出的基本概率分配进行加权处理,从而实现SVM和改进证据理论在多信息融合故障诊断中的有效结合。实验结果表明,各SVM局部诊断证据的加权融合处理能够显著降低各局部诊断间的冲突,所提方法可以有效提高故障诊断的准确率。     

支持张量机与KNN-AMDM决策融合的齿轮箱故障诊断方法

针对齿轮箱故障诊断时使用单一传感器进行信号获取过程中存在信息不完整的问题,导致故障特征信息及诊断推理方法具有随机性和模糊性。利用多传感器信息融合的二阶张量特征作为输入,构建了一个支持张量机和集成矩阵距离测度(Assembled Matrix Distance Metric,AMDM)的K最近邻分类器(k-nearest neighborhood classifier,KNN)决策融合故障诊断模型。首先,对多传感器信息时频域特征层进行融合,获得二阶张量的特征样本;其次,分别构建基于集成支持张量机、KNN-AMDM的故障诊断模型,并针对两类故障诊断模型的输入,设计了两种基本概率分配赋值的转化方法,通过不断调整参与的传感器数目获得6种不同的故障征兆张量集,进而得到12种不同的初步故障诊断结果;最后,采用D-S证据理论对12个证据体提供的基本概率分配值进行融合决策,得到最终的齿轮箱故障诊断结果。实验对比表明,该方法可提高齿轮故障诊断结果的可信度。     

融合多参量的电力设备故障诊断技术研究与应用

为全面综合诊断电力设备故障,参考已有电力设备综合诊断方法,结合变压器油中溶解气体数据和电力试验数据,利用自适应遗传算法优化小波神经网络和证据理论融合技术,提出了一种基于多参量的电力设备故障综合诊断模型。通过故障特征参数的划分分别构建神经网络从不同侧面反映变压器的故障,同时结合证据的重要性、神经网络的输出改进证据体的基本概率分配赋值,充分体现证据体对单个故障模式识别的可信度。诊断结果表明,融合多参量的电力设备故障综合诊断比基于单参量故障诊断的诊断性能较好。     

基于多源信息的高速列车走行部故障识别方法

针对高速列车安全性能跟踪监测点多、监测数据量大而导致的走行部故障识别难的问题,提出了一种基于模糊证据理论的多特征、多源信息融合的走行部故障识别方法。首先根据不同传感器信息的某类特征属于不同故障模式下的隶属度间的差异来计算传感器间的信息融合度,利用融合度来确定不同传感器在融合中的权重,从而得到同类特征不同传感器间信息融合后的隶属度;然后由融合后的隶属度转化为基本概率分配函数;最后用证据理论对不同特征间信息进行融合。实验结果表明,该方法能有效地识别列车正常、空气弹簧失气、抗蛇形减震器全拆、横向减震器全拆四种情况,同时在不同速度下均取得了满意的识别率,验证了该方法的有效性。     

基于改进证据理论的故障诊断方法研究及应用

针对传感器证据信息全局修正针对性不强及冲突证据无法判别等问题,提出基于改进证据理论的故障诊断方法。利用冲突证据判据判断可信证据与冲突证据,保留可信证据,通过可信度对冲突证据进行针对性修正。该判断及局部修正可降低传感器证据信息的不确定性,并减弱冲突信息对合成结果影响。结合神经网络建立特征空间到证据空间的映射,有效利用网络输出结果,通过信息熵构建原始证据。将所有证据用改进D-S公式合成。通过齿轮泵早期故障试验,与神经网络及其它证据合成方法对比表明,该方法诊断精度较高,从而验证了融合方法的有效性。     

基于SVM-DS证据理论融合决策的故障诊断方法

针对复杂工况下单传感器对于装备故障诊断识别率低、证据缺乏、数据冗余等问题，提出一种基于支持向量机(Support Vector Machine,SVM)结合D-S证据理论的多维度特征数据融合决策故障诊断方法。首先，通过多种方法提取特征构建SVM分类器，对故障类型进行初步分类；然后，将Sigmoid函数作为传递函数，利用SVM分类器对测试数据进行分类，获取测试样本的后验概率并得到测试样本的混淆矩阵；最后，根据混淆矩阵求出局部可信度与全局可信度，并与后验概率相结合实现基本概率分配函数赋值，通过融合计算得到最终诊断结果。实验结果表明，融合后的分类器模型对内圈故障类型分类准确率达100%，对正常和滚珠类型分类准确率为95%，对外圈故障分类准确率为90%。采取多特征融合诊断相较于单一方法有较高准确率和鲁棒性，可有效降低单一特征提取所带来的不稳定性。     

基于多元统计的电机故障诊断新方法

提出了用多元统计过程控制方法(MSPC)对异步电动机进行故障诊断的新方法.利用多个传感器测量的异步电机多维信号参量,构建电机在正常工作和发生故障时的Q统计和T2统计,以实现电机的状态检测;利用Q统计和T2统计值构建电机的状态特征向量,通过比较度量当前电机的特征向量H与电机发生故障时的特征向量HF的几何距离来实现电机故障的定位与分离.实验证明,该方法可以有效地实现故障的诊断与分离.     

非线性复合FSVM在设备故障诊断中的应用

为了提高设备故障诊断的精度和准确性,利用模糊支持向量机（fuzzy support vector machine,FSVM）,处理设备故障样本中的噪声数据。单个核函数构成的FSVM可以处理单一特征的样本集,但不能满足现有设备故障分析实际应用的需求。本文在现有核函数的基础上,进行复合核函数构建,可以有效解决设备故障样本集异构和分布不规则的特征,并可以对于故障进行有效分析,得到较为诊断准确的研究结果。通过对滚动轴承故障实验数据的分析,证明基于复合核函数的FSVM方法,可以有效提高故障诊断的准确度。该方法相比传统FSVM的分析结果,其故障数据信息利用更加充分,故障诊断准确性有效提高,具有较好的有效性和可行性。     

基于EWMA-BN的冷水机组故障诊断策略

为提高冷水机组故障诊断的准确度,本文提出一种基于EWMA-BN的冷水机组故障诊断策略。EWMA-BN模型通过EWMA控制图进行故障检测,以其控制限为阈值将各性能指标的故障数据分为高、低、正常3种状态,通过概率统计获得条件概率表,将条件概率表和由专家知识获得的先验概率表输入BN进行故障诊断。利用实验数据从输入模型的证据节点数量、顺序及完整性等方面分析该模型的故障诊断特性。结果表明:EWMA-BN方法对冷水机组常见故障的诊断效果显著,后验概率值(故障诊断结果)均大于0.85,且输入模型的证据节点越多,故障诊断结果越准确,但证据节点输入模型的顺序对最终故障诊断结果无任何影响;对不确定、不完整信息的利用进一步提高了模型的故障诊断能力。采用ASHRAE Project提供的数据对EWMA-BN模型进行验证,故障诊断结果良好。     

半导体精密控温技术在航天器包装容器的应用

目的 对某型号航天器包装容器进行温控系统设计,以达到航天器高精度控温的要求.方法 对总体保温布局进行设计,优化被动保温结构,采用半导体控温方式,利用Ansys Workbench进行稳态和瞬态热力学分析.通过试验测试,验证保温结构设计和热力学分析结果的合理性.结果 在外部施加热源温度36℃和0℃情况下,随着热源区域的远离,包装容器内部的温度也趋于平稳,内部装载产品区域温度基本能维持在20.99～22.662℃.实际试验结果显示箱内温度变化不大于±1℃,比传统的空调控温精度高出70％左右.结论 通过优化箱体的被动保温结构,采用半导体精密控温,可以满足未来航天器小型化、高精度运输要求.     

Wavelet Transform and Neural Networks in Fault Diagnosis of a Motor Rotor

In the motor fault diagnosis technique,vibration and stator current frequency components of detection are two main means.This article will discuss the signal detection method based on vibration fault.Because the motor vibration signal is a non-stationary random signal,fault signals often contain a lot of time-varying,burst properties of ingredients.The traditional Fourier signal analysis can not effectively extract the motor fault characteristics,but are also likely to be rich in failure information but a weak signal as noise.Therefore,we introduce wavelet packet transforms to extract the fault characteristics of the signal information.Obtained was the result as the neural network input signal,using the L-M neural network optimization method for training,and then used the BP network for fault recognition.This paper uses Matlab software to simulate and confirmed the method of motor fault diagnosis validity and accuracy.     

面向柔性制造环境的多模型故障诊断系统

为克服第一代诊断专家系统的缺陷,提高诊断系统的性能,研制了一个面向柔性制造环境的多模型故障诊断系统。介绍了该系统的组成、结构及功能以及实现技术。     

遗传算法和BP神经网络在电机故障诊断中的应用研究

人工智能方法在电机故障诊断中的应用,使得电机故障能够得到及时准确的预测和诊断,保障了电机的安全运行。介绍了BP神经网络及遗传算法的基本原理及组成结构,针对BP神经网络容易陷入局部极小点及收敛速度慢的问题,利用遗传算法对BP神经网络的权值和阀值优化,改善了BP神经网络的诊断性能;通过GA-BP网络对电机的三种故障模式进行了诊断识别,其实验仿真结果表明：无论是在诊断速度上还是诊断精度上,GA-BP神经网络诊断性能都比单独的运用BP网络有了很大提高。     

基于专家系统与神经网络集成的故障诊断的应用研究

本文针对工业生产中使用的直流电动机,应用人工智能的相关理论对其故障进行了广泛深入地研究。在此基础上,探讨了专家系统与人工神经网络相集成的电动机故障智能诊断方法并加以实现。实践证明,网络的学习时间显著缩短,整个系统的推理效率明显提高,并验证了集成式专家系统的诊断效果比传统的专家系统或神经网络更为全面、准确和迅速。电动机故障的集成式智能诊断方法是一个既有理论研究意义又有实际使用价值的课题与方向。     

基于多指标融合的故障诊断理论与方法

运用嵌入约束方法,对故障诊断中的多指标信息融合问题作了统一的数学描述,系统地研究多指标诊断的信息理论、故障的可诊断性检验、诊断指标的筛选以及基于Ｂａｙｅｓ方法的诊断模型等,并将其应用于内燃机活塞缸套磨损故障的诊断,取得了预期的效果。     

嵌入式Linux在液压系统的状态监测与故障诊断中的应用

针对国产地下无轨采矿设备液压系统故障率高,而其检测和故障诊断手段落后的背景,本文提出了一种基于嵌入式Linux的多传感器信息的液压系统状态监测与故障诊断的设计方案,通过该系统能实时地、可靠地跟踪地下无轨采矿设备液压系统的工作状态,并能将设备运行状态发展趋势、故障信息通过友好的人机界面反映出来。     

基于专家系统与神经网络集成的故障诊断的应用研究

本文针对工业生产中使用的直流电动机，应用人工智能的相关理论对其故障进行了广泛深入的研究。在此基础上，探讨了专家系统与人工神经网络相集成的电动机故障智能诊断方法并加以实现。实践证明，网络的学习时间显著缩短，整个系统的推理效率明显提高，并验证了集成式专家系统的诊断效果比传统的专家系统或神经网络更为全面、准确和迅速。电动机故障的集成式智能诊断方法是一个既有理论研究意义又有实际使用价值的课题与方向。