基于改进证据理论的齿轮泵故障诊断方法研究

针对齿轮泵早期故障信号的不确定性,提出了一种基于改进证据理论的故障诊断方法。首先改进了证据理论,提出了基于特征参数灰色关联分析的基本概率赋值函数生成方法,解决了证据理论在故障诊断中原始证据生成问题;其次,定义了证据之间的夹角余弦,利用冲突证据判据对原始证据进行冲突性检验,对于冲突证据通过可信度进行局部修正,保留可信证据。最后对修正后的证据进行融合。多传感器振动特征融合实验结果验证了改进方法具有较高的诊断正确性。     

基于改进证据理论的多传感器信息融合故障诊断

针对传感器信号不确定会产生冲突证据的问题,提出了一种基于改进证据理论的多传感器信息融合故障诊断方法。提出了基于遗传神经网络的原始证据生成方法,利用遗传算法优化神经网络参数,提高网络训练速度;定义了向量空间和方向相似度,利用分类准则函数区分冲突证据和相似证据,通过可信度修正冲突证据,降低了因不确定性产生的冲突对合成结果的影响。通过齿轮泵故障实验验证了改进方法的有效性,改进方法的诊断正确率明显高于单一传感器的诊断正确率,并通过设置适当的阈值提高了方法的灵活性和适用性。     

采用聚类分析的冲突证据判定及合成方法

针对D-S 证据理论中高度冲突证据合成时产生反直观结果的问题,从聚类分析的角度提出了一种新的冲突证据合成方法。首先建立余弦相似度空间,利用证据向量之间的夹角余弦定义冲突证据检测因子,进而提出冲突证据判据判定冲突证据,从而实现证据分类;其次引入冲突比例因子决定冲突证据的修正方式,通过绝对相似度对冲突证据进行局部修正,通过相对相似度对证据进行全局修正;最后将修正后的证据带入D-S 公式进行合成。应用实例证明:新方法能够判定并有效合成冲突证据,具有较好的分类精度、收敛速度和稳定性。     

基于改进证据理论的齿轮泵故障诊断方法研究

针对多源传感器信息的不确定性,提出了一种基于改进证据理论的故障诊断方法.首先定义了证据向量的夹角余弦,提出了冲突证据判定法则,对证据进行冲突性判定;然后建立二级鲁棒融合策略,通过RBF神经网络进行特征层融合,经过训练产生初始证据,应用冲突证据判定法则找出冲突证据并利用相似度对其进行局部修正;最后对证据进行融合和诊断.通过齿轮泵振动试验,将此方法与神经网络、传统证据理论和其他代表性改进方法的诊断结果进行对比,验证了新方法和融合策略的有效性.     

基于相容性距离的冲突证据合成方法研究

针对传统证据理论中高度冲突证据组合出现反直观结果的问题,提出了一种基于相容性距离的冲突证据合成方法。分析了证据理论存在的三个方面问题和各种改进方法的特点,通过欧式距离建立了证据距离和相容性测度矩阵,对接受度归一化后计算出相容因子来对冲突概率进行加权分配。数值算例验证了改进合成公式的有效性和合理性。     

基于改进证据理论的故障诊断方法研究及应用

针对传感器证据信息全局修正针对性不强及冲突证据无法判别等问题,提出基于改进证据理论的故障诊断方法。利用冲突证据判据判断可信证据与冲突证据,保留可信证据,通过可信度对冲突证据进行针对性修正。该判断及局部修正可降低传感器证据信息的不确定性,并减弱冲突信息对合成结果影响。结合神经网络建立特征空间到证据空间的映射,有效利用网络输出结果,通过信息熵构建原始证据。将所有证据用改进D-S公式合成。通过齿轮泵早期故障试验,与神经网络及其它证据合成方法对比表明,该方法诊断精度较高,从而验证了融合方法的有效性。     

基于多传感器信息融合的贝叶斯网络故障诊断方法研究及应用

针对齿轮泵信号具有复杂性和模糊性的特点,提出了一种基于多传感器信息融合的贝叶斯网络故障诊断方法。分析了齿轮泵振动和压力信号特点,以此为基础提取了振动信号的能量特征、分形特征和压力信号的高频压力脉动3种特征属性,构建了多故障贝叶斯网络对特征进行融合,设计了贝叶斯分类器,通过最大后验概率准则识别故障类型。两次融合结果表明:多传感器信息完备了特征空间,提高了诊断正确率,能够有效实现齿轮泵多种故障的诊断,具有较好的应用价值。     

基于经验模态分解与RBF神经网络的混合预测

为提高时间序列预测模型精度,根据各本征模态函数(intrinsic mode function,简称IMF)序列的变化特点,针对EMD-RBF神经网络隐含神经元数目及其中心数据选取问题,利用经验模态分解(empirical mode decomposition,简称EMD)的信号自适应处理能力和径向基函数(radical basis function,简称RBF)神经网络的非线性逼近能力,提出了一种基于EMD与RBF神经网络的混合预测方法。该方法将具有类似时频特性的本征模态函数分别建立RBF神经网络预测模型,采用基于统计分析的k-均值聚类方法自适应确定RBF模型参数,最后将各IMF-RBF神经网络预测结果进行重构得到最终预测结果。仿真结果表明,该方法充分考虑到各IMF本身的特性,增强了时序的可预测性,预测性能比传统反向传播(back propagation,简称BP)神经网络和小波BP神经网络更优越。将该方法应用在某装备温控系统性能监测中,其温度参数最大预测误差远小于传感器误差,说明将该方法在该装备故障预测中是可行的。     

基于距离测度的证据合成方法

为解决经典证据理论无法处理高度冲突证据的不足,提出了一种基于距离测度的证据合成方法。将证据视为空间向量,定义距离测度空间,计算空间中两两证据之间的距离,并通过距离测度矩阵确立证据之间的一致性测度,在此基础上求得辨识框架对各证据的支持度,通过归一化支持度得到证据一致性因子,以此作为冲突概率的分配权重,最后给出改进的证据合成公式。数值算例证明了改进公式既能处理冲突证据,又能合成非冲突证据,与其他合成方法的比较验证了改进合成公式的有效性。     

多源信息融合及其在齿轮泵故障诊断中的应用

针对齿轮泵故障信息的不确定性和模糊性,提出了一种多源信息融合的贝叶斯网络故障诊断方法。在探讨齿轮泵故障机理的基础上提取振动、流量和压力信号作为故障特征,构造故障贝叶斯网络,建立贝叶斯分类器进行多特征信息融合,利用最大后验概率准则判别故障类型。融合结果表明,该方法能够有效实现齿轮泵多种故障的诊断,具有广阔的应用前景。