灰色关联和D-S证据理论在变速箱齿轮故障诊断中的应用

利用信息融合方法进行故障诊断是当前故障诊断的趋势.本文针对变速箱齿轮的状态特点,提出了利用灰色关联和D-S证据理论进行诊断的方法并用实际数据加以验证.首先对每个振动传感器各个方向上的信息分别用灰色关联分析得到故障分类,将多个传感器各个振动方向的分类的结果利用D-S证据理论融合做出故障决策,计算结果表明融合结果比单一传感器的诊断结果可信度得到提高.     

基于多源信息的高速列车走行部故障识别方法

针对高速列车安全性能跟踪监测点多、监测数据量大而导致的走行部故障识别难的问题,提出了一种基于模糊证据理论的多特征、多源信息融合的走行部故障识别方法。首先根据不同传感器信息的某类特征属于不同故障模式下的隶属度间的差异来计算传感器间的信息融合度,利用融合度来确定不同传感器在融合中的权重,从而得到同类特征不同传感器间信息融合后的隶属度;然后由融合后的隶属度转化为基本概率分配函数;最后用证据理论对不同特征间信息进行融合。实验结果表明,该方法能有效地识别列车正常、空气弹簧失气、抗蛇形减震器全拆、横向减震器全拆四种情况,同时在不同速度下均取得了满意的识别率,验证了该方法的有效性。     

一种利用目标方位和能量信息的联合关联方法

1.引言 随着多传感器探测技术的广泛应用,多传感器多目标关联问题日益重要,一般的关联方法大多利用不同传感器测得的多目标空间位置进行,这种处理方式在位置测量精度较高的某些应用场合可以获得好的效果[1][2].但在类似被动声纳探测等具体情况,由于噪声及目标间的干扰、信道畸变等原因[3],所测得的目标距离信息一般存在较大的误差,且许多情况只能得到并不很精确的目标方位信息,使得多传感器多目标之间的正确关联缺少充分的判决信息和证据支持.本文提出利用多传感器测量的目标方位和能量信息进行联合关联的思想,通过两种信息的相互补充提高关联正确性.     

多传感器信息融合在电机故障诊断中的应用

为了提高电机故障诊断的准确性,引入一种多传感器信息融合的诊断方法。将多个传感器所采集的转子振动频谱信号处理后,利用蚁群神经网络进行故障局部诊断,以获得彼此独立的证据,再由证据理论对各证据进行融合,最终实现对电机故障的准确诊断。实验结果表明,该方法有效提高诊断的可信度,减少电机故障分类识别的不确定性。     

基于D-S证据理论信息融合的转辙机故障诊断方法研究

在列车提速后S700K型电动转辙机被普遍安装在正线道岔的背景下,本文针对单一故障诊断方法的诊断精度偏低问题,提出了基于信息融合故障诊断模型和故障诊断方法.该方法分别用BP神经网络和模糊综合评判对转辙机进行故障诊断,利用神经网络输出和模糊综合评判输出来构造D-S证据理论中的概率分配,然后利用D-S证据理论将BP神经网络和模糊综合评判对转辙机的故障诊断结果在决策级进行融合,诊断转辙机是否有故障并判断故障的模式.诊断结果表明,该诊断方法具有较高的故障诊断精度,诊断结论的可信度有明显提高.     

基于SVDD与信息融合技术的设备性能退化评估

为了能够准确地对大型设备的性能退化过程进行描述,提出了一种基于支持向量数据描述(SVDD)和信息融合技术的评估方法。通过SVDD算法分别评估来自单个传感器的数据,然后运用D-S证据理论对来自多传感器的局部评估结果进行信息融合,最终给出设备的整体性能评估结果。实验分析表明,SVDD算法能够真实地反映设备局部性能退化状态的变化,而利用D-S证据理论得出的整体设备状态评估结果符合实际情况,同时有效得消除了局部信息之间的矛盾,提高了设备整体评估的可靠性。     

基于改进BP网络和信息融合的故障诊断方法研究

针对多传感器检测提供的不同信息,提出了一种基于改进BP神经网络与信息融合技术相结合的故障诊断新方法.该方法采用动量方法和可变学习速率对标准的BP算法进行改进,不仅提高了网络的训练速度,并可以得到全局最优解.同时讨论了基于D-S证据理论的基本概率赋值的分配和决策融合方法,使在故障诊断过程中,决策融合网络可以接收子诊断网络的诊断结论并进行决策融合处理,提供了比任何单个子网络更多的信息.这种新方法不仅速度快、信息利用高,而且大大地提高了诊断的可靠性.     

信息融合技术及其在包装工业中的应用

论述了多传感器信息融合技术(MIF)的结构,从工业应用的角度出发探讨和提出了一种多传感器信息融合的结构模型.将经典的统计理论和估计理论以及现代的信息理论和人工智能理论应用于信息融合,通过学科交叉和边沿化,形成了多传感器信息融合的算法和理论.提出了一种用于包装工业的多传感器信息融合控制系统模型,为多传感器信息融合在包装工业控制中的应用迈出了一步.     

基于多传感器的神经网络和D-S证据理论在故障诊断中的应用

为提高滚动轴承故障诊断的准确性,本文提出了一种基于多传感器神经网络和D-S证据理论的故障诊断方法,并通过包含3个传感器的监测数据融合对模型进行了验证.首先,利用两个加速度传感器和一个声传感器采集滚动轴承的振动信号和噪声信号.其次,分别对两个加速度传感器的振动信号进行总体经验模态分解(Ensemble Empirical Mode Decomposition,EEMD)得到各固有模态函数(Intrinsic Mode Function,IMF)分量,并提取各IMF分量的能量特征作为子网络1和子网络2的输入参数;同时,对声传感器的噪声信号进行小波包分解提取各频段能量特征作为子网络3的输入参数;3个子网络的局部诊断结果归一化处理得到各自独立的证据体,对冲突证据加权修正并运用D-S证据理论进行决策级的信息融合得出最终的故障诊断结果.实验结果表明:该方法可有效提高滚动轴承故障诊断的准确率,降低故障诊断的不确定性.     

基于信息融合方法的切削颤振状态识别技术

讨论了切削颤振状态识别的信息融合方法．分别给出了基于基本概率分配函数和基于证据区间值的颤振状态识别方法。试验中，在同一个测量区内使用了功率传感器和加速度传感器，利用Dempster—Shafer证据论方法对两种传感器信息进行了分析融合。试验与理论分析表明：经过信息融合得到的基本概率分配函数可以作为一种颤振状态识别参数。如果同时考虑证据区间P1(A)-Bel(A)值进行识别会减小识别的不确定性．提高颤振状态识别的精度。