基于核主元分析与神经网络的传感器故障诊断新方法

提出综合利用核函数主元分析(KPCA)和神经网络的方法实现非线性系统内传感器故障的检测和识别,克服了以往核函数主元分析法只能给出故障检测结果,却无法对故障进行识别的缺陷,并给出了在特征空间中计算残差的简单方法.最后,对一个简单的多变量过程进行了故障检测和识别,验证了这一诊断策略的有效性.     

基于D-S证据理论的齿轮箱故障诊断

在分析模糊识别和证据理论应用于故障诊断特点的基础上.提出了一种应用D-S证据理论融合神经网络和模糊识别的方法,应用于某坦克发动机齿轮箱故障诊断,通过多次实验及仿真,证实这种方法能明显提高故障的正确诊断率,具有良好的实际应用价值.     

基于粗糙集和D-S证据理论的信息融合技术应用研究

针对井下信息量大、噪声多、参数多、动态等特征,提出了一种基于粗糙集数据挖掘和D-S证据理论优化信息融合技术的矿井环境监测方法。采用粗糙集对井下信息进行预处理;利用径向基函数(RBF)神经网络建立了井下环境识别模型;利用D-S证据理论进行两级融合决策,并对井下安全状况进行判断。仿真结果表明:该方法提高了井下信息的识别和决策效果,极大地降低了不确定性。     

基于D-S证据理论和BP神经网络的多传感器信息融合

针对多传感器信息融合的基本可信度分配在实际应用中难以解决的问题,提出了一种基于D-S证据理论与BP网络相结合的多传感器信息融合的改进方法。该方法充分发挥BP神经网络自学习、自适应和容错的能力,利用BP神经网络处理证据理论的基本可信度问题,再利用D-S证据理论来处理不精确、模糊的信息。最后通过一个实例证明了该方法的有效性。     

基于主元空间统计的传感器故障诊断与重构

针对主元分析故障诊断方法中所采用SPE统计量的局限性,通过分析主元模型的整体框架,提出一种通过T2统计量来研究传感器数据超限的故障检测与重构,确定故障大小与类型,采用迭代法恢复传感器示值的方法。仿真结果表明,该方法对传感器进行故障检测与重构后,其故障幅值完全处于精度范围内,且低于所要求的控制限。     

基于主元分析的径向基神经网络预测模型研究

结合主元分析(PCA)和径向基函数(RBF)神经网络,建立了地下水动态模拟与软测量预测模型。通过主元分析法提取主要成分,实现数据预处理;将选取的主要成分作为RBF神经网络的输入;采用k均值聚类算法确定RBF网络隐含层参数,并用递进最小二乘法确定输出层权值。仿真结果表明,该模型优化了网络结构,提高了预测精度。     

D-S证据理论在机床故障诊断中的应用

探讨D-S证据理论在机床故障诊断中的应用,介绍了基于D-S证据理论的决策,D-S证据理论的不足及其改进方法,并用实例分别介绍了证据冲突不大时和证据冲突较大时D-S证据理论在机床故障诊断中的处理方法。     

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。     

D-S证据理论在电路故障诊断中的应用研究

针对传统的线路切割法在电路故障诊断表现出的诸多问题,提出了一种基于D-S证据理论的多故障分类器的信息融合系统框架模型。在该模型中,基于SVM的故障分类器模型、基于贝叶斯的故障分类器模型和基于神经网络的故障分类器模型中的故障集合的并集共同构成识别框架,并利用Dempster合成法则对测试数据进行融合。实例研究表明,该模型增强了诊断系统的可分析性,有效提高了故障模式的识别能力。     

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D—S证据理论的空分设备故障诊断研究

根据空分设备故障诊断的复杂性,采用D—S证据理论实现空分设备的故障诊断。文中以空分设备中的主换热器为例,通过采集主换热器发生故障时的相关传感器的数据信息,得出各传感器对主换热器各故障模式的信度函数分配,通过D—S证据理论的合成公式进行数据融合,从而确定主换热器的故障模式。实验结果表明：基于多传感器的数据融合算法在故障诊断方面具有较高的准确率。     

一种基于输入训练神经网络的非线性PCA 故障诊断方法

简要讨论了线性PCA故障诊断方法存在的问题，提出一种基于输入训练神经网络的非线性PCA故障诊断方法。该方法首先利用输入训练神经网络和BP网络双网络机制，实现非线性主元的识别，并采用统计方法进行故障检测与故障分离。对CSTR的仿真研究结果表明，该方法能够克服线性PCA方法在提取过程变量的非线性特征方面存在的不足，并能够准确地进行故障检测和分离。     

基于D-S融合的电子电路故障诊断研究

根据电子电路故障元件诊断的不确定性问题,给出了多传感器D-S信息融合实现电路故障诊断的方法。通过检测电路工作时电子元件的温度和关键点电压两方面数据信息,得出两传感器对各待诊断元件的信度函数分配。再利用D-S联合规则结合模糊逻辑理论,得到融合后的信度函数分配,从而确定故障元件。实验结果说明:多传感器融合算法具有较高的准确率。     

证据理论在车辆身份识别中的应用研究

论文详细地介绍了D-S证据理论,并探讨了D-S证据理论在车辆身份识别系统中的运用。通过实例得出了D-S理论在多传感器数据融合应用中的初步结果,将其应用于车辆身份识别系统中,可大大提高识别率。     

基于DS证据理论的无线传感器网络MAC层安全研究*

研究了无线传感器网络MAC层安全问题,分析了现有无线传感器网络MAC层协议安全体系的不足之处,针对无线传感器网络遭到非法入侵的情况,提出了一个基于D-S证据理论的MAC层入侵检测机制。该机制利用碰撞率、数据包平均等待时间、RTS包到达率以及邻居节点的报警作为证据,对网络的状态进行实时的分析检测,根据网络的状态作出响应。该算法能够应用于现有的MAC协议如S-MAC、IEEE 802.15.4中,仿真结果表明,该算法能够较好地抵御针对MAC层的攻击,保证网络的安全运行。     

基于信息熵的D-S证据理论及其在传感器融合中的应用

从证据本身和证据之间的相互关系两个方面分析了证据的可信度及相应在融合过程中获得的权重.引入了证据信息熵的概念,并给出了从证据本身确定可信度的方法.为了从证据之间的相互关系考察证据的可信度,给出了描述证据间相互支持的模糊关系矩阵,并依此来影响各传感器对于融合数据的重要性.实验验证了所提方法的有效性和鲁棒性.     

基于D-S证据理论的入侵检测模型

将数据融合理论引入到入侵检测过程,提出基于数据融合的入侵检测系统模型,并在系统模型的实现过程中应用了多Agent技术,使整个模型具有良好的扩展性。在聚类、合并、关联的数据融合过程中应用了D-S证据理论,在一定程度上解决当前入侵检测系统中存在的告警洪流、误报率高、告警之间的关联性差等问题,提高了分布式入侵检测系统的检测性能。     

基于模糊D-S证据论的入侵检测

根据操作系统的工作原理,对计算机执行程序的行为特征进行严密地入侵剖析。运用马尔可夫模型对计算机受到入侵时的状态建立合适粒度的状态知识源,采用模糊D-S证据论方法来融合所建立的状态知识源进行综合评判,解决了入侵检测过程多源数据融合常涉及到非排斥性假设和操作不确定性的数据所造成的误检和漏检率。经过实验分析,该方法有效地降低了误检和漏检率,提高了入侵检测的全面性和准确性。