基于信息融合的电机音频故障诊断

针对目前电机音频故障诊断单传感器信号分析可靠性不足的缺点,将信息融合技术与神经网络相结合,建立电机故障诊断系统。采用多层神经网络进行故障特征级融合与电机故障的局部诊断,获得彼此独立的证据,运用D-S证据理论合成算法对各证据理论进行决策级融合,构建了电机故障音频多源信息诊断系统模型,并对此模型进行了验证,取得了良好的诊断效果。     

基于D-S证据理论的电机声频故障诊断

采用小波分析技术对电机噪声进行能量分布特征提取,将信息融合技术与神经网络相结合,建立电机故障诊断系统。采用多层神经网络进行故障特征级融合与电机故障的局部诊断,获得彼此独立的证据,运用Dempster-Shafer证据理论合成算法对各证据理论进行决策级融合。实验表明,此系统诊断结果与实际相符,提高了故障诊断的精度,并满足了诊断的在线实时性要求。     

基于集成信息融合的智能故障诊断系统设计

提出了基于集成信息融合技术的实时智能故障诊断系统结构.在对传统BP神经网络分析的基础上引入了聚类分析方法与遗传优化算法,有效降低了BP神经网络的训练难度并提高其训练精度.将遗传神经网络与自适应神经-模糊推理系统相集成用于特征级信息融合,既提高了诊断可靠性又充分利用了诊断知识;引入D-S证据理论进行决策级融合,有效地利用了各诊断单元的诊断结果.仿真测试结果表明,该故障诊断系统能迅速、准确、可靠的诊断出各种故障.     

基于信息融合技术的某新型自行火炮发动机电控系统故障诊断

多传感器故障诊断过程中,由于多方面的原因,如测量噪声的存在、诊断知识的不完全等等,使得故障诊断存在着不确定性,影响到诊断结果的可靠性和准确度;通过分析某新型自行火炮发动机电控系统的故障特点,研究了一种基于BP神经网络及信息融合技术的多传感器故障诊断方法,将该自行火炮发动机电控系统的故障诊断过程分为子系统和系统级两级诊断,子系统采用BP神经网络实现故障模式分类,系统级运用D-S证据理论对整个系统故障进行综合决策评判;应用表明,在某个子神经网络识别存在差异的情况下,采用D-S证据理论进行融合可以有效地提高识别的准确性。     

基于神经网络信息融合的机车牵引电机故障诊断

对信息融合的故障诊断进行了研究,提出了一种基于信息时空融合的故障诊断模型,并将其成功应用于电力机车牵引电机的故障诊断;这种方法是在运用神经网络进行局部的故障诊断的基础上,再运用D-S证据理论进行全局决策的融合,从而实现了这两种算法优势的互补,提高诊断的准确率;实例分析结果表明,该故障诊断模型能够准确地检测出故障发生的位置及其故障发生的原因,适合于电力机车牵引电机的故障诊断,并具有推广的价值.     

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。     

多传感器数据融合技术在故障诊断中的应用

利用多传感器数据融合的方法进行故障诊断,建立融合故障诊断系统.将故障诊断系统按数据融合的方法分为数据级融合模块、特征级融合模块和决策级融合模块.数据级融合模块主要对多传感器的测量信号进行处理,提取出故障诊断的特征信息.特征级融合模块采用3个结构相同的并行神经网络,一是进行局部诊断;二是获得决策级D-S证据理论的基本概率赋值.决策级采用D-S证据理论的方法对特征级局部诊断的结果加以融合,得到最终的诊断结果.利用此系统在汽轮机转子试验台架上进行了故障诊断,得到了令人满意的结果.     

信息融合技术在大型发电机故障诊断中的应用

研究大型发电机故障诊断问题,大型发电机组故障具有复杂性和多样性,单从某一方面进行故障诊断,诊断结果比较低。为提高了大型发电机故障诊断准确率,提出一种基于信息融合技术的大型发电机故障诊断方法。首先对故障特征进行提取和降维,然后采用多个支持向机对大型发电机组故障进行初步诊断,获得相互独立的证据,最后对各证据采用DS证据理论融合算法进行融合,从而实现对大型发电机故障的准确诊断。仿真结果表明,采用信息融合的故障诊断系统有效地提高了大型发电机故障的诊断精度,增加故障诊断结果的置信度。     

发动机故障多级融合诊断研究

针对神经网络中两种常用的网络类型BP和Elman,在发动机故障诊断中的应用过程的特点——各自网络都有自身缺陷,提出基于BP-Elman神经网络与证据理论相结合的多级融合故障诊断方法;首先BP-Elman网络得出其各自的初步诊断结果,经过必要的转换将其转换成证据理论的概率赋值;证据理论组合规则将初步诊断结果融合得出决策级诊断结果;通过对某柴油机燃油喷射系统的故障诊断过程表明,该模型经过尽可能地融合有效故障信息,大大提高系统的诊断精度和诊断正确率,而且有效降低了系统的不确定性。     

基于集成神经网络的电机故障诊断

研究异步电机安全控制问题,为解决故障诊断和速度问题,提高电机运行效率,减小早期故障损失,提出了一种基于集成神经网络的电机故障诊断方法。方法采用定子电流和转子振动信号作为电机故障诊断的输入信号,应用改进的BP神经网络进行故障识别,分别用两个诊断子网络进行局部故障诊断,再运用神经网络融合算法进行全局决策的融合,从而提高诊断的准确率。仿真研究结果表明,故障诊断模型具有诊断准确率高、诊断速度快等优点,是一种比较实用的故障诊断方法,对电机进行故障监测、预报具有重要的实际意义。     

基于信度区间的故障特征约简方法

多源信息融合故障诊断方法可以有效提高设备故障的确诊率,但同时需要使用由不同传感器获取的多种故障特征数据.此时若将所有特征的数据用于诊断,则计算量过大,诊断的实时性差.对此,将证据理论与粗糙集相结合,提出基于信度区间的属性约简定理及相应的故障特征(属性)约简方法,力图利用约简后的重要特征进行快速诊断.利用随机模糊变量和K均值对特征数据进行离散化处理,通过压缩二进制矩阵获取核属性,再将属性的信度区间大小作为迭代约简过程中属性的选取标准,向核属性中添加重要属性,最终获得属性约简结果.最后进行电机转子的特征融合诊断实验,通过与经典的粗糙集简约方法对比验证所提出方法的有效性.     

基于D-S理论的智能故障诊断关键技术研究与实现

以智能检测和故障诊断技术作为研究对象,分析了在智能故障诊断系统中用到的特征提取、模式识别和故障预测等关键技术,探讨了用于实现上述关键技术中的小波变换和人工神经网络算法。鉴于人工神经网络算法容易出现系统故障定位不准确性的不足,引入了D-S(Dempster Shafer)证据理论。首先用BP神经网络对故障信息进行局部诊断,然后利用D-S证据理论对局部诊断结果进行融合,进行全局诊断,得到最终的故障结果。D-S证据理论的引入,增大了诊断结果的可靠性和准确性,提高了诊断算法的适应性。在LabWindows/CVI的平台下,实现了智能故障诊断算法。     

基于灰色关联和D-S证据理论的感应电转子故障诊断

针对单一的灰色关联或D-S证据理论在转子故障诊断中存在的不足,将灰色关联和D-S证据理论相融合的决策级信息融合方法应用到感应电机转子故障诊断中;首先用灰色关联对故障进行初步诊断,然后,将灰色关联分析的诊断输出结果作为D-S证据理论的基本概率分配,最后,依据证据组合规则进行合成,得出转子故障的最终诊断结果;实验仿真结果验证了方法在转子故障诊断中的有效性,可以减小诊断的不确定性,提高故障的诊断准确率和诊断精度。     

信息融合在异步电动机故障诊断中的应用

针对传统异步电动机故障诊断方法中存在的局限性,在对异步电动机故障诊断的特点和要求研究的基础上,提出了一种基于D-S证据理论的信息融合的故障诊断方法。该方法将所采集异步电动机的电压、电流、绕组温度等特征信息构成理论中的证据,利用一定的决策规则,选择融合证据下最大假设,以判断系统状态,识别系统的故障。对该方法构成的诊断系统进行了仿真实验,结果表明其故障诊断快速、有效。     

信息融合技术在变频调速系统故障诊断中的应用

针对变频调速系统中常用的电动机故障诊断方法难以准确判断故障类型的问题,提出了一种基于多传感器信息融合的电动机断条故障诊断方法。该方法通过小波包分析提取电动机断条故障特征信息,然后利用D-S证据理论融合计算故障特征信息以进行故障识别。诊断测试试验表明,该方法提高了电动机故障诊断的精度,并能满足诊断的实时性要求。     

基于信息融合的异步电动机故障迹象智能预测系统的研究

异步电动机故障机理较复杂,利用单个信息只能判断异步电动机系统可能在某些方面有故障征兆,结论具有一定的不确定性,特别是异步电动机在早期有劣化迹象时,各个方面的表现都比较弱,需要全面综合众多信息进行有效融合。针对上述问题,提出了一种基于信息融合的异步电动机故障迹象智能预测系统的设计方案,分析了D-S证据理论的原理,并在其基础上给出了基于单个信息和基于多个信息融合的异步电动机故障诊断结果。实际应用表明,该系统具有一定的有效性。     

基于D-S理论的故障诊断融合算法及应用研究

针对工业现场传感器状态类型复杂多变、被测参量难以准确可靠获得等问题,提出了一种基于RBF神经网络和证据理论的两级信息融合方法。利用RBF神经网络实现特征层数据融合,并建立基本信任分配函数,解决了D-S证据理论确定基本信任分配函数困难的问题;基于D—S证据理论的传感器故障诊断方法,可用来判断出工业现场传感器的有效工作状态。木材含水率检测结果表明,基于RBF神经网络和证据理论的两级信息融合方法可正确定位并准确分离出失效传感器。