融合SCADA数据的风电机组齿轮箱状态评估

为对风机齿轮箱状态进行准确评估,提出一种基于核主成分(KPCA)与最小二乘支持向量机(LS-SVM)结合的齿轮箱数据融合故障预测模型。鉴于SCADA系统中数据信息质量的不确定性和冗余性,该模型首先对监测数据预处理(4分位法剔除异常数据等),对齿轮箱特征因素进行相关性分析,利用该预测方法对齿轮箱典型状态特征(振动、温度特征等)进行预测,利用统计过程控制原理(SPC)分析残差,以实现齿轮箱异常状态的预测。最后,以齿轮箱油温预测为例,验证了该模型的准确性和有效性。     

电化学气体传感器多传感器数据融合

由于电化学气体传感器存在温度漂移和交叉灵敏度问题。基于SF_6气体质量综合分析仪为硬件基础,利用线性神经网络学习思想,设计了多传感器数据融合算法。详细介绍了CO和H_2S二维气体传感器数据融合算法设计和权值迭代学习方法步骤。实验结果表明,该SF_6气体质量综合分析仪对SF_6气体分解产物具有较好检测效果。     

基于多参数融合的风电机组齿轮箱油温预警方法

针对风电机组齿轮箱状态监测问题,提出一种基于多参数融合的齿轮箱油温预警方法。首先,通过相关性分析法提取与齿轮箱油温相关性高的参数作为模型的输入。采用改进的粒子群优化BP神经网络(imPSOBP),建立齿轮箱油温预测模型。然后,通过计算齿轮箱油温预测值与实际值的残差绝对值,并结合加权移动平均法、核密度估计法建立齿轮箱油温故障预警模型。基于某风场的数据进行了实验验证,对比分析了imPSO-BP模型和PSO-BP模型的预警效果。结果表明：提出的方法预测精度高,可提前齿轮箱油温异常预警时间,预警时间提前约27小时。     

基于CPSO-LSSVM的多传感器数据融合

文中提出了一种新的基于混沌算法优化的粒子群(CPSO)算法,该算法在种群初始化时应用混沌算法优化粒子的初始位置,扩大粒子的有效搜索范围,在陷入局部最优时应用混沌算法遍历整个搜索空间,跳出局部最优.仿真实验证明该算法寻优性能优于当前其他PSO算法.利用CPSO对LSSVM的参数进行优化选择,建立多传感器数据融合模型.将该模型应用于压力的检测,实验证明了该方法优于当前其他主要方法.     

基于SCADA数据的齿轮箱DS-DBN多测点融合故障诊断

为了提高油气管道运输业工艺设备与控制能力,应用数据采集与监控(SCADA)数据对齿轮箱状态进行监测。为了弥补深度信念网络(DBN)故障诊断模型局部搜索问题,综合运用DS证据理论和优化深度信念网络多测点故障诊断模型。研究结果表明：训练时测点分类误差显著减小,到达后期阶段时,误差下降速率缓慢,最终达到收敛的效果。采用改进DS证据理论处理能够快速获得全局最优参数。通过分析测点稳定性可知,连轴部测点实现了最高全局可信度,为99.25%。通过DS-DBN多测点故障诊断后,可以将正常状态、转子故障、定子故障的诊断准确率提升至接近100%的程度,对轴承故障诊断准确率提高至98.7%。该研究可以实现对各个测点故障数据的综合判断,防止受故障信号衰减影响。     

多传感器数据融合技术及其研究进展

数据融合是现代信息技术与多学科交叉、综合、延拓产生的新的系统科学,因其在军事和民用领域已经展现出广阔的应用前景,而备受国内外学者和众多实际工程领域专家的青睐。对现有的数据融合方法进行了分类,并重点介绍了十几种常用的方法,对其发展趋势作出展望。     

多传感器数据融合结构性能分析

本设计主要对分布式多传感器数据融合结构性能展开研究。分析了多传感器数据融合的主要融合结构并对两种常见的分布式数据融合算法：简单凸组合融合算法、BarShalom-Campo融合算法进行理论分析。最后利用MATLAB软件对简单航迹融合（SF）和协方差加权航迹融合（WCF）算法进行仿真并对仿真结果进行简单的分析来说明分布式融合结构的性能和特点。     

两级融合的多传感器数据融合算法研究

针对智慧工厂监测环境中多源数据融合精度问题,提出了一种两级融合的多传感器数据融合方法,旨在提高多源数据融合的准确性和可靠性。该方法分为一级数据融合和二级决策融合,首先采用卡尔曼滤波结合自适应加权平均对同类型传感器进行数据降噪融合处理,其次利用人工兔优化算法(ARO)优化ELM神经网络进行决策融合。实验结果表明,基于ARO优化ELM神经网络的多传感器数据融合算法在融合精度方面优于其他先进算法。经验证,所提出的两级融合多传感器数据融合方法具有更好的融合性能,有效提升感知系统的可靠性和鲁棒性,实现更加准确和可靠的监测和预测。     

多传感器数据的概率最大融合方法

在多传感器信息融合过程中,有时要利用多传感器对某一对象进行不同方面观测,而数据融合的目的是要对研究对象进行类型识别,通过对数据获取过程的统计分析,给出总概率最大的数据融合方法.该方法可以避免丢失重要的极端数据,使结论更符合实际.     

基于多传感器数据融合的液压泵故障诊断

针对液压泵故障诊断特性参数多、故障诊断不精确、不完整和模糊性强的特点,提出应用阶比分析方法等数据预处理方法去除嗓声干扰和提取参数特征,然后利用决策层融合方法对故障信息进行融合,完成液压泵的故障诊断。应用实践表明,采用D-S证据理论进行决策层数据融合的故障诊断方法,能够有效地提高液压泵故障诊断的精度和效率。     

多传感器数据融合机动目标跟踪算法

机动目标的运动特性具有复杂性、多变性、无先验性.多传感器信息融合的机动目标跟踪问题可以描述为数据关联和状态估计两个相关功能的最优化问题.本文分析了运用于多传感器数据融合机动目标跟踪的数据关联和状态估计算法,得出了高效费比的模糊数据关联算法(FDA)和变结构多模算法(VSMM).此外,并分别介绍了模糊数据关联算法和相似模型集的变结构多模算法.将模糊数据关联算法和变结构多模算法结合起来,从而提高对机动目标跟踪的性能.     

基于模糊推理原理的多传感器数据融合方法

利用模糊推理方法融合具有不确定性的多传感器数据 ,将传感器的测量值作为模糊系统的输入 ,要计算的结果是模糊系统的输出 ,利用三角形隶属函数表示测量的不确定性 ,在输入变量所确定的区间内 ,不断改变输出变量的位置 ,计算输出与输入的兼容度 ,则兼容度最大的位置 ,就是最后要得到的结果。给出了一个多个传感器数据融合的计算实例 ,验证了本方法的有效性     

多传感器数据融合的装载机作业状态实时识别

作业状态实时识别是实现装载机作业智能化的重要一环,传统基于单一信号源和基于规则的识别方法造成识别准确性差等问题.文中以联合车载CAN线和数据采集平台采集的数据集为智能识别对象,采用封装式特征选择方法并以分类器准确性来筛选合适的传感器通道子集,对比不同窗口大小和窗口重叠大小,使得所截取数据波形包含数据信息大且能实现快速识...     

基于多无线传感器的改进数据融合算法

为了提高采集数据的准确性和避免查表,对自适应加权融合算法进行了改进。根据正态分布中中值和平均值的特性,提出预处理剔除异常值的新方法,进而提高最终融合结果的准确性。利用该算法对某温室的待处理温度数据进行了计算,结果表明:与传统的格拉布斯法剔除异常值等算法相比,该改进算法能够使融合结果的标准差更小,融合结果更能代表整体的分布,同时无需查表。     

精准农业中多传感器数据融合技术的研究

多传感器数据融合技术现今已在军事、导航系统及电子商务等领域中广泛应用。该文主要是针对精准农业中多传感器数据融合技术进行研究,提出一种更系统的数据融合的结构模型。其中包括4级处理,并对这4级处理中的关键技术进行研究以及实现基于Matlab的状态分析。     

多传感器数据融合方法的研究与进展

多传感器数据融合技术是一门新兴的前沿技术。本文集中介绍了当前数据融合的最新方法,如分布式多传感器数据融合技术、基于信息理论和基于认识模型的多传感器数据融合技术等,并通过分析。指出了该领域存在的问题和今后的研究方向。     

基于多传感器数据融合的机器人腕力测量

提出根据手爪上的多个指力传感器的输出变化，通过数据融合方法得到腕力的数值。研制了标定腕力与手爪上指力之间关系的实验台，进行了标定实验。采用径向基函数神经元网络对实验数据进行训练，得到融合网络的权值。融合结果与实测结果相当吻合。     

基于多传感器数据融合的多目标跟踪算法研究

针对复杂环境下多传感器多目标跟踪问题,提出一种基于改进动态加权数据融合的UKF滤波多目标跟踪算法。该算法基于分布式融合结构,对于每个传感器得到的多个目标的观测信息,首先通过最近邻(Nearest Neighbor,NN)数据关联算法进行航迹关联;然后用无迹卡尔曼滤波(Unscented Kalman Filter,UKF)完成对多目标状态的估计,得到目标最新的运动轨迹;与此同时,综合多个传感器估计的目标轨迹,应用改进的动态加权数据融合算法,得到最终的目标轨迹。仿真结果表明,该算法能有效地发挥多传感器数据融合优势,准确地跟踪多个运动目标。与单传感器目标跟踪相比,多传感器数据融合后的目标跟踪精度提高20%以上。     

基于多传感器数据融合的智能故障诊断系统

多传感器数据融合的典型应用实例就是过程监测和故障诊断,它是智能故障诊断系统中的最基本、最有效的信息处理工具;而智能故障诊断系统通常都是在多传感器数据融合的基础上进行综合诊断.研究了多传感器信息融合系统的层次结构和融合策略,改进了单一D-S证据理论的融合方法;在分析了多传感器数据融合技术和智能故障诊断的系统要求后将两项技术进行了有机的结合,最后提出了一种新的基于多传感器数据融合的智能故障诊断系统的结构框架.     

基于神经元的多传感器数据级融合研究

在不知道先验知识的条件下,从含有观测噪声的多传感器测量数据中估计出方均误差最小的数据融合值,并作为神经元融合系统训练样本,因而解决了多传感器测量系统数据级融合的标定问题。研究结果表明,融合数据在精度、容错性以及动态响应方面均优于单传感器测量。