证据理论在汽轮机转子故障诊断中的应用

针对传统汽轮机转子故障诊断方法中存在精度不高的问题,引入了证据理论和灰色神经网络相结合的故障诊断方法.该方法首先根据所获取的故障特征向量,用灰色建模方法进行累加处理,以增强数据的规律性;然后经BP神经网络进行局部诊断,以获得彼此独立的证据;最后采用证据理论对各证据进行融合.试验结果表明,该方法具有较好的故障模式识别能力,适用于汽轮机转子的故障诊断,具有一定的应用价值.     

多传感器数据融合技术在故障诊断中的应用

利用多传感器数据融合的方法进行故障诊断,建立融合故障诊断系统.将故障诊断系统按数据融合的方法分为数据级融合模块、特征级融合模块和决策级融合模块.数据级融合模块主要对多传感器的测量信号进行处理,提取出故障诊断的特征信息.特征级融合模块采用3个结构相同的并行神经网络,一是进行局部诊断;二是获得决策级D-S证据理论的基本概率赋值.决策级采用D-S证据理论的方法对特征级局部诊断的结果加以融合,得到最终的诊断结果.利用此系统在汽轮机转子试验台架上进行了故障诊断,得到了令人满意的结果.     

基于异类信息融合的模拟电路故障诊断方法

针对模拟电路故障诊断中存在的可测节点电压信息不足、单一信息不能表征所有故障状态等问题,提出了一种基于神经网络和D-S证据理论的模拟电路异类信息融合故障诊断方法.该方法首先提取两类故障信息并分别将其输入不同的神经网络对其进行初步诊断,并得到各自的诊断结果,然后根据初步诊断结果,运用D-S证据理论对其进行融合,做出最终决策.     

基于SVM与D-S证据理论的异步电动机转子断条故障诊断方法

目前异步电动机转子断条故障诊断方法都是基于从定子电流中提取出特征频率来对转子状态作出诊断的方法,当异步电动机空载或轻载时,该特征频率易受基频泄露的影响而很难得到,同时该特征频率受转速波动影响很大,单纯根据该特征频率对转子状态作出判断缺乏准确性。针对上述问题,提出了一种运用SVM与D-S证据理论对异步电动机转子断条故障进行识别的诊断方法。该方法基于扩展Park法与FFT变换法,分别从定子电流信号和振动信号中提取转子断条故障的特征信息,利用SVM对异步电动机的状态进行模式识别,并将识别结果形成彼此独立的证据,而后根据D-S证据融合规则进行融合处理,从而实现对异步电动机转子断条故障的准确识别。实验结果表明,该方法可以对异步电动机转子断条故障作出准确判断。     

神经网络信息融合用于电梯故障诊断的研究

针对传统电梯故障诊断系统实时性有限、故障定位准确率低等问题,将多信息融合技术引入到电梯故障诊断中来,建立了基于模糊神经网络和D-S证据理论相结合的故障诊断模型。为了提高神经网络的训练速度和推广能力,采用了正则化算法对BP网络算法进行修改,并且利用D-S证据理论对神经网络的诊断结果进行决策融合,仿真结果表明了此方法有效地提高了故障诊断的准确率。     

改进D-S证据理论在电动汽车锂电池故障诊断中的应用

针对电动汽车电池系统的故障采用基于神经网络的改进D-S证据理论组合规则完成诊断过程。为了避免单一途径的诊断可能造成故障漏检误检的状况,决策层采用D-S证据理论组合规则来确定基于BP网络和RBF网络两种故障诊断算法结果。然而为了克服D-S证据理论处理高度冲突证据的缺陷,本文提出了一种基于神经网络改进的D-S证据理论组合规则。首先,采用神经网络对电池故障进行初步诊断,结合网络诊断准确率来分配不确定信息并构造证据体,又引入了证据间的支持矩阵来确定新的加权证据体。然后,把各个焦元的信任度融入D-S证据理论组合规则,从而融合神经网络证据体及新加权证据体。最后,依据决策准则确定锂电池系统的故障状态。通过仿真实验验证了本文提出的改进D-S证据理论融合诊断方法在电动汽车锂电池故障诊断中的有效性。     

基于信息融合技术的某新型自行火炮发动机电控系统故障诊断

多传感器故障诊断过程中,由于多方面的原因,如测量噪声的存在、诊断知识的不完全等等,使得故障诊断存在着不确定性,影响到诊断结果的可靠性和准确度;通过分析某新型自行火炮发动机电控系统的故障特点,研究了一种基于BP神经网络及信息融合技术的多传感器故障诊断方法,将该自行火炮发动机电控系统的故障诊断过程分为子系统和系统级两级诊断,子系统采用BP神经网络实现故障模式分类,系统级运用D-S证据理论对整个系统故障进行综合决策评判;应用表明,在某个子神经网络识别存在差异的情况下,采用D-S证据理论进行融合可以有效地提高识别的准确性。     

基于D-S理论的智能故障诊断关键技术研究与实现

以智能检测和故障诊断技术作为研究对象,分析了在智能故障诊断系统中用到的特征提取、模式识别和故障预测等关键技术,探讨了用于实现上述关键技术中的小波变换和人工神经网络算法。鉴于人工神经网络算法容易出现系统故障定位不准确性的不足,引入了D-S(Dempster Shafer)证据理论。首先用BP神经网络对故障信息进行局部诊断,然后利用D-S证据理论对局部诊断结果进行融合,进行全局诊断,得到最终的故障结果。D-S证据理论的引入,增大了诊断结果的可靠性和准确性,提高了诊断算法的适应性。在LabWindows/CVI的平台下,实现了智能故障诊断算法。     

基于多传感器数据融合技术的电子设备故障诊断

针对电子装备故障诊断中单一类型故障特征量和诊断方法无法完成诊断任务,导致故障诊断率不高的问题,将多传感器数据融合技术应用于多注速调管发射机装备故障诊断。构建故障诊断模型,提出把故障诊断过程分为两个层次。首先,借助不同的神经网络实现多输入信号的函数变换的功能,获得各种故障基本概率分配值;然后,在决策层利用D-S证据理论的合成法则将各神经网络诊断结果融合起来统一判决,得到最终综合诊断结果,通过实例仿真,并与初步诊断结果进行比较,结果表明早期故障识别率大大提高。     

D-S证据理论信息融合在故障诊断中的应用

介绍D-S证据理论信息融合算法的基本原理,研究D-S证据理论信息融合理论在电子设备故障诊断中的应用,它可有效地提高故障模式的识别能力,克服单一信息诊断的片面性和孤立性.     

基于信息融合技术的电机故障诊断

为了能够从多方面反映电机系统状态,实现对电机故障模式的自动识别与准确诊断,将信息融合技术与神经网络相结合,建立电机故障诊断系统。在数据融合级上,将故障特征量进行分类处理,然后,采用多层神经网络进行故障特征级融合与电机故障的局部诊断,获得彼此独立的证据,再运用DempserShafer(D-S)证据理论融合算法对各证据进行融合,最终,实现对电机故障的准确诊断。诊断测试试验证明:该诊断系统提高了电机故障诊断的精度,并能满足诊断的实时性要求。     

基于D-S证据理论的无线发射机故障诊断方法

针对某无线发射机故障诊断中存在的问题,提出一种基于D-S证据理论的信息融合故障诊断方法.选择电压、功率、频率、幅度等参数作为发射机故障诊断的证据,运用模板匹配法获取基本概率赋值,避免了在小样本情况下应用D-S证据理论时基本概率难以分配的问题,减小了方法的主观性.利用基于可信度的证据合成方法进行融合处理,克服了应用传统D-S证据理论合成冲突证据出现悖论的问题,提高了诊断方法的抗干扰能力.实例验证结果表明该方法切实可行,为无线发射机故障诊断提供了一种新的思路.     

基于SVDD和D-S理论的模拟电路故障诊断

为解决模拟电路故障诊断复杂多样难于辨识的问题和有效提高诊断准确度及速度,提出了一种融合支持向量数据描述(SVDD)算法和D-S证据理论的故障诊断方法。首先,对采集信号进行基于局部判别基的Haar小波包变换,依据判别测度选取判别能力强的前5个节点的标准能量构成特征集。然后利用SVDD算法求出特征集对于不同类别的基本信任分配函数,最后利用证据理论对不同基本信任分配函数进行组合得到最终故障诊断决策。将该方法应用于两级四运放双二次低通滤波器电路进行故障诊断,实验结果表明该方法能够准确迅速诊断出模拟电路中的故障;与基于SVDD多分类算法、一对一(o-v-o)SVM和一对多(o-v-a)SVM分类算法的故障诊断方法进行比较,本方法能够提高模拟电路故障诊断的精度;比采用o-v-o SVM和o-v-a SVM分类算法的故障诊断方法有更快的诊断速度。     

基于D-S证据理论的故障综合诊断方法

针对单个诊断方法故障信息的模糊性和分散性，建立了基于证据理论的综合诊断方法。其中融合策略灵活多变，且模型已由单故障模式推广到多重故障模式，使之更适应实际工程诊断需要。最后应用其对某转子系统故障进行了诊断，结果表明方法行之有效。     

应用决策层信息融合的模拟电路故障诊断实现

研究了基于多类电量测试信息及其多诊断方法融合的模拟电路故障诊断。获取可及节点电压,运用K故障诊断法进行故障在线检测与初步定位,再离线测量电路在不同的测试频率下输出对输入的增益,运用最小标准差法进行诊断。由所提故障隶属函数得到基于各类测试信息的元件故障隶属度,以此计算D-S证据理论中各传感器的信度函数分配,再运用D—S合成法则实现融合诊断。模拟实验结果表明：所提融合诊断方法大大提高了故障定位的准确率。