基于多传感器信息融合的滚动轴承故障诊断

为了提高滚动轴承故障诊断的准确性,引入了一种多传感器信息融合的诊断方法。将多传感器所采集的振动信号处理后,由粒子群神经网络进行故障局部诊断,以获得彼此独立的证据,再采用证据理论对各证据进行融合。试验结果表明,该方法可有效地提高诊断可信度,降低诊断的不确定性。     

应用于破碎机故障诊断系统中的信息融合技术

本文以该设备故障诊断为研究对象在对国内外研究现状进行深入分析的基础上给出一种基于神经网络和D-S证据理论相结合的信息融合的故障诊断方法并进行实际检验。以信息融合的基本思路,将多子神经网络和D-S证据理论综合起来设计出一套综合诊断方法,将两种方法相结合应用于故障诊断中,取得了较好的诊断效果。     

基于神经网络和D-S证据理论的信息融合故障诊断方法

为了解决齿轮传动系统检测难度大、准确性不高和多点测试时信息处理复杂的问题,提取振动信号统计量特征参数、利用神经网络技术与D-S(Dempster-Shafert)证据理论相结合的信息融合故障诊断方法,实现了数据级、特征级与决策级的多级融合诊断。实验结果表明,将信息融合方法用于齿轮传动系统故障诊断,有助于综合利用故障信息,提高了故障诊断的准确性和可信度。     

基于D-S证据理论的发动机信息融合故障诊断模型

建立了基于D-S证据理论的发动机信息融合故障诊断模型.通过油液光谱分析得到监测元素的浓度值、梯度值和比例因子,采用模糊综合评判法将其组合在一起作为光谱各元素的综合评价指标,同理得到铁谱磨粒总数和各磨粒综合评价指标.最后,利用故障诊断模型对所得的16个光谱、铁谱综合评价指标进行融合,提高了故障诊断的准确率,实现了发动机故障的准确诊断.     

基于多域特征及多传感器网络融合的滚动轴承故障诊断

将幅值域无量纲参数和时频域信息熵作为概率神经网络的特征向量,构建多传感器系统概率神经网络的初级诊断网络,并利用概率神经网络累加层输出结果构建Dempster-Shafer证据理论的mass函数,通过Dempster-Shafer证据理论进行决策级融合诊断。将该方法用于滚动轴承故障模式分类,并通过实验室及现场实例验证了该方法的可行性与有效性。     

基于信息融合与神经网络的复合振动故障诊断

依据复合故障特性,提出了一种基于信息融合与神经网络的复合振动故障诊断方法。进行了传感器级的时间跨度的特征融合,然后再实行全局的空间跨度的融合。融合过程基于神经网络式特征提取,该方法可以在系统状态未知的情况下。自适应地融合不同故障测点的信息。从而较全面、准确、及时地反映系统的振动故障状态。并以汽车动力系统复合故障的诊断事例详细说明了该方法的具体实现步骤。结果表明,经过多故障特征信息融合,诊断结论的可信度明显提高,不确定性明显减小,显示了该诊断方法的有效性。     

多传感信息融合在液压故障诊断中的应用

针对恶劣工作环境下多传感信息融合识别效果差和D-S证据理论中证据难获取的问题,在组建有效的传感器网络的基础上,结合改进的JDL模型并根据数据融合分级处理思想,数据层采用自适应加权最小平方估计法对数据进行清洗和特征提取,特征层通过多并行PSO-Hopfield网络的联想记忆功能进行局部诊断,决策层根据修正的D-S证据理论进行时空域融合,并且每级和最终诊断之间都有直接数据通信和反馈,使得知识库信息能为数据挖掘进行知识发现作必要的数据储备。通过仿真结果可知:该数据融合系统容错性强、能综合利用传感器信息并准确定位故障。     

基于数据融合的滚动轴承故障诊断研究

以滚动轴承小波分解后的能量信息作为特征,通过神经网络作为分类器对滚动轴承故障进行识别,经过一定的信息融合分析处理,能够较为准确地识别设备的故障.     

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.     

基于加权D—S证据理论信息融合的故障诊断方法及其应用

针对新产品因故障概率数据掌握不充分使其故障诊断较为困难的问题,提出了一种基于加权D—S证据理论多源信息融合的故障诊断方法。该方法采用D-S证据融合,解决了缺乏故障概率分布模型或准确数学分析无效的问题,引入加权Ds证据理论融合方法进行故障诊断,用历史故障估计的正确率作为确定信息源当前检测估计值的置信程度调整,实现了故障诊断的历史数据对当前诊断结果的修正。对新型船舶气象仪故障诊断结果表明,该方法在故障概率和故障经验知识掌握不充分时,实现故障诊断是非常有效的。     

基于知识的直升机自动驾驶仪故障融合诊断策略

为了诊断直升机自动驾驶仪故障并诊断到外场可更换单元，在分析自动驾驶仪中信息与知识的基础上，提出了基于知识推理的融合诊断策略，分别采用系统中的案例、规则和模型知识进行信息处理和决策生成，并提出外场故障诊断的自学习型融合框架和实现方法，即首先在部件级进行局部融合决策，然后再结合系统级的信息和知识进行系统级融合决策。给出了利用D-S证据理论进行决策融合的可信度分配方法。试验结果表明所提出的方法能有效降低诊断结果的不确定性。     

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。     

基于信息融合的便携式旋转风机故障诊断分析仪

针对大型旋转风机单传感器故障诊断准确率较低的状况，文中将多传感器信息融合技术引入风机故障诊断之中，提高故障诊断的准确率；以数字信号处理器DSP研制便携式旋转风机故障诊断分析仪，并详细阐述了系统的硬件结构以及软件设计思想。     

滚动轴承故障的可拓物元诊断方法

滚动轴承是大多数机械设备中工作条件最为恶劣的部件,它们在设备运行中起着承受载荷、传递载荷的作用,因而其运行状态直接影响到整台机器的性能。基于可拓学中的物元理论和可拓集合理论,首先建立了滚动轴承故障诊断的物元模型,然后通过引入关联函数,确切计算了待评轴承针对指定故障发生的程度,提出了一种诊断滚动轴承故障的新方法。     

基于盲均衡的轴承故障诊断研究

通过理论分析,将无线通信领域内基于多传感器的SIMO系统盲均衡技术应用于齿轮箱故障诊断的多路振动信号的融合.在某单级减速齿轮箱内植入滚动轴承内圈故障,试验证明,由融合后的传感器数据得到的故障特征更为突出.     

基于多方法融合的铁路轴承故障诊断

由于铁路轴承的易损性和故障信号提取的复杂性,文中应用了多方法融合的诊断法对铁路轴承进行故障诊断,并对基于多方法融合的BP和RBF两种网络进行了比较。首先,对采集到得信号进行FIR降噪,再对降噪后的信号进行小波包分解,构造特征向量,以此为故障样本对BP和RBF网络进行训练,实现智能化故障诊断,实验结果表明文中提出的方法能很好地诊断出轴承故障类型,但多方法融合的RBF的泛化能力优于BP网络,同时,在训练时间上,RBF网络也要优于BP网络,这为机械故障诊断提供理论依据。     

基于SVM和BP神经网络的滚动轴承故障诊断

为更好地对滚动轴承进行状态监测和故障诊断,采集3种不同状态下的滚动轴承振动信号,根据振动信号特点提取其时域和频域的相关特征,然后分别利用SVM(支持向量机)和BP神经网络进行模式识别。不断减少每种状态下训练样本集的个数,利用2种不同的方法进行模式识别。当每种状态下的样本个数为3个时,支持向量机仍然能准确地将测试样本进行分类,而BP神经网络完全无法识别。实验结果表明,支持向量机比BP神经网络更适合于小样本的故障诊断。     

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。