基于异类信息特征融合的异步电机故障诊断

针对异步电机单一故障信号的局限性和故障特征存在较强非线性关系的特点,提出一种基于异类信息特征融合的故障诊断方法.以采集的振动信号和电流信号为原始信源,分别提取它们的时域特征和小波包熵特征,采用核主元分析对原始特征的组合进行降维融合,得到信息互补的特征量,将融合特征通过支持向量机进行模式识别.异步电机转子和轴承故障诊断实例表明,基于核主元分析的异类信息特征融合方法,可充分利用异类信源的冗余互补信息和特征数据之间的非线性关系,更全面地表征设备运行状态,相比单参数法及同类信息特征融合法具有更高的诊断精度.     

基于信息融合的精密磨削砂轮磨损状态在线识别方法研究

高质量非球面光学元件批量制造是目前精密磨削技术力求实现的目标。为了提高非球面光学元件精密磨削的加工效率,必须在加工过程中动态识别砂轮磨损状态,在砂轮接近或达到寿命周期时对其进行修整。寻求一种经济可行的方式,实现砂轮寿命周期在线评估,利用声发射、砂轮振动、磨削力等多种类型加工过程信号,提取和选择能够全面、灵敏反应砂轮磨损状态的特征,基于Dempster-Shafer证据理论,进行多源信息融合,实现精密磨削砂轮磨损状态在线识别。     

基于数据融合技术的发动机磨损模式识别方法

针对单一的智能模型在发动机磨损模式识别中的局限性,提出了一种基于数据融合技术的多模型磨损模式识别方法。它利用模糊优选模型、神经网络模型和灰色关联度模型等3种单一智能模型的识别结果作为信息源,经D-S证据理论对其进行融合得到最终识别结果。实际计算表明,该模型具有良好的通用性、适应性和容错性,比单一的智能模型具有更好的识别效果。     

基于神经网络信息融合的发动机磨损磨粒识别

磨粒识别和分类是铁谱分析技术在发动机故障诊断和状态监测的关键环节.针对单一神经网络模型磨粒识别的局限性,提出了一种基于不同类型神经网络信息融合的磨粒智能识别方法.首先利用径向基函数(RBF)神经网络和反向传播(BP)神经网络对磨粒进行识别,得到2组初始识别结果, 归一化后作为2组基本概率分配函数,然后利用D-S证据理论对其融合得到最终识别结果.实例计算表明,与单一神经网络模型相比,提出的信息融合方法提高了磨粒识别的区分度和准确率,并具有良好的通用性和容错性.     

基于信息融合技术的多模型磨粒智能识别方法

磨粒能够直接反映发动机的磨损过程和磨损状态,对磨粒的准确识别是实现发动机故障诊断和状态监测的关键环节.针对单一的智能方法在磨粒识别中的局限性,提出了一种基于信息融合技术的多模型磨粒智能识别方法.首先利用灰色关联度、模糊优选和神经网络模型对磨粒进行识别,得到3组初始识别结果,归一化后作为3组基本概率分配函数,利用D-S证据理论对其融合得到最终识别结果.实例计算表明,与单一智能模型相比,提出的识别方法提高了磨粒识别的区分度和准确率,并具有良好的通用性、适应性和容错性,为发动机磨损磨粒识别提供了一种新的有效的方法.     

基于信息融合的滚动轴承故障诊断

滚动轴承故障诊断中同一征兆域很难区分多种故障，单一传感器对故障分类识别有不确定性。提出了利用加速度传感器和声音传感器，基于BP神经网络及D-S证据理论，对所采集的振动信号和声音信号的多种特征信号进行信息融合，实现故障诊断。并对该方法进行仿真试验验证。     

基于图像异类特征融合的基建工地现场安全智能预警系统

针对基建工地现场安全智能预警系统存在图像清晰度较低,导致综合性能较差的问题,提出基于图像异类特征融合设计了一种新的基建工地现场安全智能预警系统。该系统硬件由施工现场监控设备、通信网络装置、传感器、预警器和后台总控制器组成,预警器包括视频监控装置、图像传感器和通信线路,通过通信接收器、视频图像显示器、中心总控制器和智能数据分析器设置了控制器。通过分析处理、安全判定、储存和传输实现预警系统软件流程。实验结果表明,基于图像异类特征融合的基建工地现场安全智能预警系统能够有效提高图像清晰度,增强综合性能,对基建工地现场安全智能预警具有重要意义。     

信息融合技术在刀具磨损监测中的应用

随着信息融合技术的不断发展,信息融合越来越多的被用于监测领域。本文把信息融合技术应用于刀具监测过程中,建立了多传感器信息融合刀具监测系统模型,并详细论述了基于神经网络、贝叶斯理论和D-S理论的信息融合方法。     

基于多特征融合的刀具磨损识别方法

针对刀具磨损监测中多传感器融合监测方法的缺点,提出了基于声发射信号多特征融合与最小二乘支持向量机(lease square support vector machine,简称LS-SVM)相结合的刀具磨损状态监测方法。首先,分别采用经验模态分解法、双谱分析法以及小波包分析法提取采样信号在时域、频域、时-频域内的特征,构造联合多特征向量;然后,利用核主元分析法(kernel principal component analysis,简称KPCA)对联合多特征向量进行融合降维处理,通过提取累积贡献率大于85%的主元,剔除了联合多特征中与刀具磨损相关性较小的冗余特征,生成融合特征;最后,将融合特征送入最小二乘支持向量机,有效地实现了（尤其在小样本下）刀具磨损状态的识别,与神经网络识别方法相比具有更高的识别率。     

基于多传感器信息融合的智能机器人的研究

讨论粗糙集理论和D-S证据理论相结合的多传感器信息融合方法,并提出将该方法应用于智能机器人,用粗糙集对传感器数据进行简约处理和D-S证据理论实现证据的合成及智能决策,以增强系统的分辨能力,同时有效提高了系统的信息融合速度和决策的可靠性.     

基于D-S证据理论的航空发动机磨损故障智能融合诊断方法

油样分析方法目前已成为航空发动机磨损故障诊断的重要手段,但单一油样分析技术的诊断准确率均有限,为了提高故障诊断的精度,本文提出了基于D-S证据理论的发动机磨损故障智能融合诊断方法。首先用BP神经网络实现发动机磨损故障的单项智能诊断,然后,充分利用神经网络诊断结果,用D-S证据理论实现了磨损故障的融合诊断。最后,算例验证了本文方法的有效性。     

基于D-S证据理论的发动机信息融合故障诊断模型

建立了基于D-S证据理论的发动机信息融合故障诊断模型.通过油液光谱分析得到监测元素的浓度值、梯度值和比例因子,采用模糊综合评判法将其组合在一起作为光谱各元素的综合评价指标,同理得到铁谱磨粒总数和各磨粒综合评价指标.最后,利用故障诊断模型对所得的16个光谱、铁谱综合评价指标进行融合,提高了故障诊断的准确率,实现了发动机故障的准确诊断.     

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.     

一种航空发动机磨损故障模糊融合诊断方法

为提高航空发动机滚动轴承的磨损故障诊断的精度,综合利用多种油液分析方法的优点,提出一种航空发动机磨损故障的模糊融合诊断方法.首先,针对光谱分析、铁谱分析、颗粒计数分析、理化分析数据的各自特点,基于自定义隶属度函数对油液分析数据进行模糊化处理,从而得到表征光谱分析、铁谱分析、颗粒计数分析、理化分析数据的证据可信度和规则可...     

基于D_S证据理论和模糊数学的多传感器数据融合算法

本文提出了一种基于模糊数学和 D- S证据理论的多传感器数据融合技术的故障诊断系统 ,该系统选用以决策层为主、特征层为辅的方法。通过比较基于多传感器数据融合进行故障诊断的结果与单传感器进行故障诊断的结果 ,说明了此种算法的优越性 ,它避免了单一传感器的局限性 ,减少了各传感器不确定的影响。     

基于异类信息融合的砂轮磨损状态监测

Inconel 718作为难加工材料,磨削时砂轮磨损较快,影响加工后工件表面质量。提出了基于磨削力信号和磨削振动信号两种异类信息的砂轮磨损状态识别模型,研究了不同磨损状态下磨削力和磨削振动的时域和频域特征,并提取71种与磨损状态相关的特征。采用核主成分分析法对原始特征集进行特征提取,选取方差累计贡献率为96%的前13个主元作为融合特征集,基于最小二乘支持向量机(LS-SVM)算法建立了砂轮磨损状态识别模型,并采用受试者工作特征曲线(ROC)和准确率两个指标对模型进行了评估,受试者工作曲线面积(AUG)为0.93,准确率可达93.6%。     

基于神经网络和D-S证据理论的信息融合故障诊断方法

为了解决齿轮传动系统检测难度大、准确性不高和多点测试时信息处理复杂的问题,提取振动信号统计量特征参数、利用神经网络技术与D-S(Dempster-Shafert)证据理论相结合的信息融合故障诊断方法,实现了数据级、特征级与决策级的多级融合诊断。实验结果表明,将信息融合方法用于齿轮传动系统故障诊断,有助于综合利用故障信息,提高了故障诊断的准确性和可信度。     

基于SVM和证据理论的多数据融合故障诊断方法

针对D-S证据理论很难确定基本概率分配(BPA)及支持向量机(SVM)的硬判决难获得概率输出的缺陷,融合D-S证据理论和SVM算法提出了一种多数据融合故障诊断新方法:利用"一对一"多类SVM分配了BPA,引入基于矩阵分析的融合算法解决了证据理论存在的计算瓶颈问题。对液压泵进行了试验,首先,采集了柱塞泵松靴、缸体与配流盘磨损等故障信号,应用小波包对采集的信号进行了预处理,提取了12个时频特征量;最后,用所提出的基于SVM和证据理论的多数据融合新方法进行了诊断。试验结果表明,新方法故障确诊率高,诊断有效。     

基于D-S证据理论的成品油管道泄漏融合识别方法研究

成品油管道是石油、石化行业的关键输送设备之一,必须对意外发生的泄漏事故及时报警,并准确估计泄漏点位置。针对成品油干扰工况较多的特点,提出基于Dempster-Shafer证据理论的成品油管道泄漏融合识别方法,实现对泄漏过程和干扰工况的有效区分。实例分析表明,基于证据理论的多证据体融合后的基本可信度分配较融合前各单一证据的基本可信度分配具有较好的峰值性和可分性,提高泄漏诊断系统对干扰工况和泄漏的区分能力,降低误报警率。