复杂装备的D-S故障诊断研究

D-S证据理论已广泛地应用到故障诊断中,其中的证据合成一般可采用Dempser合成公式.在复杂武器装备中,领域专家可能给出矛盾的证据,此时需采用冲突证据合成公式,但已有研究都有各自的不足.不同性质的证据选用不同的合成公式,首先要求解决衡量证据矛盾性的问题.人们虽然对此已做了一些探讨,但都没有反映D-S故障诊断的需要.文中介绍了D-S故障诊断,包括Dempser合成公式、提出的冲突证据的优化合成公式、粒子群优化算法、提出的衡量证据冲突程度的方法、以及故障决策方法.通过某型装备验证了D-S诊断及所提新方法的有效性.     

基于QPSO-BP和改进D-S的水电机组振动故障诊断

为提高水电机组振动故障诊断的准确性,提出了一种基于改进D-S证据理论融合量子粒子群优化BP神经网络(QPSO-BP)的诊断方法。根据水电机组常见的振动故障类型,采用3个惯性权值随机调整的QPSO-BP网络分别对其进行初级诊断,并作为独立证据体应用于D-S理论的合成之中,实现了基本概率赋值的客观化。针对标准D-S无法合成高度冲突证据的缺陷,通过计算权值矩阵对其进行修正。实例分析表明,和3个初级诊断模型及标准D-S合成法相比,所提方法可以有效识别机组的振动故障,具有较高的诊断准确率。     

基于改进D-S的水电机组集成故障诊断研究

针对常规水电机组振动故障诊断技术中易出现错判及诊断可靠性低等问题,提出了一种基于改进D-S证据理论的集成故障诊断方法。根据水电机组振动故障的频域信号,由模拟退火粒子群混合算法来处理证据理论的基本概率分配问题。再利用改进D-S理论来实现可信度分配的合理赋值,最后进行多信息的融合决策。实例表明,该方法可以在原始证据出现高度冲突以及相一致的情况下,都具有较高的诊断可信度,从而实现了对水电机组振动故障模式的有效识别。     

基于云模型和改进D-S证据理论的变压器故障诊断

为了进一步提高变压器故障诊断精度,提出基于云模型与改进D-S证据理论的变压器故障诊断方法。首先,利用油中溶解气故障样本建立各类型故障的标准云模型,并计算待测样本与故障标准云间的隶属度值;其次,根据隶属度确定不同故障下的基本概率分配;然后,利用Pignistic概率距离构建相似度并对基本概率分配进行修正,再引入平均支持度加权优化证据融合规则;最后,使用基于云模型和改进证据理论建立的诊断模型对实际案例进行测试与诊断分析。实验结果表明：基于云模型和改进D-S证据理论建立的模型故障诊断精度达88.4±2.8%,较支持向量机、K最近邻分类算法和灰色关联分析法的识别率分别提高了7.8%、3.8%、15.7%,验证了所建模型具有更优越的故障诊断性能。     

基于多级决策融合模型的电力变压器故障深度诊断方法

针对电力变压器故障的深度诊断问题,提出一种深度置信网络与D-S证据理论相结合的方法。采用深度置信网络对电力变压器故障的多维数据进行特征提取及分类,并结合D-S证据理论解决故障诊断中的不确定性问题,构造了电力变压器故障诊断的多级决策融合模型。以变压器油中溶解气体、局放量以及历史故障数据和家族质量史等数据为样本进行仿真实验,结果表明所提方法对于具备大量多源信息的电力变压器故障诊断问题是有效的。     

基于D-S算法的断路器机械故障诊断技术

研究了证据理论在高压断路器故障诊断中的应用.应用D-S(Dempster-Shafer)证据理论基于多传感器在线监测系统对高压断路器进行故障诊断.探讨了D-S(Dempster-Shafer)证据理论的有效性问题,并在D-S证据理论失效的特殊情况下给出了解决方法,提高了D-S证据理论在高压断路器状态监测中故障判断的可靠性,给出了一套可靠的高压断路器故障诊断方法.并且针对D-S证据理论,分析了Dempster的修正模型在证据高度冲突方面的缺陷,提出了一种新的基于D-S证据理论的合成规则.实验结果也表明,这种新的合成规则不但比较好地综合保留了修正模型的优点,又避免其不足,取得了更加合理的效果.     

一种基于改进贝叶斯分类器的基本信任分配构造方法

针对D-S证据理论在应用于变压器故障诊断时基本信任分配的问题,本文提出了一种基于改进贝叶斯分类器的基本信任分配函数的构造方法,该方法根据不同的属性值来确定满足条件的取值区间,克服了贝叶斯分类器同一区域内基本信任分配函数无法变化的问题。实验表明,构造的基本信任分配函数正确有效。     

基于多传感器信息融合和神经网络的汽轮机故障诊断研究

针对传统故障诊断方法存在的诊断准确性不高的问题,提出了基于D-S证据理论的多传感器信息融合技术与BP神经网络相结合的方法,实现对汽轮机的机械故障诊断.由多个传感器采集振动信号,分别经小波变换特征提取后获得故障特征值,再经BP神经网络进行故障局部诊断,得到相应传感器对故障类型的基本可信任分配函数值,即获得彼此独立的多个证据,然后运用D-S证据理论对各证据进行融合,最终完成对汽轮机机械故障的准确诊断.实验结果表明,该方法克服了单个传感器的局限性和不确定性,是一种有效的故障诊断方法.     

改进D-S证据理论在振动故障诊断中的应用

针对传统D-S证据理论对燃气轮机进行振动故障诊断时会出现一些悖论问题,提出D-S理论改进算法。首先,对采集的燃机振动信号分别从时域和频域进行特征提取,再利用三种不同类型的神经网络模型进行初步诊断,将初步诊断的结果经归一化构建原生证据,然后通过引入证据间的支持矩阵对原生证据进行修正,最后根据改进D-S规则进行决策融合。通过燃气轮机的振动故障诊断实验,证明了该算法能够充分利用各种信息,避免了传统方法出现的悖论现象,提高了燃气轮机振动故障诊断结果的准确性。     

基于改进DS证据理论的变压器故障诊断方法

传统证据理论在变压器故障诊断中存在主观局限性,且对证据体可靠性的选取缺乏科学性。为了融合变压器色谱分析数据与电气试验数据,并能全面的反映变压器的状态,文中提出一种基于改进证据理论的变压器故障诊断模型。首先,通过熵权法求出子证据体的相对权重,再结合BP和量子神经网络的优化诊断结果,修正熵权作为证据体的可靠因子;其次,构造子证据体的基本概率分配函数,采用Dempster合成规则实现故障信息融合;最后,将所提诊断方法应用于实际工程案例,诊断结果表明：该诊断方法有效、可行,且提高了诊断准确率。     

基于AdaBoost-RBF算法与DSmT的变压器故障诊断技术

针对目前浅层机器学习理论在变压器故障诊断上精度不高以及大多数诊断方法参考的信息特征量单一的现状,提出一种基于AdaBoost-RBF算法与Dezert-Smarandache理论(DSmT)的变压器故障诊断方法。选择反映变压器故障信息的油中溶解气体、试验及产气率数据构成诊断参量空间,利用AdaBoost算法改进RBF神经网络算法,应用AdaBoost-RBF算法搭建并行的训练单元构造变压器故障诊断识别框架的基本信度赋值(BBA)。基于多源信息融合的思想,应用DSmT对基本信度赋值进行融合得到最终诊断结论,该理论克服了D-S证据理论无法融合高冲突性证据的局限性。对110 kV变压器进行仿真实例分析,结果表明所提方法具有良好的实用性。     

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.     

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。     

灰色理论PNN和D-S集成的汽轮机组故障诊断

汽轮机组发生故障的原因多且复杂,若是仅采用单一的故障诊断方法进行故障诊断,可能会存在误诊或漏诊的问题.为了解决此类问题,同时为了提高故障诊断的可靠性,所以引入D-S理论进行融合故障诊断.针对汽轮发电机组故障的特点,提出了一种基于灰色理论-PNN(概率神经网络)和D-S理论集成的故障融合诊断策略.该策略先采用灰色理论和P...     

基于灰色关联和证据理论的故障诊断方法

本文在证据理论的基础上,结合信息熵和灰色关联算法,提出了一种新的机械故障诊断方法。该方法从信息融合的思想出发,首先依据反映机械故障的信息熵特征,获得基于信息熵的故障诊断标准特征向量。接着采用灰色关联理论建立证据理论的基本概率赋值函数,提出了利用证据理论对单传感器多测量周期证据时域融合和多传感器证据空域融合相结合的时空二级融合算法,最后以基本可信数的决策方法作为故障模式识别依据。通过旋转机械故障的典型实例证明,基于灰色关联和证据理论的机械故障诊断方法是故障模式定量识别的一种可行的新方法。