一种基于冲突证据的D-S诊断研究

D-S证据理论已广泛地应用到故障诊断中,其中的基本置信分配是进行D-S故障诊断的基础。在导弹武器等复杂系统的D-S诊断中,所需的基本置信分配时有矛盾的现象。此时,一般的Dempser合成公式对证据的合成已无能为力,因此,迫切需要适用矛盾证据的合成方法。虽然人们做了不少研究,但利用优化理论所提出的D-S合成方法,由于其优点而受到人们的关注。但是这种方法由于没有考虑故障诊断的实际需求,在D-S诊断中显得不足。为此,文中提出了一种改进的D-S诊断优化合成方法。通过验证,表明改进后的D-S诊断合成方法具有更好的合理性和有效性。     

基于改进D-S证据决策准则的电力系统故障诊断

传统的故障诊断方法容易导致“诊断阻塞”以及“维数灾”的问题。针对诊断信息冲突或不健全的缺陷,提出用改进的D—S(Dempster—Shafer)证据决策方法进行电力系统故障的诊断。引入聚焦系数λ,进行证据合成时依据子集的基数大小优化组合信度分配．解决了高冲突证据的死解问题。以电力变压器故障诊断为例进行了分析验证,结果表明：基于改进的决策准则诊断方法具有较好的容错能力,实现信息的互补,突出了故障征兆的共性信息,从而极大地提高了信息的利用率．减少了系统诊断的不确定性。     

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。     

基于D-S证据理论的变压器故障诊断

针对电力变压器故障征兆与原因之间错综复杂的关系,以及单一变压器故障诊断算法精度有限的问题,本文提出一种在D-S证据理论的基础上,结合灰关联熵法和加权K邻近算法的变压器故障诊断新方法。该算法以油中溶解气体分析方法(Dissolved Gases Analysis,简称DGA)为基础,通过灰关联熵法和加权K邻近算法构建证据理论的基本可信度赋值函数,然后利用证据组合规则产生更为可靠的证据信息;最后根据基本可信数最大值确定变压器故障类型。变压器故障诊断实例结果表明该算法能够准确判断出变压器的故障类型,证明了该算法的可行性和有效性。     

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证据理论的空气预热器故障诊断

局部堵灰和局部漏风是空气预热器常见的故障,基于人工的故障诊断很难将其正确区分,且无法与整个机组的自动化程度适应,而应用D-S证据理论数据融合算法,却可以取得令人满意的效果。文章基于典型样本建立置信函数,利用证据与各个目标模式间的汉明距离构造置信函数分配,针对某电厂8号机组空气预热器进行了故障诊断。诊断结果有效区分了空气预热器局部堵灰和局部漏风的故障。     

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。     

改进的D-S证据理论在电动执行器故障诊断中的应用

电动执行器作为控制系统的终端部件比较容易出现故障,从而对控制性能产生直接的影响。D—S证据理论在处理数据的冲突性和数据的敏感性方面存在一定的缺点,针对这一缺点将其进行改进,将改进后的理论应用于电动执行器的故障诊断,通过诊断数据的比较结果可以看出改进后的证据理论在处理冲突性数据方面是可以得到更为合理的结果的。     

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。     

D-S证据理论在凝汽器故障诊断中的应用

运用D-S证据理论将用不同模糊方法得出的诊断结果进行融合。试验证明，融合以后的结果比模糊方法得出的诊断结果误判率更低。运用D-S证据理论，可以减小因隶属度函数的不同而带来故障误判的可能性，从而更准确地判断故障原因。     

基于D-S证据理论的配电终端状态诊断

为满足配电系统精益化运维对二次设备状态检修的要求,提出了一种多源信息融合的配电终端状态诊断方法。通过分析配电终端的运行监测信息,提炼出三种方便采集的状态特征量,从而建立了配电终端状态诊断的证据体系。提出了基于相关系数的基本概率分配函数构造方法,为避免故障终端样本数量不足导致的训练偏差,利用基于专家经验的加权平均模糊隶属度代替相关系数完成实际计算。利用D-S证据理论合成规则实现多元信息融合,并根据基本概率分配决策准则来判断配电终端的状态。最后,对配电终端的状态诊断进行了实例分析,相关结果验证了所提方案的有效性。     

基于QPSO-BP和改进D-S的水电机组振动故障诊断

为提高水电机组振动故障诊断的准确性,提出了一种基于改进D-S证据理论融合量子粒子群优化BP神经网络(QPSO-BP)的诊断方法。根据水电机组常见的振动故障类型,采用3个惯性权值随机调整的QPSO-BP网络分别对其进行初级诊断,并作为独立证据体应用于D-S理论的合成之中,实现了基本概率赋值的客观化。针对标准D-S无法合成高度冲突证据的缺陷,通过计算权值矩阵对其进行修正。实例分析表明,和3个初级诊断模型及标准D-S合成法相比,所提方法可以有效识别机组的振动故障,具有较高的诊断准确率。     

基于皮尔逊系数和不确定测度的冲突证据组合方法

D-S 证据理论在合成冲突较大的证据时会产生直觉相悖问题,现有的修正证据源的改进方法大多只从单一角度做出改 进,不能全面反映冲突信息特征。 针对此问题,提出了一种基于皮尔逊相关系数和不确定性测度的证据组合方法。 首先,利用 皮尔逊相关系数衡量证据之间的相关性,定义证据的可信度。 其次,引入基于区间概率的不确定度对可信度进行修正,得到权 重。 最后,使用该权重对原始证据进行加权平均,使用 Dempster 组合规则进行合成。 与经典改进方法相比,该方法能有效处理 冲突证据的融合问题,指认正确命题的准确率达到 0. 992 0。 与已有皮尔逊系数改进方法相比该方法更具有合理性,且有较高 的准确度。     

D-S证据理论融合多特征的油菜病害识别方法

针对单一特征在识别油菜病害上存在的局限性,提出一种基于D-S证据理论融合多特征的油菜病害识别方法。首先对预处理后的油菜图片提取颜色矩、颜色共生矩阵两种特征,通过欧氏距离来构建D-S证据理论所必需的基本概率分配(BPA),最后运用D-S证据组合规则进行决策级融合,依据决策条件输出最终分类识别结果。针对存在最终识别结果被误识别为不确定问题,通过引入方差来对决策方法进行改进,避免了这一现象的产生。利用该方法在采集到的油菜样本上进行实验,取得了97.09%的识别率。实验表明,该方法能有效提高油菜病害识别率。     

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。     

基于网络树状图和改进D-S证据理论的配电网故障定位方法

针对配电网故障信息出现异常尤其是不可识别异常而导致误判的问题,提出了一种基于网络树状图和改进D-S证据理论的配电网故障定位新方法。该方法的突出优点在于使用多源信息进行故障定位,可避免因单源信息发生异常导致的误判。首先提出了一种新的基于网络树状图的搜索算法,该算法利用配电网故障时产生的故障指示器信息、配变报警信息和电话投诉信息建立相应的网络树状图,并通过搜索网络树状图进行故障初步定位。然后利用改进D-S证据理论将每种故障信息的定位结果进行信息融合,得到最终的定位结果。实例结果表明所提方法有效、可行,可以解决故障信息出现不可识别异常时的定位问题。