基于D-S证据理论的直流电机故障诊断研究

通过分析直流电机的故障机理,得到在不同信号（如电流、转速、转矩等）中所表现的故障特征,提出了一种神经网络和D-S证据理论的多传感器数据融合技术的直流电机故障诊断方法。利用多源信息间的冗余性和互补性,有效提取故障特征信息,提高了诊断的可靠性和灵敏度。     

D-S证据理论在断路器故障诊断中的应用

在一个使用了电流与振动双传感器的断路器实时监测系统上,运用D-S证据理论、Dempster合成法则,对断路器故障进行了判断,以考察D-S证据理论用于状态监测中信息融合的可靠度。     

基于D-S证据理论的油浸式电力变压器故障诊断

当前对变压器进行故障诊断,主要是利用从分散的传感器收集到的检测信息,但使用单独的传感器采集数据进行判别,由于缺乏对数据的融合分析,易造成诊断中的误判或漏判。提出了一种基于D-S证据理论的油浸式电力变压器故障诊断方法,该方法通过融合数据来处理故障诊断中的不确定度。建立了故障诊断的融合模型,给出了方法的具体实现步骤并应用实例进行计算。结果表明,本方法可以减少诊断中的不确定性,提高故障诊断的准确性。     

基于神经网络和D-S证据的电厂凝汽器故障诊断研究

火电厂凝汽器是汽轮发电机组的重要辅机之一,其工作状况对整个电厂安全和经济运行都有着决定性的影响。结合信息融合思想,提出一种基于神经网络和D-S证据理论的电厂凝汽器故障综合诊断方法,首先通过BP神经网络和CPN神经网络得到各自的诊断结果作为决策层D-S证据理论的初始证据,再利用证据理论对这些结果进行融合,得到最终的故障诊断结果。通过实例数据诊断结果表明:与单一神经网络诊断结果相比,该方法减少了误差,提高了诊断可信度。     

基于D-S证据理论的配电网单相故障选线方法研究

为充分利用单相接地故障的互补信息提高选线保护的可靠性,提出一种中性点非有效接地电网信息融合选线方法。该方法采用D-S证据理论,针对故障选线问题的具体特点,合理构造了选线识别框架和信度分配函数,将故障选线问题转化为证据理论模型,给出证据组合的选线判定原则,制定了基于信息融合的综合选线策略。应用该方法在模拟系统上进行实验,验证了方法的有效性。结果表明采用融合选线策略极大地提高了故障选线的可靠性。     

基于改进的D-S证据理论的旋转整流器故障诊断研究

D-S融合规则是证据理论的重要部分,广泛应用于多信息融合算法中.由于该组合规则本身存在一些不足之处,应用到旋转整流器的故障诊断中,效果不理想.建立了发电机的系统模型,利用小波能量法提取故障特征,并提出了一种改进融合算法——冲突证据融合规则,其有效克服了D-S融合规则的不足,对一组实测故障数据的融合诊断表明,能够对故障做出准确判断.     

基于D-S证据理论的感应电动机转子故障诊断方法研究

提出运用D-S(Dempster-Shafer)证据理论对感应电动机转子断条故障进行识别的故障诊断方法.基于小波包变换的频率划分特性,对定子电流信号进行小波包分解,建立了转子断条故障的特征矢量,提取转子断条故障的特征信息,利用BP神经网络对其识别的结果形成彼此独立的证据,并根据D-S证据融合规则进行融合处理,以实现对电动机转子断条故障的准确识别.实验结果表明,该方法克服了传统基于FFT分析方法难以提取故障特征频率分量的难点,提高了故障诊断的判决精度,可实现转子断条故障的可靠诊断.     

基于D-S证据理论的变压器诊断系统研究

以Dempster—Shafer证据理论为基础,给出了基于神经网络的基本概率分配构造方法和诊断决策规则,提出了一种神经网络初步诊断和证据理论融合决策诊断相结合的集成神经网络故障诊断方法,建立了相应的功能模型。并以变压器故障诊断为例,详细说明了该方法的具体步骤。结果表明,使用D—S证据理论合成法则进行信度合成,诊断结论的可信度明显提高,不确定性明显减小,充分显示了该方法的有效性。     

证据理论在电机故障诊断中的应用

D-S证据理论作为一种非精确推理算法具有独特的优势,非常适用于存在大量不确定性因素的电机故障诊断工作。提取故障电机的状态特征量,并将其按时域、频域、奇异值分解为多个子参数空间。在此基础上,采用并行BP神经网络及模糊聚类系统对电机故障进行局部诊断。将每个局部诊断结果作为独立的证据体,构造相应的信度分配函数。结合电机故障的信息融合诊断模型,将基于D-S证据理论的决策融合的方法应用于电机故障诊断。通过对案例进行分析,实现了利用多证据体的融合信息对电机故障状态进行诊断,其诊断结果验证了D-S证据理论在提高电机故障诊断的准确性和灵敏性方面的作用。     

证据理论在电机故障诊断中的应用

D-S证据理论作为一种非精确推理算法具有独特的优势,非常适用于存在大量不确定性因素的电机故障诊断工作.提取故障电机的状态特征量,并将其按时域、频域、奇异值分解为多个子参数空间.在此基础上,采用并行BP神经网络及模糊聚类系统对电机故障进行局部诊断.将每个局部诊断结果作为独立的证据体,构造相应的信度分配函数.结合电机故障的信息融合诊断模型,将基于D-S证据理论的决策融合的方法应用于电机故障诊断.通过对案例进行分析,实现了利用多证据体的融合信息对电机故障状态进行诊断,其诊断结果验证了D-S证据理论在提高电机故障诊断的准确性和灵敏性方面的作用.     

基于信息融合技术的旋转机械故障诊断

对多传感器信息融合技术作了简要介绍,并结合旋转机械振动故障诊断系统的要求与特点,探讨了信息融合技术用于故障诊断系统的基本层次结构。将信息融合的层次与故障诊断的功级相对应,提出了旋转机械振动故障诊断的信息融合模型,神经网络和证据理论相结合应用于故障诊断的新方法,提高了故障诊断系统的灵活性,故障诊断的效率和准确性。     

基于多数据融合的电机故障诊断方法研究

电机作为各类电驱设备的主要动力装置,具有结构简单、控制方便、能效高、无污染等优点.在电机运行过程中,受载荷多变、零部件老化、散热条件差等影响,故障频发,进而降低电驱装置的工作效率和稳定性.此外,电机故障种类繁多,各故障的征兆与表现又极其相似,不同故障产生的原因也错综复杂,这极大地提高了电机故障诊断的难度.传统的电机故障...     

应用数据融合的电网故障诊断

电网发生故障时,由于保护及断路器的拒动、误动等因素使得诊断结果存在不确定性。首先提出了应用数据融合的电网故障诊断方法;再针对融合故障发生时的开关量和电气量信息,利用模糊Petri网对开关量信息进行分析,利用希尔伯特-黄变换HHT(Hilbert-Huang transform)对电气量进行分析,提取开关量故障度、幅值故障度、频率故障度和能量故障度,并利用D-S证据理论对各种故障表征予以融合,进而得故障诊断结果;最后,通过仿真验证所提方法能充分利用电气量信息,减小单一开关量的不确定性因素的干扰,提高故障诊断的精度。     

基于故障诊断与数据融合的pH值测试研究

在工业生产和污水处理过程中,pH值监控是一个重要的环节,然而pH值的测试尚存在如何提高可靠性和精确性两大难题,作者通过实践探索和理论分析,结合含油污水pH值测试的研究,提出了故障诊断和数据融合相结合的pH值测试新方法,详细讨论了基于三模冗余结构在线故障诊断的策略,并给出了三传感器数据融合的具体算法,成功地解决了pH值测试中的实际问题,在环保废水处理过程中取得了良好的效果。     

基于加权证据理论的异步电机故障诊断研究

针对D-S理论不能解决高冲突证据的融合问题,本文提出一种基于证据间距离和先验知识的加权证据理论.利用异步电机失电残余电压和Park矢量模平方各自的故障特征频率分别进行初步故障诊断,诊断结果分别作为证据m1和m2,同时引入已知证据m3,再用本文提出的加权证据理论作最后的决策诊断.实验表明,诊断结果的准确性明显提高并且高冲突证据的融合问题也能有效解决.     

基于开机过程信息融合的水电机组故障诊断方法

为保证水电机组运行的可靠性,通常采用基于振动频率分析的故障诊断技术。但是水电机组故障类型间存在重叠的频率特征,仅凭频率分析不易确定故障类型。因此,文中采用信息融合技术,引入开机过程中的时间和空间特征信息,在特征层采用支持向量机作为信息融合手段,在决策层采用D-S证据理论进行信息融合。实验结果表明,信息融合增加了故障诊断的特征信息,提高了故障诊断系统的诊断能力。     

数据融合在氧量测量中的应用

针对锅炉氧量传感器故障率较高，测量误差大的情况，将D-S证据理论和分批估计数据融合方法应用到信号处理中，并对2只传感器的输出进行处理，使结果能准确反映锅炉燃烧情况，具有可靠性高、鲁棒性好的优点。     

基于多类电量测试数据融合的模拟电路故障诊断

提出了一种利用多类电量测试数据、基于神经网络与模糊集理论的模拟电路故障诊断新方法.检测可及节点电压并测量电路在选定的各测试频率下输出对输入的增益,分别利用此两类测试数据,各用一个独立的BP网络对电路进行初步诊断,再运用所提出的模糊融合诊断算法及其故障定位规则进行故障定位.模拟实验结果表明:所提方法克服了基于单一信息诊断方法的不足,对硬故障与元件参数偏移较小的软故障均适用,故障定位准确率高.     

基于多源信息融合-相关向量机的风力发电机故障诊断

为了能够全面准确地识别风力发电机的故障类别,考虑信号源振动和电流之间的相关性,提出了一种基于信息融合和改进相关向量机相结合的故障诊断方法。通过直驱风力发电机试验台实测数据,提取具有较高敏感度的特征参数作为诊断样本,建立基于振动和电流的改进相关向量机诊断模型进行初步故障诊断。利用信息融合建立多信号源故障诊断模型,获得最终风机故障诊断结果。试验表明,与基于单一信号的故障诊断方法相比,该方法具有更高的准确性,能很好地识别具有机电耦合特性的风力发电机故障类型。