多通道信息融合技术在故障诊断中的应用

目前的轴承故障诊断中,较多的是对单传感器信号的处理,不能充分利用多传感器测量得到的大量有价值信息.针对这一问题,本文提出了一种信息融合模型.该模型通过设置不同传感器的权重值来融合多个传感器的信号,以达到充分利用传感器信息的目的.通过一个轴承故障诊断的例子,证实本模型具有实现简单、准确率高的优点,在轴承故障诊断中具有一定...     

改进的SVM算法及其在故障诊断中的应用研究

介绍了支持向量机用于解决模式分类问题的基本原理,在对传统的多分类方法OVO（one—versus—one）深入分析的基础上,针对其存在的不可分类区问题,提出了一种改进的模式分类方法KSVM（KNN—SVM）,将k-近邻方法嵌入到SVM算法中解决不可分类区问题,进一步提高了分类准确率。应用KSVM分类方击进行模拟电路的故障诊断,实验结果验证了该方法的有效性和实用性。     

基于SVM与改进D-S理论电路板故障诊断算法

为了解决传统电路板故障诊断方法耗时长、难度大、准确度不高的问题,该文充分利用不同检测设备提供的电路板故障特征信息,提出基于支持向量机(SVM)与改进D-S证据理论相结合的电路板故障诊断算法。首先,将各证据体提供的故障数据输入SVM诊断模块,获取该证据体对各个故障模式的可靠度与加权系数;其次,利用"一对一"SVM多分类方法构造证据体对各个故障模式的基本概率分配;最后,对基本概率分配进行加权处理,完成基于D-S理论的多信息融合,获得故障诊断结果。实验结果表明,所提算法可以有效降低各证据体对诊断结论的冲突,增强正确诊断结果的信度,显著提高故障诊断准确率。     

基于特征融合的人体行为识别

为克服单个行为表达方法有效性上的不足,提出了一种基于多特征融合和支持向量机(SVM)的人体行为识别(HAR)方法。首先,利用背景差分提取运动显著区域;然后提取运动显著区域的剪影直方图和光流直方图,并采取一定的融合策略,构建融合特征结合SVM识别人体行为。实验以广泛使用的公开数据集Weizmann为研究对象,正确识别率达到99.8%以上。结果表明,提出的特征融合及识别方法能有效地对人体行为进行识别;而且,由于规避了比较耗时的序列匹配操作,减少了计算量。     

基于Contourlet域ICA和SVM的图像融合

提出了一种基于Contourlet域独立分量分析(ICA)和支持向量机(SVM)的图像融合方法。首先对源图像进行Contourlet变换,再提取其高频系数的独立分量特征,并通过粒子群优化的SVM实现分类,最后进行图像重构得到融合结果。给出了实验结果,采用均方差(MSE)、信噪比(SNR)、信息熵(H)、空间频率(SF)、清晰度(CL)和相关系数(CR)等评价指标对融合效果进行了定量评价,并与加权平均法、基于Contourlet变换或基于ICA的图像融合方法进行了比较。结果表明,所提出的方法能取得更优越的融合效果。     

D-S证据理论数据融合算法在某系统故障诊断中的应用

介绍了Dempster-Shafer(D-S)证据理论数据融合算法的基本原理,在此基础上以电压-码转换电路板为被诊断对象,探索了基于D-S证据理论多传感器数据融合算法的某系统电路故障元器件诊断方法.诊断结果表明D-S证据理论多传感器信息融合算法可有效地提高故障模式的识别能力,使故障元器件得以有效定位.     

用证据理论实现相关信息的融合

用D-S(Dempster-Shafer)证据理论进行多信息融合有一个严格的要求,即要求各传感器所提供的证据相互独立。这在很多实际场合中却很难实现。本文简要地阐述了基于D-S证据理论的多传感器信息融合算法,提供了一种基于D-S理论的推广方法以解决信息融合的相关性问题。并用机器人的力觉和热觉传感器作实验,对该方法的有效性进行了研究。     

基于SVM算法的林果害虫图像识别

支持向量机已经成功应用在许多领域如规则提取、分类和评价。针对阿克苏林果害虫分类种类多的特点,采用了一种简单sift特征提取,结合svm算法分类识别林果主要害虫的方法。首先对样本数据进行SVM分类器训练,从而快速获取原始样本数据的最佳SVM分类器参数,并实现分类。利用神经网络算法进行分类实验,比较分析传统SVM算法、神经网络算法在分类识别方面的差异。实验结果表明,SVM算法能够快速有效地识别害虫种类,并获得相对较高的分类精度,但由于测试图像背景不同且提取的特征单一识别的准确率有待提高。     

基于D-S证据理论的故障诊断方法

采用信息融合的方法,对高功率微波打击后的装备进行故障诊断。使用D-S证据理论,将信息融合应用于高功率微波(HPM)效应的故障诊断中,并用实例进行了仿真分析。结果表明：采用信息融合方法来诊断高功率微波效应后的故障是有效的,随着融合次数的增加,故障诊断的确定性增大,该方法提高了故障诊断的正确率。     

SVM技术与ANN方法对旋转机械故障诊断性能的比较

论述了基于支持向量机故障诊断技术的基本原理;介绍了传统的基于人工神经网络的故障诊断方法;以旋转机械故障诊断为例对两种诊断方法进行了比较,实验结果表明,与神经网络相比,基于支持向量机的故障诊断方法在训练速度、诊断精度、可靠性等方面都表现出了优越的诊断性能。     

电子装备单点多征兆故障D-S理论诊断方法研究

为了提高新型电子装备单点多征兆故障定位的准确性,构建了一种基于D-S证据理论的故障诊断模型和信息融合算法,提出了把故障诊断过程分为3步、构成3个识别框架、3次使用D-S证据推理、选取不同的决策规则实现故障定位的方法。实例证明,该方法较好地解决了电子装备单点多征兆故障诊断中的不确定性问题。     

应用数据融合实现电子电路的故障诊断

在电路故障诊断中,可通过直流分析、交流分析和灵敏度分析等方法,对电路的故障进行诊断.但由于不同的诊断方法对不同的故障敏感度不同,使得每种方法都带有局限性.为此,本文提出了采用数据融合进行电路故障诊断的新方法,介绍了D-S证据理论算法在电路故障诊断中的应用,给出了具体算法和仿真实例.理论分析和仿真结果表明,将数据融合技术用于电路的故障诊断是可行的.不同的诊断方法提供的信息经多次融合、反复抽取有用信息后,大大降低了判断的盲目性,提高了电路故障诊断的准确性.     

基于数据融合的开关磁阻发电机故障诊断研究

研究了一种基于D-S证据理论的多证据数据融合决策的开关磁阻发电机(SRG)故障诊断方法。根据SRG电流、电压、转矩三个证据信号进行融合处理,提高了其故障诊断的精确性和可靠性。文章对D-S证据理论在开关磁阻发电机故障诊断中的应用进行了实例分析,结果表明该方法能够有效提高故障诊断精度。     

基于GA-DS的多神经网络故障诊断方法

针对基于信息熵的神经网络证据形成过程需要专家经验确定参数这一不足,提出一种改进方法,即用遗传算法(Genetic Algorithm,GA)进行寻优,自动确定参数,其实质是利用了遗传算法的高效的并行寻优能力和对初始种群的较低的敏感性,通过训练样本自适应调整证据形成过程中的参数,提升DS(Dempster Shafer)证据理论的融合效率.对多类轴承故障数据的诊断结果表明,该方法(GA-DS)能够自动调整神经网络的证据形成过程,从而有效地降低了融合过程中证据的冲突性,并且显著提高了诊断精度和稳定性.     

混合核函数SVM在变压器状态评估中的应用

核函数是SVM(Support Vector Machine,支持向量机)的重要组成部分,核函数的选取对分类效果有明显的影响。该文把混合核函数引入到变压器状态评估中。实例分析表明,混合核函数支持向量机提高了状态评估的准确率。     

基于输出频谱和支持向量机的模拟电路故障诊断方法

针对模拟电路的特点和其故障诊断中存在的问题,提出了一种基于输出频谱和支持向量机的新型模拟电路故障诊断方法(FMSVM)。该方法采用多音信号作为模拟电路的激励信号,并用其输出频谱中的有限个频率点的幅值作为故障特征,采用多分类支持向量机(MSVM)进行故障模式判别,实现了模拟电路的故障诊断。实验结果表明,该故障诊断方法具有速度快、准确率高的特点,具有重要的实用价值。