基于神经网络与D-S证据理论的故障诊断

在集成神经网络故障诊断的基础上,引入证据理论,提出将神经网络(NN)与D-S证据理论结合的故障诊断方法(NN-DS诊断方法).多个征兆域分别用神经网络进行局部诊断,从每一个网络都可以得到各自的诊断结果,再用D-S证据理论对这些诊断结果进行全局融合,得到综合诊断结果.算例分析表明了该方法的正确性.     

基于神经网络与D-S证据理论的故障诊断

在集成神经网络故障诊断的基础上,引入证据理论,提出将神经网络(NN)与D-S证据理论结合的故障诊断方法(NN-DS诊断方法).多个征兆域分别用神经网络进行局部诊断,从每一个网络都可以得到各自的诊断结果,再用D-S证据理论对这些诊断结果进行全局融合,得到综合诊断结果.算例分析表明了该方法的正确性.     

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D-S证据理论的液压泵故障诊断

介绍了D-S证据理论的基本概念、基本理论,讨论了基于D-S证据理论信息融合的故障诊断方法,并将其应用于液压泵故障诊断中。结果表明基于D-S证据理论的信息融合诊断方法可以充分利用多个传感器信息的冗余性与互补性,实现比单一传感器神经网络诊断更为准确和可靠的诊断结果。     

基于D-S证据理论的液压泵故障诊断

介绍了D-S证据理论的基本概念、基本理论,讨论了基于D-S证据理论信息融合的故障诊断方法,并将其应用于液压泵故障诊断中。结果表明,基于D-S证据理论的信息融合诊断方法可以充分利用多个传感器信息的冗余性与互补性,实现比单一传感器神经网络诊断更为准确和可靠的诊断结果。     

神经网络与 D-S 证据理论融合的液压系统故障诊断方法

针对液压驱动火箭炮随动系统故障类型的多样性以及故障信息不确定性等问题,提出了证据理论与神经网络综合集成的故障诊断方法。为克服单一神经网络自身的缺点,在普通节点处建立2个改进神经网络模型来简化网络结构,分别以铁谱数据和压力、流量、温度特征参数作为输入向量进行初始故障诊断,并将诊断结果作为证据理论的基本概率分配,从而实现了赋值的客观化。然后,利用 D-S 证据理论对2个改进神经网络的初始诊断结果进行融合。实验结果表明：该方法避免了神经网络识别时的误诊,提高了液压驱动的火箭炮随动系统故障诊断的准确性。     

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证据理论技术的发动机转子故障诊断

从D-S证据理论的基本概念和证据的融合推理方法出发,建立了多故障特征信息融合诊断框架,将信息融合思想引入到故障诊断领域,并应用D-S证据理论方法,解决在多传感器条件下的数据融合问题.最后,给出了一个发动机转子多故障信息进行故障诊断的实例,结果表明该方法能够有效的提高诊断可信度,减小诊断的不确定性.     

基于证据理论数据融合的故障诊断研究

从D—S证据理论的基本概念和融合推理方法出发,构造了符合故障诊断特点的基本可信度分配,建立了多故障特征信息融合诊断框架,并将其应用于液压泵故障诊断。实践证明,该方法能有效地提高诊断可信度。     

基于D-S证据理论和支持向量机的液压泵故障诊断技术

针对D-S证据理论中难以确定基本概率分配的问题,提出利用“一对一”支持向量机分类解决基本概率分配的方法.首先,通过试验采集了液压泵各种故障状态下的振动信号和压力信号;其次,运用小波包分解提取各频带能量作为特征向量;最后,用所提出方法解决了基本概率分配,并将D-S证据理论和支持向量机相结合对液压泵进行了故障诊断.实验结果验证了该方法的有效性.     

证据熵在旋转机械故障诊断中的应用

针对旋转机械故障诊断中利用证据理论进行多征兆域融合时各证据的重要性不同,提出利用证据熵来评价各证据的重要性,即各证据在融合过程中的权重。对得出的证据进行加权调整,用D-S组合规则对加权调整后的证据进行融合获得最终的诊断结果。实例分析结果表明,这种方法可以用来评价证据的重要性,且由于其在进行融合时减少了证据间的冲突,所以该方法能够在旋转机械故障诊断应用中取得较好的效果。     

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。     

基于改进D-S组合规则的故障模式分类

提出了一种改进的D-S证据组合规则,引入了基于证据之间距离测度的证据一致性指标动态描述证据的可信度.结合证据有效性和证据重要性,得到了一个综合的动态可信度和静态可信度的系数.基于该系数,提出了一种改进的D-S组合规则,该规则能够有效处理冲突较大的证据融合问题.最后用一个故障诊断的例子说明了该规则的有效性,并与其他方法作了比较.     

基于改进证据理论的大型制造装备故障诊断

针对大型制造装备故障诊断中存在的高冲突证据问题,提出了一种改进的信息融合故障诊断方法。该算法通过各条证据可信度获得平均信任度,利用各证据的相对距离构造一个反映冲突强度的动态权重参数。为了使各条证据更能客观地反映装备的故障特性,利用模式之间的相似度获取证据的mass函数。仿真实验结果表明,该算法可以有效减少证据间的冲突,对大型制造设备故障诊断较高的识别率显示了该方法较好的实用价值。     

基于故障敏感度的证据权重计算方法及其应用

典型证据权重计算方法存在只有少数传感器判断正确而多数判断错误的高冲突证据的加权D-S决策融合问题,针对此问题,提出一种基于故障敏感度的证据权重计算方法。首先,通过核函数主元分析(kernel principal component analysis,简称KPCA)提取非线性的敏感特征;其次,基于故障检测原理计算该特征的故障敏感度,并将其作为传感器的故障敏感度;最后,计算得到基于故障敏感度的传感器决策权重,并将该权重及等权重法和基于决策距离方法的权重共同应用于转子故障模拟实验台的融合检测与诊断中。结果表明,该方法能对故障敏感、包含故障信息多的传感器赋予更高的权重值,提高其决策地位和作用,反之则赋予较小的权重,"弱化"其决策地位和作用。通过证据权重的"调节"作用,使得该方法无论是在只有少数传感器发现故障的证据高冲突情况还是在冲突不大或无冲突时,均取得了更好的决策融合结果。     

基于BP神经网络和D-S证据理论的火灾报警系统

将BP神经网络与数据融合理论中的D-S证据有机融合,提出一种决策级火灾报警识别方法.通过模拟实际输入信号的仿真结果发现,将BP神经网络和D-S证据理论相结合的多传感器数据融合技术,可以显著提高火灾的识别能力,有效降低火灾误报率,而且该系统具有良好的适应性,达到了预期效果.