多特征信息融合的贝叶斯网络故障诊断方法研究

针对轴向柱塞泵故障特征的模糊性和不完备性特点,提出一种多特征信息融合与贝叶斯网络相结合的故障诊断方法。该方法从柱塞泵采集的振动信号中提取出频域和幅域的多个故障特征,并将这些特征当作来自多个不同传感器的多源信息。利用贝叶斯参数估计算法进行多特征信息融合。通过构造贝叶斯网络并建立贝叶斯分类器来简化融合后的结果,通过最大后验概率估计值的计算进行故障识别。经过轴向柱塞泵多故障模式的诊断实验,验证了该方法能够有效地实现柱塞泵柱塞松靴和脱靴故障的诊断。     

多源信息融合及其在齿轮泵故障诊断中的应用

针对齿轮泵故障信息的不确定性和模糊性,提出了一种多源信息融合的贝叶斯网络故障诊断方法。在探讨齿轮泵故障机理的基础上提取振动、流量和压力信号作为故障特征,构造故障贝叶斯网络,建立贝叶斯分类器进行多特征信息融合,利用最大后验概率准则判别故障类型。融合结果表明,该方法能够有效实现齿轮泵多种故障的诊断,具有广阔的应用前景。     

基于贝叶斯网络和粗糙集的信息融合方法研究及应用

利用贝叶斯网络处理不确定性问题能力强和粗糙集约简能够去除冗余性特征的优势,提出了一种基于贝叶斯网络和粗糙集的信息融合方法。该方法提取齿轮泵振动信号的幅域量纲参数作为来自不同传感器的多源信息,改进了特征属性约简方法,设计了贝叶斯网络分类器,构建了多故障贝叶斯网络对特征进行融合,通过最大后验概率准则识别故障类型。两次融合结果对比分析表明,特征属性约简后诊断正确率明显提高,验证了该方法的有效性和实用性。     

基于多传感器融合信息的故障诊断

研究了多传感器信息融合技术应用于复杂设备系统状态监测和故障诊断的方法。简述了多传感器信息决策层融合及 Dempster- Shafer证据理论的基本内涵 ,研究了基于 Dem pster- Shafer证据理论的决策层信息融合进行状态监测和故障诊断的算法 ,利用这一方法对柴油机的工作过程多种故障进行了诊断识别应用 ,其分析结果表明 ,该方法可有效地提高柴油机故障诊断的准确性和可靠性。     

多传感器信息融合在电机绝缘故障诊断中的应用

随着检测技术、信号处理技术、智能技术的进步,故障诊断技术得到了很大的发展,但是目前对电机的故障诊断技术仍因为各种原因存在着很大的不确定性。其诊断系统依然是基于单个参数(如电流、振动、温度、润滑油成分)所能携带的故障特征来进行诊断,由于模型或者环境的不确定性导致这些诊断结果模糊不清甚至错误。分析了传统绝缘故障诊断方法中存在的不确定性弊端,介绍了利用多传感器信息融合进行故障诊断、建立融合故障诊断系统的优越性。     

基于多传感器信息融合的故障诊断方法研究及应用

针对传感器采集的信息具有不确定性和冲突性的特点,提出一种基于证据理论的多传感器信息融合故障诊断方法。利用冲突证据判据判断相似性证据和冲突证据,保留相似性证据,通过相似度对冲突证据进行有针对性地修正,这种判断和修正方式可以降低传感器证据信息的不确定性,并减弱冲突信息对诊断结果的影响。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构建原始证据,最后将修正后的证据进行D-S(Dempster-Shafer)合成。通过齿轮泵早期故障试验,与传统频域分析、神经网络和其他证据合成方法对比,所提方法具有较高的诊断精度,从而验证新融合方法的有效性。     

基于贝叶斯网络的复杂系统故障诊断

系统结构和部件关系复杂、试验费用昂贵是小样本下基于不确定性信息的决策问题。针对其特点，建立了基于贝叶斯网络的复杂系统故障诊断模型，并提出采用Leaky Noisy-OR模型来降低数据需求量和计算复杂度。经研究表明，这种方法能综合利用各种来源信息，具有知识表达明确、样本需求量小、故障诊断准确度高等特点，可为复杂系统故障诊断提供决策支持。     

多传感器信息融合技术与机械故障诊断研究

针对机械设备的大型化、智能化、复杂化,研究了多传感器信息融合的方法与特点,探讨了其在机械设备故障诊断中的应用前景,为机械设备故障诊断的研究指明了方向.     

多传感器信息融合的天线促动器故障诊断

促动器作为天线主动面的唯一调整装置,是保障天线反射面精度的关键部件,因此对促动器健康状态的监测至关重要。文中针对单个传感器诊断存在数据维度有限且现有工程数据稀缺的问题,提出了一种连续小波变换与组归一化并行卷积神经网络(Continuous Wavelet Transform-Group Normalization Parallel Convolutional Neural Networks, CWT-GPCNN）的故障诊断方法。首先建立CWT-GPCNN的故障诊断模型,引用组归一化技术加快网络收敛速度并提高诊断精度;然后通过评估超参数对模型性能的影响,确定诊断的最佳模型;最后,采用促动器传动系统实验数据集对所提方法进行验证,实验结果表明所建模型具有较好的泛化能力及多传感器融合的优越性。文中对多传感器融合与单传感器的诊断性能进行了比较,结果证明了多传感器融合诊断的优越性。此外,还对CWT-GPCNN模型与其他3种信息融合模型进行了比较。CWT-GPCNN模型的准确率高达93%,表明它具有良好的诊断性能。     

模糊信息融合在电路故障诊断中的应用研究

多传感器信息融合技术已成为一个十分活跃的研究领域,它应用的范围越来越广。该文给出了模糊信息融合实现电路故障诊断的方法,通过检测电路工作时电子元件的温度和关键点电压两方面的数据信息,结合模糊信息处理技术,对这两方面的数据信息进行融合,从而确定故障元件,并说明多传感器信息融合方法在电路故障诊断中的优越性。     

基于信息融合技术的烟气轮机故障诊断系统研究

为保障烟气轮机的安全可靠运行．实现科学维护,采用了多传感器信息融合技术的故障诊断方法。通过提取烟气轮机上携带故障特征的多类信息,并在决策层上采用神经网络与D-S证据理论相结合的方法对这些信息进行有效的融合。     

基于信息融合的异步电动机故障诊断方法

针对交流异步电动机故障诊断，扩展了多传感器信息融合技术的理论，分析了异步电动机建模环境的不确定性导致这些诊断结果混叠甚至误诊的原因，提出了针对异步电动机采用新型的测试传感器和多传感器信息融合进行故障诊断的实现方法框架。     

基于信息融合与神经网络的复合振动故障诊断

依据复合故障特性,提出了一种基于信息融合与神经网络的复合振动故障诊断方法。进行了传感器级的时间跨度的特征融合,然后再实行全局的空间跨度的融合。融合过程基于神经网络式特征提取,该方法可以在系统状态未知的情况下。自适应地融合不同故障测点的信息。从而较全面、准确、及时地反映系统的振动故障状态。并以汽车动力系统复合故障的诊断事例详细说明了该方法的具体实现步骤。结果表明,经过多故障特征信息融合,诊断结论的可信度明显提高,不确定性明显减小,显示了该诊断方法的有效性。     

机械故障诊断中的信息融合利用问题研究

首先对机械故障诊断中的可用信息进行分类,然后在分析现在诊断信息利用不足的基础上提出信息融合诊断的思想,给出了基于信息融合诊断技术应解决的问题,并提出了一个信息融合诊断的一般过程。最后讨论了诊断中信息融合利用的研究方法和技术手段     

基于信息融合的小波神经网络航姿系统故障诊断方法研究

基于信息融合技术的思想,从航姿系统故障诊断的实际出发,建立了基于信息融合技术,集小波分析与神经网络于一体的紧密型小波神经网络,并给出了具体的算法。通过故障特征信息的有效组合,用各种子小波神经网络从不同侧面对设备故障进行初步诊断,然后对诊断结果进行决策融合。此诊断系统充分利用了各种特征信息,有效提高航姿系统故障检测和诊断效率,同时为非线性系统的故障诊断提供了新的理论和方法。     

基于改进证据理论的多传感器信息融合故障诊断

针对传感器信号不确定会产生冲突证据的问题,提出了一种基于改进证据理论的多传感器信息融合故障诊断方法。提出了基于遗传神经网络的原始证据生成方法,利用遗传算法优化神经网络参数,提高网络训练速度;定义了向量空间和方向相似度,利用分类准则函数区分冲突证据和相似证据,通过可信度修正冲突证据,降低了因不确定性产生的冲突对合成结果的影响。通过齿轮泵故障实验验证了改进方法的有效性,改进方法的诊断正确率明显高于单一传感器的诊断正确率,并通过设置适当的阈值提高了方法的灵活性和适用性。     

集成神经网络信息融合技术在旋转机械故障诊断中的应用

结合单子神经网络信息融合在故障诊断中的不足不之处,讨论了集成神经网络信息融合的优点并提出了集成神经网络信息融合的组成结构、组建原则以及集成神经网络信息融合在故障诊断中的应用,最后应用集成神经网络对机械故障诊断进行了仿真。