共查询到10条相似文献,搜索用时 46 毫秒
1.
基于多传感器融合信息的故障诊断 总被引:17,自引:1,他引:17
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。 相似文献
2.
为有效、准确地诊断出燃气轮机健康状态,在燃气轮机专用试验平台对其进行试车试验,获取主泵、喷口加力调节器、滑油压差传感器等关键部件的原始信息,采用核主元分析(Kernel Principal Component Analysis,简称KPCA)方法对原始信息进行处理,提取燃气轮机关键部件状态表征参数的核主元,创建特征向量空间。由于深度学习可以构建含多隐层的学习模型,实现逐层的特征变换,从而自适应地捕获隐藏于故障数据内部的有用信息,增强诊断过程的智能性,因此由核主元特征向量创建深度学习故障诊断模型,对燃气轮机进行了故障诊断技术研究。与此同时,亦创建了极限学习机(Extreme Learning Machine,简称ELM)故障诊断模型并进行了诊断,结果表明深度学习正确诊断率明显优于极限学习机。在此基础上,尚采用信息融合技术对以上两种方法的诊断结果进行决策层融合,进一步提升了故障诊断准确率。研究表明,该方法能有效诊断出燃气轮机关键部件健康与故障状态,具有很好的工程应用前景。 相似文献
3.
加工过程状态监测是实现加工状态智能监控的前提和基础。多传感器信息融合是集成多个传感器系统,采集表征加工状态的传感器信号,通过融合分析以预测或识别或诊断不同加工状态,提升被加工工件的表面质量、加工精度和加工效率。综合分析了多传感器信息融合的状态监测的原理及流程、应用多传感器信息融合的关键技术,综述了国内外研究学者应用多传感器信息融合对加工过程刀具状态(刀具磨损)、零件状态(表面粗糙度)、机床运行状态(故障状态)等目标状态进行监测的研究成果。最后归纳总结了目前多传感器信息融合应用在加工过程状态监测存在的问题,为加工过程数字化、网络化、智能化的研究工作提供坚实基础。 相似文献
4.
基于多传感器数据融合的智能故障诊断系统 总被引:7,自引:0,他引:7
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. 相似文献
5.
针对无线传感器网络(wireless sensor networks,简称WSNs)在机械故障诊断应用中大量振动信号不能实时传输的问题,提出基于无线传感器网络多级分层信息融合的机械故障诊断方法。采用簇树网络结构扩大网络监测覆盖范围,将WSNs信息融合分为数据级融合、特征级融合及决策级融合3个级别,终端节点对原始振动信息进行数据级融合以提取特征信息,簇头节点对特征信息进行特征级融合得到模式识别结果,网关节点对识别结果进行决策级融合以评估机械设备运行状态。实验表明,该方法能有效应用于机械故障诊断。 相似文献
6.
传感器故障诊断实时监测系统设计的探讨 总被引:2,自引:1,他引:1
对大型设备运行状态监测和故障的早期诊断与预报活动中,传感器自身故障的及时发现与判别尤为重要。本文提出以设备子系统的(或某一功能的)传感器监测参数为划分原则,将单传感器的监测信号综合作为多传感器监测而进行信息的融合处理,从而判别子系统运行状态和传感器信号的真实性的构思,并探讨传感器故障诊断实时监测系统的设计方案。 相似文献
7.
8.
为解决客运索道设备故障诊断复杂模糊的问题,引入了多传感器信息融合理论,设计了一种用于客运索道设备监控与故障诊断的系统。针对客运索道重要设备信号中温度、压力等多种传感器信号进行了数据采样,提取了它们的特征量,并采用分批估计法、D—S证据理论等算法对数据进行了融合,对客运索道设备的工作状态做出了准确估计,并用于信息决策。研究结果表明,该系统实现了对客运索道的实时监控,提高了客运索道设备故障诊断的准确性。 相似文献
9.
10.
随着机械设备的精细化和复杂化,用于监测其运行状态的传感器数量和类型不断增多,为了能有效地将多传感器信息融合,补全时间和空间上的信息,提高传感器信息的可靠性,提出了一种基于最大信息系数的动态加权特征融合的齿轮故障诊断方法。利用小波包变换对多传感器采集到的振动信号分解到时频域;计算时频域的特征,通过最大信息系数计算各传感器的权重并以并联融合的方式对特征进行融合;将融合后的特征输入到支持向量机模型进行故障分类。实验证明,融合后的特征聚合度更好,更有利于分类;在两种转速条件下,融合后的故障诊断准确率分别达到了87.72%和99.16%,动态加权融合的诊断效果好于定权重融合的诊断效果。 相似文献