输电线路覆冰状态下信息融合模型特征层的分类方法研究

以输电线路覆冰的状态监测为背景,研究此背景下信息融合模型特征层的分类方法。探讨分析了BP神经网络和支持向量机解决问题的可行性,在实验室条件下用两种算法实现了信息融合模型特征层的分类并作了比较总结。     

选煤机电设备状态远程监测平台设计研究

以选煤厂机电设备检测信息的远程监测为研究对象,分析了选煤厂机电设备检测信息,基于服务器系统在功能上主要划分的四个大模块,进行了远程监测系统平台需求分析,探讨了机电设备状态远程监测平台系统设计目标及原则、系统体系架构设计,以及机电设备远程状态监测功能模块设计。     

基于多传感器信息融合的输电线路覆冰状态评估方法

由于目前监测技术和计算模型尚不完善,线路覆冰状态评估准确率不高。输电线路覆冰受多种因素影响,并且与微气象参数的相关性较大。为提高输电线路覆冰状态评估准确率,以输电线路在线监测系统为基础,综合考虑监测系统的等效覆冰厚度、微气象参数以及覆冰持续时间等,提出多传感器信息融合方法综合评估线路覆冰状态。BP神经网络融合线路覆冰隶属度值,输出覆冰状态概率,状态概率的不确定性再经过模糊推理,输出线路综合评估结果。通过现场监测,输电线路数据验证了该方法的准确性和可行性。     

基于信息融合技术的加工过程监测系统研究

加工过程状态的监测与控制是提高机床智能化的重要研究内容,为实现加工过程的智能化监测与控制必须以多传感器及多传感器信息融合技术为基础.提出了一种基于粗糙集理论和神经网络的多传感器智能信息融合方法,该方法将粗糙集理论作为实现多传感器数据融合的方法,同时针对粗糙集理论只能处理离散数据的问题.提出了使用自组织特征映射网络对传感器采集数据进行离散化及聚类处理的方法,针对粗糙集理论在决策融合处理方面的不足,提出了使用BP神经网络来实现决策规则的有效融合,分析了该方法的原理、关键技术及实现方法,为后期的进一步的研究和应用打下基础.     

基于模糊神经网络发动机状态监测警报系统的建立

针对传统的依靠单一参数对发动机进行状态监测的不足,利用模糊神经网络处理不确定性复杂问题的能力,融合多种监测参数的信息,建立了基于趋势分析的5级状态监测警报系统.首先从铁谱、振动和性能参数三方面优选监测参数,通过对大量历史数据的统计分析得到各监测参数的界限值,建立了发动机失效程度逐级递进的5级状态监测标准.然后建立隶属函数,通过计算隶属度实现了输入样本的模糊化.最后设计神经网络的结构,利用历史数据训练网络.通过对实例结果的分析证明了该模型的实效性.     

基于BP神经网络的桥梁多传感器信息融合的研究

在现代桥梁多传感器健康监测系统基础上,建立了基于BP神经网络的桥梁多传感器信息融合系统。首先对桥梁不同断面的倾角传感器采集的样本数据进行特征提取,并将特征值进行关联组成特征序列,利用BP神经网络在模式识别问题上的优势,对特征序列进行信息特征层融合。通过仿真实验,设计了可用于一般桥梁数据模式识别问题的3层BP神经网络,且具有准确率高、收敛快的特点。     

基于神经网络信息融合的发动机磨损磨粒识别

磨粒识别和分类是铁谱分析技术在发动机故障诊断和状态监测的关键环节.针对单一神经网络模型磨粒识别的局限性,提出了一种基于不同类型神经网络信息融合的磨粒智能识别方法.首先利用径向基函数(RBF)神经网络和反向传播(BP)神经网络对磨粒进行识别,得到2组初始识别结果, 归一化后作为2组基本概率分配函数,然后利用D-S证据理论对其融合得到最终识别结果.实例计算表明,与单一神经网络模型相比,提出的信息融合方法提高了磨粒识别的区分度和准确率,并具有良好的通用性和容错性.     

智能油品质量在线监测仪的研制

提出了一种基于多传感器信息融合技术对油品质量进行在线监测的新方法，通过对粘度、温度、介电常数的测量，建立了神经网络油品质量状态监测模型，并给出了系统的设计方案。     

不同信号融合的立铣刀刀具磨破损状态监测方法研究

首先对比研究了不同监测信号的特点,选择了振动信号、切削力信号、声发射信号作为研究信号,然后采用经典信号分析方法对三类监测信号进行分析并提取了相应的统计特征;接着对非平稳性较强的振动信号和声发射信号进行了非平稳特征分析;在此基础上,分别引入相对向量机算法与概率神经网络算法对刀具磨损状态进行识别,基于单一传感器信号的最佳特征向量进行特征层融合,建立了不同信号融合的刀具状态监测模型;最后通过对比不同信号融合方式下的刀具状态监测模型,得到最佳的振动信号与切削力信号融合的监测方式。     

基于故障机理的液压泵多信息烈度特征状态评估方法

以液压泵滑靴磨损故障为例,提出一种基于故障机理的多信息烈度特征状态评估新方法。该方法从滑靴磨损机理出发,利用滑靴副压紧系数值对滑靴不同磨损程度对应的液压泵工作状态进行区域划分;通过振动烈度的频域计算方法提取泵壳体振动、出口流量及压力三种信号的烈度特征因子,分析三种烈度特征因子对滑靴磨损程度的敏感性,并建立特征因子样本集;利用最小二乘法进行数据拟合,得到三种烈度特征因子与液压泵工作状态的对应量化关系,结合BP神经网络和D-S证据理论建立基于多信息决策融合算法的状态评估模型。通过测试样本验证了模型的有效性,结果表明该模型具有较高的评估精度。     

信息融合技术在刀具磨损监测中的应用

随着信息融合技术的不断发展,信息融合越来越多的被用于监测领域。本文把信息融合技术应用于刀具监测过程中,建立了多传感器信息融合刀具监测系统模型,并详细论述了基于神经网络、贝叶斯理论和D-S理论的信息融合方法。     

基于BP神经网络的超声振动钻削钻头磨损状态监测试验研究

搭建了超声轴向振动钻削钻头磨损状态的钻削力和声发射信号采集系统,采集不同磨损状态下钻中区域的钻削力和声发射信号进行小波分解,得到与钻头磨损状态相关的特征量作为识别钻头磨损状态的特征参数,输入到建立的6-13-3的三层BP神经网络模型中进行融合,识别钻头磨损状态。试验结果表明,通过BP神经网络技术将钻削力和声发射信号融合识别钻头磨损的准确率约88.9%,能够有效监测钻头磨损状态。     

基于神经网络的污水处理设备监测CPS设计

现阶段大部分污水处理设备使用单一传感器监测设备,故障识别率低。该文研发了一套新型污水处理设备监测系统,根据信息物理融合系统(CPS)的要求全面统筹,采用BP神经网络算法处理由传感器得到的数据,监测设备的不同状态。硬件芯片采用STM32,采用工业以太网和串口通信,采用C#语言开发上位机应用软件,采用HTML和JavaScript以及C#语言开发web远程监测系统。经测试,系统运行良好,故障识别率高。     

无线传感器网络多级融合的机械故障诊断方法

针对无线传感器网络(wireless sensor networks,简称WSNs)在机械故障诊断应用中大量振动信号不能实时传输的问题,提出基于无线传感器网络多级分层信息融合的机械故障诊断方法。采用簇树网络结构扩大网络监测覆盖范围,将WSNs信息融合分为数据级融合、特征级融合及决策级融合3个级别,终端节点对原始振动信息进行数据级融合以提取特征信息,簇头节点对特征信息进行特征级融合得到模式识别结果,网关节点对识别结果进行决策级融合以评估机械设备运行状态。实验表明,该方法能有效应用于机械故障诊断。     

水下机器人传感器及推进器状态监测系统

为了保障水下机器人作业安全,提高其智能程度,提出了基于RBF(径向基函数)网络和FNN(模糊神经网络)的水下机器人传感器及推进器状态监测系统。根据对预处理后的传感器信号进行分析,传感器监测模型检测传感器的故障,并对出现故障的传感器信号进行恢复,将其作为水下机器人的实际运行状态参数提供给推进器监测模型;推进器监测模型输出与传感器实际输出共同作用,通过评价模型即得到了相关推进器的状态信息,并实现了故障定位。某型水下机器人的真实试验数据的计算机仿真结果验证了提出的监测系统的有效性和可靠性。     

基于神经网络的大直径测量多传感器数据融合

多传感器数据融合技术可以避免单一传感器的局限性,充分利用不同时间和空间的测量数据信息,大大提高测量系统的性能和效率。本文将BP神经网络应用于大直径测量系统的特征层数据融合,得到准确的测量结果。     

基于ICA与深度学习的发动机气路系统状态监测

为提升航空发动机气路系统状态监测的有效性，提出一种采用深度学习并结合独立分量分析（independent component analysis,简称ICA）的新方法，对航空发动机气路系统的健康状态进行了监测技术研究。首先，对实际采集的航空发动机气路系统健康监测参数进行预处理，对预处理后的参数数据采用独立分量分析方法进行处理，提取代表当前状态的特征系数矩阵；其次，由提取的特征矩阵创建深度学习状态监测模型；最后，由创建的状态监测模型对航空发动机气路系统健康状态进行监测。为验证所提方法的有效性，采用典型神经网络与支持向量机分别对由主成分分析（principal components analysis,简称PCA)和ICA构建的特征矩阵进行了状态监测研究。结果表明，采用ICA和深度学习相结合的状态监测方法，可以更好地实现对航空发动机气路系统的状态监测，有良好的应用与推广前景。     

基于神经网络的微孔钻削力的实时监控

建立了基于神经网络的微孔钻削力实时监控系统,以轴向力和扭矩信号为监测对象,应用BP神经网络进行多路传感器信息融合,判断微钻头工作状态,为微孔钻削加工力的智能化在线监控提供一种有效的技术方法.     

基于三层信息融合的提升机制动系统故障诊断

为了充分利用矿井提升机运行过程中的监测历史数据,判定故障原因并进行准确定位,将信息融合技术引入提升机的故障诊断中,提出了一种基于三层多源信息融合的故障诊断方法。该方法依据主成分分析法(principal component analysis,简称PCA)建立主元模型,对原始完备数据集进行降维去噪,实现特征提取,完成数据层的融合;特征层采用具有记忆功能的Elman神经网络作为融合算法,不断调整权值对数据层各信息源提取出来的特征进行训练,通过压缩融合信息量完成时间上的融合;决策层使用DS(dempster-shafer,简称DS)证据理论对特征层训练输出的信息进行融合,判定故障原因,实现了空间上的融合;最后依据PCA故障诊断原理,定位故障发生的部位,完成诊断过程。该融合方法通过对监测系统所测信息的合理选择、综合与利用,对其进行空间和时间上的融合互补。试验结果表明,该方法能够充分利用大量历史数据对系统进行诊断,可以显著提高系统的可靠性。     

机电设备电液系统状态监测与健康管理平台设计

为了使机电设备能够在恶劣的工作环境下可靠运行,仅依靠车载状态监测系统难以达到目标,因此有必要构建合理有效的状态监测与健康管理系统,对机电设备进行故障预测、诊断与健康管理。以嵌入式技术和虚拟仪器技术为基础,研制了机电设备电控与液压系统的状态监测平台。该平台硬件采用开放式、模块化架构,模块间通过数据总线实现信息交互。平台软件基于虚拟仪器技术开发,包括状态监测、故障检测、历史数据、专家诊断、健康管理及数据库等功能模块。