基于D-S证据理论的无线发射机故障诊断方法

针对某无线发射机故障诊断中存在的问题,提出一种基于D-S证据理论的信息融合故障诊断方法.选择电压、功率、频率、幅度等参数作为发射机故障诊断的证据,运用模板匹配法获取基本概率赋值,避免了在小样本情况下应用D-S证据理论时基本概率难以分配的问题,减小了方法的主观性.利用基于可信度的证据合成方法进行融合处理,克服了应用传统D-S证据理论合成冲突证据出现悖论的问题,提高了诊断方法的抗干扰能力.实例验证结果表明该方法切实可行,为无线发射机故障诊断提供了一种新的思路.     

D-S证据理论中一种新的冲突证据融合方法

针对D-S证据理论在融合高度冲突的证据时可能导致与直观结果相悖的问题,通过分析现有的几种冲突证据融合方法,提出了一种有效处理冲突证据的融合方法。该方法综合了模型修正和规则修正这两类方法的优点。首先基于冲突系数矩阵计算证据的可信度,并以此作为折扣因子来修正证据结构,然后基于局部冲突、局部分配原则确定证据合成时的冲突分配空间和分配权重。实验结果表明,该方法对合理的合成方向具有较快的收敛速度,同时降低了决策风险。     

基于改进的无量纲指标信息融合故障诊断方法

针对无量纲指标信息的不确定会产生冲突证据的问题,提出一种基于改进证据理论的无量纲指标信息融合故障诊断方法.采用人工免疫算法构建原始证据;通过计算无量纲免疫检测器证据之间的相似度找出相似证据和冲突证据.保留相似证据,并利用可信度修正冲突证据,从而降低冲突证据对证据理论合成结果的影响.组合式旋转机械故障诊断试验验证本文方法有效.该方法能够明显提高故障诊断准确率.     

基于D-S理论多源信息融合的电气设备故障诊断模型

电力系统中电气设备的动作状态信息获取较为困难,希望在一次动作发生时尽可能多地获取各种信息,为故障诊断提供理论依据和技术支持.提出一种改进的证据合成方法,该方法定义一种修正证据基本可信度及加权的新规则,解决传统D-S证据理论融合中存在的悖论问题,实现冲突证据的有效融合.结合M-ELM方法,构建基于多源信息融合的电气设备故障诊断模型.实验结果表明,所提方法的信息聚焦性能更加优越,能够有效解决冲突证据合成问题,在解决电气设备故障诊断问题方面取得了良好的效果.     

D-S理论与神经网络相结合的信息融合模型研究

针对大噪声环境下信息融合效果差的问题,提出了一种基于D-S证据理论与神经网络技术的信息融合方法,该方法综合了证据理论在处理不确定信息方面的优点和神经网络在数值逼近上的长处,一方面利用神经网络和冲突证据处理算法获取基本概率赋值,另一方面通过证据理论使神经网络的结构变得透明.初步仿真结果表明,该方法有效地解决了不确定性信息的误识别问题.     

改进D-S证据理论在电动汽车锂电池故障诊断中的应用

针对电动汽车电池系统的故障采用基于神经网络的改进D-S证据理论组合规则完成诊断过程。为了避免单一途径的诊断可能造成故障漏检误检的状况,决策层采用D-S证据理论组合规则来确定基于BP网络和RBF网络两种故障诊断算法结果。然而为了克服D-S证据理论处理高度冲突证据的缺陷,本文提出了一种基于神经网络改进的D-S证据理论组合规则。首先,采用神经网络对电池故障进行初步诊断,结合网络诊断准确率来分配不确定信息并构造证据体,又引入了证据间的支持矩阵来确定新的加权证据体。然后,把各个焦元的信任度融入D-S证据理论组合规则,从而融合神经网络证据体及新加权证据体。最后,依据决策准则确定锂电池系统的故障状态。通过仿真实验验证了本文提出的改进D-S证据理论融合诊断方法在电动汽车锂电池故障诊断中的有效性。     

加权平均法解决证据理论中的失效问题

D-S证据理论是一种重要的处理不确定性问题的方法。但是,证据合成规则在处理冲突证据时产生的失效问题,影响了证据理论的应用。针对证据失效问题,国内外的各种改进方法主要分为对融合公式的改进和对融合模型的改进两个方向。本文在Murphy规则和邓勇方法的基础上提出了一种新的对证据本身进行加权平均,然后融合的方法来解决冲突问题。     

基于神经网络和证据理论的信息融合在故障诊断中的应用

针对电子设备故障诊断中数据处理量大,容错能力差,匹配冲突等问题,提出了基于神经网络、证据理论信息融合进行故障诊断的方法;首先,应用BP神经网络将特征提取后的信息进行特征级融合,实现了一定的数据压缩,然后,采用证据理论对不同的诊断结果组成的证据体进行决策级融合,减小故障诊断的不确定性,并解决各故障之间匹配冲突的问题;最后,以某型雷达I/O接口板为例说明了本文方法的有效性和实用性。     

基于BP神经网络和改进D-S证据理论的目标识别方法

针对应用经典D-S证据理论时,其关键参数基本概率赋值(BPA)往往凭主观经验获得,导致决策可信度低的问题,提出通过构建BP神经网络来获取基本概率赋值的方法。该方法利用BP神经网络强大的自学习和非线性映射能力,归一化输出值得到基本概率赋值。同时,为了解决高冲突度证据合成结果有悖常理的问题,提出一种基于证据信任因子的新的融合方法。根据证据的信任因子赋予其相应的权重,加权平均后得到期望证据,再进行合成。实验结果表明,该改进方法消除了高冲突度证据对合成结果的影响,具有更高的目标识别准确度。     

基于三支决策的证据融合策略

针对现有证据合成改进方法过程复杂，计算量较大，不加判别地处理证据冲突等问题，提出一种基于三支决策的证据融合策略.首先将证据关系分为一致、冲突和中立3种，建立基于三支决策的证据关系模型.设计算法筛选出证据支持的主要焦元.利用焦元集合的相似度和向量距离分别计算一致概率和代价函数.依据贝叶斯最小风险决策理论来判定证据关系.接着，在该模型的基础上提出基于三支决策的证据融合策略.根据各证据的主要焦元确定初始证据集的焦元分布.通过把证据划分到不同证据集内部或边界上来实现证据的三支划分.最后对加权修正的证据集融合结果和边界证据进行合成.算例分析表明，本文方法不仅能处理证据悖论，还使融合结果更稳定可靠.     

基于信息融合技术的电梯控制系统故障诊断*

针对电梯控制系统故障诊断困难及诊断准确率不高的问题提出一种基于信息融合技术的故障诊断方法。同时通过优化网络学习率与激活函数的倾斜度,对BP 神经网络进行改进,使得网络非线性分类能力更强,收敛效率更高。并利用电梯控制开关量信号和电梯运行模拟量参数作为神经网络分类器的特征,应用D-S证据理论合成法则将多个分类器的结果进行融合判决。使证据理论的基本可信度分配不再完全依赖专家进行主观化赋值,从而实现了赋值的客观化。该方法具有较高的稳健性和精确度。最后给出的实验结果验证了算法的有效性。     

基于异类信息融合的模拟电路故障诊断方法

针对模拟电路故障诊断中存在的可测节点电压信息不足、单一信息不能表征所有故障状态等问题,提出了一种基于神经网络和D-S证据理论的模拟电路异类信息融合故障诊断方法.该方法首先提取两类故障信息并分别将其输入不同的神经网络对其进行初步诊断,并得到各自的诊断结果,然后根据初步诊断结果,运用D-S证据理论对其进行融合,做出最终决策.     

基于模糊神经网络的导弹故障诊断专家系统

为了实现对导弹测发控系统的故障诊断,研究了模糊神经网络理论与算法,以及和专家系统的结合方式;综合神经网络、专家系统和模糊逻辑的各自优点和特点,提出了构建基于模糊神经网络的故障诊断专家系统的基本原则,并给出了一种构建方法;通过将传统的专家系统技术与模糊神经网络技术相融合,文中构造了某型导弹测发控系统智能故障诊断系统,验证了方案的可行性,为类似系统的进一步实现进行了有益的探索。     

基于RBF神经网络的高分子湿度传感器的研究

针对传感器在自动化系统中的重要性,指出了传感器故障诊断的必要性、可行性以及实现的基本方法。根据神经网络的原理与特点,阐述了基于RBF神经网络的传感器故障诊断的基本理论和优点,提出了一种基于RBF神经网络用于高分子湿度传感器进行故障诊断的方法。     

基于混沌粒子群算法的高压直流输电换流桥智能故障诊断

利用现代电力电子变换技术和MATLAB仿真软件研究了一种高压直流输电换流桥故障诊断技术。在详细分析了换流桥各种故障模式的基础上,提出了一种基于粒子群神经网络的故障诊断方法。针对粒子群的收敛速度慢和早熟问题,提出了一种混沌粒子群算法。仿真结果表明该模型比基本的粒子群神经网络诊断方法具有速度快,准确度高的特点。     

BP神经网络和Elman神经网络在模拟电路故障诊断中的应用

通过分析BP神经网络和Elman神经网络的基本结构和算法,研究了基于神经网络的模拟电路故障诊断方法,并通过仿真实验对比分析了BP神经网络和Elman神经网络的诊断能力。结果表明,BP神经网络的收敛速度相对较慢、训练时间长;Elman神经网络的结构参数调整简单、训练时间短、性能稳定,更适合存在容差、非线性等问题的模拟电路故障诊断。     

基于BP小波神经网络的模拟电路故障诊断

针对现有BP网络在模拟电路故障诊断中存在的问题,提出了一种基于BP小波神经网络的故障诊断方法.该法将小波函数与BP网络结合构成BP小波网络,这种网络具有小波变换的时频局域化性质和BP网络的自学习能力.分别用BP小波网络和传统BP网络对实例电路进行故障诊断,结果表明本方法是有效的,而且比传统BP网络方法的学习收敛速度快得多.     

基于神经网络的故障诊断应用研究

文中根据神经网络的相关原理，运用神经网络领域的相关知识，对于工业生产中经常出现的设备故障，提出了一种基于RBF神经网络的诊断方法，并详细讨论了RBF神经网络的结构、训练算法及用于设备故障诊断的步骤，最后以某系统的故障诊断为例，证明了此方法的优越性。     

基于滑模观测器和神经网络的传感器故障诊断方法比较研究

针对航空发动机传感器故障诊断中各种方法的优势和劣势,选择滑模观测器和神经网络这两种故障诊断方法分别对航空发动机转速传感器进行故障诊断研究,采用实验室搭建的发动机实验台DGEN380的实验数据,选择对航空发动机控制系统影响较大的偏置故障、漂移故障、脉冲故障、周期性干扰故障这四类传感器故障进行诊断。研究结果表明,滑模观测器和IPSO-BP神经网络都能实现航空发动机传感器的故障诊断;滑模观测器方法可以诊断出偏置故障、脉冲故障和周期性干扰故障,但不能诊断出传感器发生的漂移故障;IPSO-BP神经网络方法可以诊断出偏置故障、漂移故障、脉冲故障和周期性干扰故障。因此,滑模观测器在故障诊断中可能会出现漏诊的现象,IPSO-BP神经网络相对滑模观测器而言不会出现漏诊的现象。