基于多源信息融合的往复式压缩机故障诊断方法

往复式压缩机结构复杂,振动激励源多,故障关联性较强,需要依靠多种类型的传感器所采集的信息来对往复式压缩机故障进行诊断。在融合往复式压缩机多种类型传感器采集的特征信息基础上,提出一种基于多源信息融合的往复式压缩机故障诊断方法,构建信息融合诊断框架。利用往复式压缩机多种类型传感器所采集的数据信息构建特征证据体,使用径向基神经网络对每个证据体进行初步诊断,根据加权证据融合理论融合各个证据体初步诊断结果,得到最终诊断结果。使用提出的方法对往复式压缩机3种工况的试验数据进行融合诊断,诊断结果表明：使用加权证据融合理论融合多源传感器信息的诊断结果可信度高,不确定性小,能够准确对往复式压缩机故障状态进行诊断识别。     

D-S证据理论在火灾探测中的应用

将多传感器信息融合技术引用到火灾探测领域，介绍了基于D-S证据理论的多传感器多个测量周期的信息融合（时空信息融合）的方法，并将该方法应用于多个火灾探测器的信息融合。模拟实验结果表明，与单个传感器相比，基于D-S证据理论的多传感器时空信息融合的结果具有较高的准确度和可信度。     

基于1R1V感知信息融合的若干关键问题研究

针对单一传感器无法实现对车辆周围环境的准确感知,通常需要多种类型的传感器同时作为感知源提供信息。基于1R1V的感知架构,研究梳理1R1V信息融合过程中的几个重要问题。首先开展毫米波雷达和摄像头的联合标定,实现1R1V的空间配准;其次通过系列算法实现毫米波雷达和摄像头的时间同步;最后挖掘整理1R1V多传感器在智能驾驶中的融合策略。基于1R1V这两种类型传感器在信息融合过程中所面临的关键问题进行研究,明确提出时空同步、信息融合策略等解决方案,进而提升多传感器信息融合的开发效率。     

基于多源信息融合的风电机组轴承故障诊断方法

在风电机组滚动轴承故障诊断中,采用单个传感器所能提供的信息有限,针对这一问题,为了提取输入原始信号的多尺度特征以保证故障信息的有效性和完整性,同时为了提高信息融合的效率及有效性,提出了一种基于多源信息融合注意力机制卷积神经网络(MSIF-ACNN)的风电机组滚动轴承故障诊断方法。首先,提出了一种将普通卷积与空洞卷积相结合的融合卷积方法,对原始时域信号进行了多尺度特征提取;其次,采用双层通道和空间注意力机制方法,对不同通道数据进行了自适应校准与权重分配;对注意力机制输出的多源信息进行了特征融合;最后,为了验证该多源信息融合方法的有效性,采用由全连接层与分类层组成的分类方法,对实际风电机组轴承数据进行了试验验证。试验及研究结果表明：不同位置和方向传感器对不同故障的敏感性存在差异,MSIF-ACNN通过有效地利用这种差异,实现了多源信息特征互补的目的,风电机组滚动轴承故障诊断准确率达到了96.7%,效果优于其他多源信息诊断模型,促进了信息融合在风电机组轴承故障诊断领域的应用。     

基于多传感器融合的高速电主轴振动故障诊断研究

高速电主轴振动故障具有多样性、复杂性、不确定性等特点,本文提出在关键部位安装多个传感器,组成多传感器数据采集系统,采用多源信息融合对振动故障进行融合诊断的方法。针对多源信息融合亟需解决的静态与动态融合诊断问题,提出针对静态融合问题,采用DST(Dempster-Shafer Theory)与DSmT(Dezert-Smarandache Theory)自适应融合方法进行融合;对于动态融合问题,则根据证据源的不同特点,分别应用自由DSm模型和混合DSm模型进行融合诊断的方法。经实例证明,该方法既减小了计算量和复杂度,又提高了置信度,合理地分配了冲突信息。     

基于多信息融合的油液品质评价方法及其实现

提出了多传感器信息融合的油液品质评价方法,建立了基于该信息融合技术的二级融合模型,发展了基于神经网络模型的油液品质评价模型。该模型充分利用多源信息,对油液品质进行综合评价,并给出了一组基于信息融合实现油液品质评价的神经网络训练过程及其结果。研究实例表明,基于多信息融合的评价模型对4种油样的预测结果与实际结果是一致的,运行过程的实测值和趋势预测值的对比结果也证明了油液品质评价模型的正确性。提出的多信息融合技术的油品质量评价方法提高了评价准确率,降低了对工程技术人员分析经验的依赖性。     

多源数据融合的可穿戴设备体质健康监测模型研究

随着传感、物互联、大数据等新兴技术的发展,各种智能化穿戴设备不断应用到各个领域,智能穿戴设备是一种对日常穿戴进行智能化设计和开发的可穿戴设备,包括手表、眼镜、服饰等,智能穿戴设备是时代智能化的体现,利用智能穿戴设备,不仅可以快速获取人类自身或外部信息,还可以提升处理信息的效率.针对当前可穿戴设备体质健康监测模型由于数据处理能力较差导致健康预警误报率过高的问题,设计基于多源数据融合的可穿戴设备体质健康监测模型.通过优化数据采集方式,获取体质原始数据.使用数据清洗以及数据转化等方式,完成数据预处理.应用马尔科夫链构建体质健康监测模型,及时发出健康预警.至此,基于多源数据融合的可穿戴设备体质健康监测模型构建完成.经实验结果证实:多源数据监测模型使用后可有效降低健康预警误报率,多源数据融合技术应用在监测模型中可有效提升模型的数据处理与分析能力.     

基于Chebyshev网络和最佳逼近理论的CO2浓度检测

针对检测二氧化碳时因环境条件变化导致的检测精度降低、实时监测难、相似气体"交叉敏感"等问题,提出一种基于Chebyshev网络和最佳逼近理论的信息融合检测二氧化碳方法.该方法采用多个传感器采集多类信息,这些信息分别对应影响二氧化碳检测的物理量以及红外传感器测量数据,通过改进的Chebyshev网络进行信息融合,获得融合的检测结果.模拟试验结果表明:该方法明显地提高了检测二氧化碳的精度和鲁棒性.同时,采用信息融合技术,增强了气体检测的可控性.     

基于多源异构信息自适应融合的镁砂熔炼过程运行状态评价

本文针对镁砂熔炼过程中的电流、声音和图像信息,提出了一种基于多源异构信息自适应加权融合的过程运行状态评价方法。首先,针对镁砂熔炼过程中的多源异构信息进行数据预处理,采用深度学习方法建立基于不同信息的运行状态评价子模型;其次,利用注意力机制建立各子模型决策层自适应融合网络,以综合分析不同熔炼状态下的多源异构信息对评价结果的影响;最后,将融合结果输入SoftMax分类器,建立镁砂熔炼过程运行状态评价模型。仿真结果显示,相比于仅依赖单一种类信息建立的评价模型以及现有的深度学习多源异构信息评价模型,本文所提方法综合考虑多源异构信息的共同作用,基于仿真平台数据与实际生产数据的评价准确率分别达99.5%与98.44%,优于其他被比较的方法,验证了所提方法的有效性和优越性。     

基于D-S证据理论的液压泵故障诊断

介绍了D-S证据理论的基本概念、基本理论,讨论了基于D-S证据理论信息融合的故障诊断方法,并将其应用于液压泵故障诊断中。结果表明基于D-S证据理论的信息融合诊断方法可以充分利用多个传感器信息的冗余性与互补性,实现比单一传感器神经网络诊断更为准确和可靠的诊断结果。     

基于多源信息融合的行驶工况识别及其在整车转矩分配中的应用

传统的行驶工况判别方法多采用单参数或者双参数进行判别,为提高工况识别精度,针对混合动力汽车双动力源的特点,提出一种多源信息融合的汽车行驶工况识别方法,基于Daubechies小波对多传感器采集到的时间序列进行分解,利用单支小波重构的方法获得每个传感器不同频段下分解信号的数据特征信息,然后基于变属性权重的模糊C-均值聚类方法将不同传感器不同频段的数据特征信息进行一次聚类识别;最后对不同频段下同一工况的隶属度值加权,采用SOM自组织映射网络进行二次聚类融合实现最终的行驶工况识别。将本文所提方法应用于混合动力汽车整车转矩分配中,不同工况下调用不同的转矩分配三层前馈神经网络模型,以提高整车的经济性能。试验结果验证了本文所提方法的有效性。     

基于多源数据融合的电力系统故障诊断与评估平台开发

针对当前电力系统故障数据和信息分布在不同安全分区的问题,对符合安全防护规定的跨安全分区数据分类、关联和融合技术进行了研究,提出了基于多源数据融合的电力系统主网和配网故障智能诊断技术。在主网诊断过程中,充分利用故障状态量、电气量和时序信息等数据,并结合气象等外部要素情况,分析了故障原因;在配网评估过程中,综合利用电力生产管理系统(PMS)、调度管理系统(OMS)以及能量管理系统(EMS)的海量数据,发展了基于规则推理的配网故障诊断评估技术。并根据江苏电力系统实际情况,侧重电网运行信息、设备状态信息和环境监测信息深度融合与综合应用,开展了基于多源数据融合的电网故障诊断平台研究以及故障辅助分析系统的研制。研究结果表明:该系统综合利用了多源数据的冗余信息,可更快速和准确地实现故障智能诊断。     

电网继电保护系统终端智能运维验收设备研究

由于终端智能运维验收设备网损率较高,导致电网继电保护系统验收精度较低,对此,研究一种电网继电保护系统终端智能运维验收设备验收方法。基于DS证据理论的多源信息融合方法,去除电网继电保护系统保护下的电网运行冗余数据,获取有效电网运行风险数据;应用风险数据评估继电保护风险度,验收电网继电保护系统的继电保护效果。使用针对电网稳定性的测试系统RTS-79,测试该方法验收有效性与应用性能,结果表明:该方法对电网继电保护系统保护效果的验收精度极高,且电网运行的网损率得以降低,验收耗时控制在60s左右,降低幅度较大,该方法可优化电网继电保护系统终端智能运维验收设备的验收精度与验收效率。     

Deep Learning Based Data Fusion for Sensor Fault Diagnosis and Tolerance in Autonomous Vehicles

Environmental perception is one of the key technologies to realize autonomous vehicles.Autonomous vehicles are often equipped with multiple sensors to form a multi-source environmental perception system.Those sensors are very sensitive to light or background conditions,which will introduce a variety of global and local fault signals that bring great safety risks to autonomous driving system during long-term running.In this paper,a real-time data fusion network with fault diagnosis and fault tolerance mechanism is designed.By introducing prior features to realize the lightweight network,the features of the input data can be extracted in real time.A new sensor reliability evaluation method is proposed by calculating the global and local confidence of sensors.Through the temporal and spatial correlation between sensor data,the sensor redundancy is utilized to diagnose the local and global confidence level of sensor data in real time,eliminate the fault data,and ensure the accuracy and reliability of data fusion.Experiments show that the network achieves state-of-the-art results in speed and accuracy,and can accurately detect the loca-tion of the target when some sensors are out of focus or out of order.The fusion framework proposed in this paper is proved to be effective for intelligent vehicles in terms of real-time performance and reliability.     

Trust function for multi-physiological signals fusion

This study presents multiple physiological signals collection and analysis processing based on neural network methods and evidence theory using wireless XBee devices for transmission between the host computer and sink sensors node. This study proposes a hospital guardianship and remote care medical system based on a wireless sensor network framework using optimal data fusion based on evidence theory. Because the global population is ageing with a limited number of medical professionals, reduced medical service has resulted from mistaken government medical policies. This research aims to reduce the hardware cost and enhance system efficiency and security using multi-physiology signals fusion. Medical supplies, wisdom, simplification, non-invasiveness and personalized development are the focus in this study. This remote medical care system involves the standard electrocardiogram, blood pressure, pulse, eye-movement measurement module, ZigBee transmission module that combines the signal acquisition card DAQ and LabVIEW system.     

面向电力配线调运检的交互式移动运维平台的设计

针对目前电力配线运营维护中由于多系统共存导致的调度、运行和检修效率低下,以及管理协调问题,提出了一种采用电力GIS和GPS定位技术的交互式移动运维系统。该系统基于C/S架构,移动运维终端通过无线和有线网络与运维管理终端相连;集成电力GIS功能,以可视化手段展示通信设备、运维人员和线路故障的具体位置。运维人员可以使用集成GPS模块的无线移动终端进行现场操作和维护,以实现实时上报电力通信线路的故障定位和现场运维情况的功能。     

A multi-sensor relation model for recognizing and localizing faults of machines based on network analysis

Recently, advanced sensing techniques ensure a large number of multivariate sensing data for intelligent fault diagnosis of machines. Given the advantage of obtaining accurate diagnosis results, multi-sensor fusion has long been studied in the fault diagnosis field. However, existing studies suffer from two weaknesses. First, the relations of multiple sensors are either neglected or calculated only to improve the diagnostic accuracy of fault types. Second, the localization for multi-source faults is seldom investigated, although locating the anomaly variable over multivariate sensing data for certain types of faults is desirable. This article attempts to overcome the above weaknesses by proposing a global method to recognize fault types and localize fault sources with the help of multi-sensor relations (MSRs). First, an MSR model is developed to learn MSRs automatically and further obtain fault recognition results. Second, centrality measures are employed to analyze the MSR graphs learned by the MSR model, and fault sources are therefore determined. The proposed method is demonstrated by experiments on an induction motor and a centrifugal pump. Results show the proposed method’s validity in diagnosing fault types and sources.     

风电齿轮箱状态监测和故障诊断的研究现状及发展趋势

齿轮箱作为风电机组故障率最高的部件,结构复杂、运维困难,影响整机故障率、可靠性、运维成本及发电效率等。通过对风电齿轮箱故障诊断的主要理论、方法及研究现状进行分析并总结存在的问题,提出"五性三化"即动态性、阶段性、多维性、适用性、集成性、定量化、标准化以及统一化共8个方面的解决思路,并结合网络技术、信息技术、大数据技术及人工智能的优势,预测云监测、智能诊断及主动报警的发展趋势。     

基于多源信息融合技术的动车故障诊断

介绍多源信息融合故障诊断方法,以及动车故障诊断特点和常见故障类型。以制动系统为例,分析该方法的可行性和实现步骤。建立基于多源信息融合和神经网络的故障诊断系统,通过多种信号的融合诊断,减小系统的不确定性,从而提高故障诊断的可靠性。