多信息融合电路故障诊断系统设计与开发

基于多源信息融合的电路故障诊断,当融合的信息源数目增加时,计算量变得越来越大,采用手工方式融合多源信息,具有劳动强度大、诊断结果准确率低等问题。针对这些问题,设计开发了基于信息融合的电路故障诊断系统。系统以MATLAB7.0和Microsoft Access 2003为开发工具,采用模块化设计思想,具有使用方便、稳定性好、通用性强、易扩展等特点。同时,给出了系统的体系结构及用到的融合算法流程图,并以一具体实验电路检测数据为对象,进行故障诊断,说明了系统的特点及功能。     

信息融合的故障诊断技术及应用

介绍了信息融合的种类和层次,信息融合的基本特点,融合系统的构成及关键技术;分析了融合技术处理多源信息的能力,将数据融合技术与故障诊断原理融为一体,通过数据层信息融合、特征层信息融合、决策层信息融合,实现了基于数据融合技术的变压器故障诊断;减少了传感器不确定性误差的影响,解决了变压器故障诊断中不确定推理过程,提高了变压器故障诊断的确诊率。     

基于多源Mallat-NIN-CNN网络的变压器绕组故障诊断

变压器绕组形变是常见的故障，传统的诊断方法参数过多且受噪音干扰导致诊断性能较差。提出了一种基于灰度转换的特征提取方法，该方法将振动信号转换为灰度图像，有效地提取特征。针对单源信号特性信息强度随距离变化的问题，利用多源通道采集振动信息，并利用图像融合手段抑制多源图像中大量冗余信息、信噪比低的问题，提出基于多源Mallat-NIN-CNN网络的电力变压器绕组故障诊断模型，利用Mallat算法对多源振动信号灰度图像分解，通过基于区域特性量测和加权平均方法分别对各分解层的高频分量和低频分量进行融合，将重构的灰度图像输入NIN-CNN网络进行故障诊断。经实验验证，该方法有效抑制了多源信号中的噪声，提高特征信息的完整性，降低了计算量，提高了故障诊断准确性。     

基于信息融合的电机音频故障诊断

针对目前电机音频故障诊断单传感器信号分析可靠性不足的缺点,将信息融合技术与神经网络相结合,建立电机故障诊断系统。采用多层神经网络进行故障特征级融合与电机故障的局部诊断,获得彼此独立的证据,运用D-S证据理论合成算法对各证据理论进行决策级融合,构建了电机故障音频多源信息诊断系统模型,并对此模型进行了验证,取得了良好的诊断效果。     

基于模糊评判的决策级信息融合算法的研究

文章针对水电故障诊断系统中普遍采用的传感器阀值判断方法引起的信息损失问题,将决策级信息融合技术应用于故障诊断系统中。在模糊综合评判技术和软判决融合结构下,提出了一种新的决策级信息融合算法。该算法以合成运算和全局决策融合来自多传感器的局部判决以获取所处理对象的综合决策分析,并通过在丰满水电仿真系统的故障诊断系统中的实际应用表明该算法优于传统的故障检测方法。     

信息融合的一般过程及在故障诊断中的应用

对多源信息融合了简要的综述，根据现有的结论描述了信息融合一般过程，并进一步将信息融合分为数据融合与规则融合２个方面，最后，利用信息融合的思想，对故障诊断这一典型的信息融合过程进行了分析，提出了故障诊断的局部－全局分层诊断融合框架。     

多传感器信息融合基本原理及应用

全面系统地阐述了多传感器信息融合技术的信息融合理论、模型、算法和应用,并对目前信息融合在机器人、故障诊断、图像处理等领域的应用现状进行了剖析。信息融合技术虽然发展迅速。但由于信息融合技术理论尚待完善,在融合算法、融合模型以及关联的二义性等方面还存在问题。信息融合理论在多传感器分布检测、异类多传感器融合以及建立信息融合数据库和知识库等方面将有进一步发展。     

基于自适应遗传算法的智能电网继电保护故障识别

为降低非线性结构智能电网系统中多源信息丢失或畸变问题、提高系统隐形故障的识别精度,提出了一种基于自适应遗传算法的多源信息融合技术,以实现对智能电网隐形故障识别。根据电网结构形成故障识别编码,由保护动作信息与设备状态期望关系建立适应度函数和状态期望值,提升采集信息的容错性能;利用遗传算法的交叉、变异计算,提升算法的寻优能力。通过建立的仿真模型进行算法验证。验证结果表明:采用该算法能有效克服多源信息的缺失和错误对隐形故障识别的影响。该算法进行了设备状态和动作信息的关联,由遗传算法进一步提升故障识别的最优解能力,对于后期建立智慧电网的实时故障诊断具有参考价值。     

基于主成分分析的多源特征融合故障诊断方法

目前故障诊断的实际应用中,因噪声的千扰,基于单传感器的故障诊断稳定性较差,很难达到满意的诊断精确度。提出了一种多传感器多特征数据融合的故障诊断方法。该方法利用多传感器从不同部位获取同一部件的运行状况,并通过构建多源特征融合模型,提高特征信息的抗干扰性,最后通过融合特征信息来完成部件的故障诊断。在将新方法应用于滚动轴承故障诊断的试验中,可以看到新方法能够获得较好的性能,比基于单传感器故障诊断的精确度更高。     

基于信息融合的雷达发射设备故障快速诊断研究

利用单一信息对雷达发射设备进行故障检测和诊断时，可靠性和准确性低。针对雷达发射设备器件温度反映发射机工作性能明显的特点，提出了基于电传感器和温度传感器等多传感器信息融合的快速故障诊断方法。给出了故障诊断中信息融合的模型和算法，讨论了多传感器信息融合的雷达发射设备故障快速诊断系统的组成和简单工作原理。在提高复杂电子装备故障诊断可靠性和准确性上提供了一条有效途径。     

基于信息融合原理的智能故障诊断模型

针对传统设备故障诊断方法中存在的局限性,文章在对设备智能故障原理和方法初步探索和研究的基础上,提出了基于信息融合原理的智能故障诊断方法。该方法利用多源异质传感器采集设备的各种特征信息,并采用模糊神经网络融合诊断中心作为诊断判决的执行机构,从而实现准确诊断设备故障诊断原因以及对设备运行工况进行态势评估的过程。并且通过对单传感器与多传感器信息融合诊断结果的对比表明多传感器信息融合诊断比单个传感器具有更高的准确性。     

基于信号特征提取和卷积神经网络的轴承故障诊断研究

轴承是机械设备主要零部件之一,也是机械设备主要故障零部件之一。轴承故障问题为机械设备的重点,机械设备的使用受到故障轴承的直接影响。针对传统的卷积神经网络算法轴承故障诊断效率低下问题,本文提出了一种基于信号特征提取和卷积神经网络的优化方法。首先对原始数据信号进行时域和频域的信号特征提取,获得有效的故障特征值。之后,使用卷积神经网络对提取的特征值进行故障诊断,完成故障分类。本文使用美国凯斯西储大学的滚动轴承振动加速度信号作为数据集,对提出的方法进行验证,得到的故障诊断平均准确率为74.37%,准确率的方差为0.0001;传统的卷积神经网络算法故障诊断平均准确率为65.6%;准确率的方差为0.0019。实验结果表明,相比传统的卷积神经网络,提出的方法对轴承故障诊断的准确率有显著的提高,并且该方法的稳定性更佳,计算时间更少,综合性能更佳。     

基于改进径向基神经网络的船舶设备故障诊断方法

For the ships equipment fault diagnosis problems with lack of applicability and accuracy during ships sailing, this paper designs a radical basis function neural network method for ships equipment fault diagnosis. An improved artificial bee colony (IABC) algorithm combining opposite learning initialization strategy and auto-adapted search strategy is designed, which builds higher quality initial solution space through opposite learning initialization strategy and adapts its local search length automatically to improve the ability of convergence and local optimization searching. IABC algorithm is used in parameter optimization of radical basis function neural network (RBFNN) for constructing a better performed classifier. The results show that the IABC-RBFNN framework can improve the accuracy and usability of ship fault diagnosis, and satisfy the real-time requirement of ships equipment fault diagnosis.     

基于DPCA和改进证据理论的融合式故障诊断

为了利用同一设备的多源特征信息提高故障诊断的准确性,提出了一种基于动态主元分析法（DPCA）和改进证据理论的融合式故障诊断方法。该方法利用DPCA在多个层面对设备故障特征诊断构成多证据体,基于统计误差的证据权威性系数修正基本指派概率,提出了证据的时间权威性换算和冲突度的加权分配方法,改进了证据组合规则。实验结果表明,多信息源证据体的加权融合处理能够明显降低单一信息源诊断间的冲突,在融合可信度提高50%左右的同时不确定性大大降低,并且随着证据权威性的下降,诊断结果基本未受影响,该方法可以有效提高故障诊断的准确率。     

一种融合粗糙集与灰模的装备故障预测方法

结合粗糙集理论和灰色系统理论对不精确信息处理的优势,文中提出一种融合粗糙集理论与GM(1,1)灰色预测模型的故障预测方法,先运用粗糙集的属性约简算法对故障诊断决策表进行约简,推出最优诊断规则,再利用GM(1,1)灰色预测模型对约简决策表中的各条件属性测试值计算得到其预测值,从而代回约简的诊断决策表进行故障预测,最后在某型机载电台装备中以某一故障为例进行应用验证,结果表明故障预测效率和精度都较高,从而为提高装备的可靠性和维修性提供依据.     

电子部件故障诊断的Dempster-Shafer信息融合算法

针对电路故障元件诊断的不确定性问题,给出了光电雷达电子部件故障定位的多传感器Dempster-Shafer(DS)信息融合方法.通过测试电路中的被诊断元件的工作温度和工作电压,得出了DS证据理论中两传感器对各待诊断元件的信度函数分配,再分别利用利用模糊规则和DS联合规则得到融合后的信度函数分配,从而确定故障元件.单传感器诊断与融合诊断的结果比较说明多传感器融合算法具有较高的准确性,而模糊融合算法与DS算法的结果比较则说明DS算法在故障诊断方面更具有优越性.     

嵌入式系统在液压状态监测与智能故障诊断中的应用

针对国产地F元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,提出了一种基于嵌入式系统的液搓状态监测与智能故障诊断模型,陔故障诊断模型通过没置在液压系统中的多源异质传感器实时采集设备特征信息,并采用模糊神经网络来实现数据的融合处理,诊断结果通过界而友好的LCD显示,实现了故障状态的实时岭测和故障的智能诊断。通过该故障诊断模型,有效地解决了无轨采矿没备液搓系统故障率高而其检测和故障诊断手段落后的问题。提高了设备故障诊断的自动化和错能化．增强了设备的市场竞争力。     

融合GA优化算法的数字孪生模型在石油旋转机械诊断中的应用

为根据模态信号频率水平确定石油旋转机械当前故障行为所属类别,实现对机械设备故障行为的准确诊断,针对融合GA优化算法的数字孪生模型在石油旋转机械诊断中的应用展开研究。定义GA算法优化规则,并在此基础上,建立数字孪生模型,再联合相关故障行为数据,完成对石油旋转机械运行数据的聚类运算,实现基于数字孪生模型的石油旋转机械运行数据聚类处理。计算运行数据损失情况,通过模态分解描述性样本的方式,将核心诊断信息重新耦合在一起,联合求解所得的超参数指标,定义具体的数据样本集中训练模式,实现对石油旋转机械的诊断。实验结果表明,上述诊断方法的应用,对于每一类故障行为模态信号频率的诊断都属于该信号的标准频率数值区段之内,符合100%精准诊断机械故障行为的应用需求,在准确诊断石油旋转机械故障行为方面的可行性能力较为突出。     

基于模糊控制和大数据算法模型的电力运维故障诊断设备方法

针对现有技术中对电力运维故障检测灵敏度低、诊断误差大等问题,设计了一种新型故障诊断方案。该方案将PID模糊控制计算器与大数据算法模型相结合,并采用实时布线的方法减少诊断面积,基于改进型大数据算法模型提取电力运维设备故障数据特征,对电力运维设备运行工况构建诊断网络,通过分析电力运维设备工况的功能系统完成数据诊断。为了减少诊断误差,该研究设计了一种故障诊断设备,采用集成芯片化设计和算法程序,减小体积的同时保证检测结果的准确性。实验结果表明,该研究方法故障诊断误差小,准确率最高达到98.6%。