基于云模型与证据理论的故障诊断方法

针对单一传感器无法对复杂设备进行故障诊断和证据理论难以合理获取BPA的问题,提出了一种基于云模型与证据理论的多传感器数据融合故障诊断方法;首先求取每个故障模型下各个特征参数的云模型参数,建立故障诊断云模型知识库;然后结合云模型知识库,求取各个测量参数的隶属度值,并转换为各个诊断证据体;最后通过证据理论组合规则将各个证据进行融合,在融合决策条件下求出诊断结果。实验结果表明,该方法能合理并有效地对复杂设备进行故障诊断。     

多传感器信息融合在液压系统智能故障诊断中的应用

针对采矿工程机械液压系统故障诊断方法存在的局限性,提出了一种基于多传感器信息融合的智能故障诊断方尊。该方法采用模糊神经网络融合诊断中心作为故障诊断的执行机构,算法上采用BP算法。通过一实例论证了在液压系统故障诊断中采用多传感器信息融合故障诊断方法比采用单传感器信息故障诊断方法更具有准确性和可靠性。     

基于自适应加权和D-S证据理论的风电机组故障诊断

由于风电机组系统相当复杂,故障原因及其现象不成简单或线性对应关系,单一检测不能够满足诊断需要。针对这一问题,将无线传感器网络(Wireless Sensor Network)中信息融合的理论和方法应用于风电机组状态监测和故障诊断中,使采集到的海量数据分别进行信号层与特征层两个层次的信息融合,运用自适应加权融合算法降低网络的数据冗余和传输能量消耗,利用高斯隶属度函数获得基本概率的赋值,提高了D-S证据理论数据的可靠性,改进的证据组合方法提高了故障识别能力。最后,对风电机组齿轮箱的故障诊断进行仿真实验,实验结果验证了该方法具有较高的诊断精度,明显提高诊断的可信度。     

基于D-S理论和AMESim技术的液压缸泄漏故障诊断仿真研究

将D-S数据融合技术引入液压缸泄漏故障诊断领域,通过异类传感器获取液压缸泄漏故障下的多模信息,将多源信息进行融合,有效解决了单传感器判别精度不高的问题.利用AMESim软件分别对液压缸的内泄漏和外泄漏故障状态以及正常工作状态进行仿真,提取其压力、流量、行程信号,并利用数据融合技术进行故障诊断判别.     

基于数据融合与虚拟仪器技术的液压系统故障诊断研究

本文对某型机械化桥液压系统的故障失效模式进行了全面的分析，提出了一种基于多传感器数据融合与虚拟仪器技术的故障诊断系统，通过对液压系统供油回路的信号测试过程及信息融合方案的设计分析，阐明了液压系统故障检测和诊断的实现过程。     

基于级联森林模型的液压泵信息融合状态诊断

为了提高对液压泵复杂条件下的故障诊断能力，综合运用传感器数据融合与级联森林模型来实现液压泵的健康评价。运用特征级与决策级融合技术来实现对柱塞泵各传感器信息的快速融合，以随机森林模型对初步特征重要性实施评价并从中选择具备高重要度的初始特征参数，通过级联森林模型对液压泵健康检测结果实施分类。结果表明：以多传感器信息融合方法构建的级联森林模型进行预测时可以实现对液压泵健康状态的准确诊断，只设置5%训练集时，液压泵健康诊断结果达到99.5%精确率；当采用单一温度特征无法同时满足精确率与召回率条件时，组合模式的各类预测精确率与召回率相对其他模式达到了更高的预测精度与召回率，其中，温度融合流量组合形式具备更大优势。     

一种基于证据理论的多源信息融合管道泄漏诊断

受强背景噪声、复杂工况以及传感器自身缺陷等因素的影响,单传感器管道泄漏检测方法存在诊断精度差和识别不确定性的问题。结合无线传感器网络技术和信息融合技术,提出一种基于D-S证据理论的多传感器数据融合的泄漏诊断算法。该方法依据分簇的网络结构模型,分别将簇内不同节点上多种传感器的多个测量周期的诊断信息作为独立证据体,采用分布式数据融合结构和修正证据合成法则,逐级进行单传感器时域、单节点空域以及多节点空域的融合,最后通过决策法则输出结果。实验结果表明,该方法降低了识别的不确定性,有效提高了管道泄漏诊断的精度。     

基于主特征模式的机电系统故障诊断算法(英文)

机电设备运行状态的监测对保障系统稳定可靠运行、预防重大事故发生有重要意义.针对传统诊断方法由于故障信息不足导致的诊断精确度差,提出了一种基于主特征模式识别的故障诊断方法.基于多源特征信息融合,研究了基于多传感器系统的特征融合故障诊断模型,讨论了反映系统运动状态特征的指标体系及故障诊断算法.文中以滚动轴承系统故障诊断为例,首先计算了各传感器获取信号的时域特征参数,然后,借助主特征模式对特征信息进行融合与降维处理,实验测试数据显示出与传统诊断方法相比较该算法有更好的故障诊断性能.研究结果表明了该方法在重型机电设备故障诊断中应用的可行性与合理性.     

基于多传感数据融合的变速运行齿轮异常振动故障诊断

变速运行齿轮异常振动故障诊断性能过差会增加汽车维护成本,缩短齿轮使用寿命。为了及时识别齿轮故障,保证汽车变速器总成具有良好的振动特性,提出基于多传感数据融合的变速运行齿轮异常振动故障诊断方法。通过分析多传感器数据融合技术,掌握变速运行齿轮异常振动故障诊断的理论框架,并以此为基础,参考传感器融合模块、特征级并行多神经网络局部诊断模块和终端分类模块,结合变分模态分解、多通道加权融合和单隐层前馈神经网络训练算法,从信号采集、信号特征提取和信号特征分类3个步骤实现变速运行齿轮异常振动故障诊断。实验结果表明：在齿轮发生轻度磨损时,磨损振动信号的幅值在20~40 mV之间,磨损振动信号的频率在0~4 000 Hz区间;中度磨损时,信号的幅值在30~55 mV之间,信号频率在3 000~7 000 Hz区间;重度磨损时,信号幅值在50~70 mV之间,信号频率在6 000~12 000 Hz区间,且各阶段诊断结果均与故障程度的实际转折点吻合。由此可知在各样本数量均相同的情况下,提出的故障诊断方法预测值与真实值均相同,故障程度和故障类型的诊断性能均较好。     

基于多传感器信号分析的故障诊断

为解决复杂环境中难以诊断的机械故障,以振动信号和温度、压力等测量信号为基础,建立一种基于多种传感器信号分析的故障诊断模型。针对振动信号,采用小波包对原始振动信号进行分解,提取特征值组成原始特征向量,然后采用粗糙集方法对原始特征向量进行特征约简,将约简后的分类规则作为对向神经网络的训练集。针对温度、压力等测量信号,将各个传感器测量的数据融合形成特征向量,利用遗传算法优化的BP神经网络对其进行训练和模式识别。最后对这两类信号的诊断结果进行融合,构成了一种复合故障诊断模型。实验证明,该诊断模型有较高诊断精度和准确度。     

EMD分解与多特征融合的齿轮故障诊断方法

为解决齿轮振动信号在现实中难以获取大量典型故障样本和分类的精确度低的问题,提出基于EMD分解与多特征融合的齿轮故障诊断方法。首先,提取反映信号特征的各项参数指标作为特征向量;其次,利用经验模式分解(EMD)对原始信号进行分解,进而提取分解后各本征模式分量(IMF)的能量指标组成特征向量;然后,将其与信号特征各项参数融合成特征向量组合,并将其作为SVM多故障分类器的训练样本进行训练,实现齿轮的智能诊断。通过实验室轴承的故障诊断研究表明:该方法对于齿轮的各种状态具有很好的分类精确度,更加有效地识别齿轮故障类型。     

基于深度信念网络和多信息融合的复杂机电装备故障诊断方法

针对复杂机电装备故障诊断中存在的数据量大、提取故障特征困难等问题,结合深度学习理论强大的感知与自我学习能力,提出一种基于深度信念网络和多信息融合的复杂机电装备故障诊断方法。将多个传感器的原始时域信号数据输入深度信念网络进行训练,通过反向微调学习对深度信念网络进行整体微调,提高分类准确性,同时在训练过程采用ReLu激活函数和加入Batch Normalization,减少过拟合出现概率的同时提高了网络收敛的速度。将此方法运用到复杂数控加工中心刀具的故障诊断中,结果表明该方法相比传统BPNN算法和采用Sigmoid激活函数的深度神经网络算法准确率更高。     

基于物联网技术的动态GRNN模型的液压系统故障检测研究

液压系统因其独特的特性,在各个领域有着广泛的应用。液压设备的运行安全与状态监测是生产中的一项重要内容。由于液压系统的所有部件都在封闭油路中工作,故障源的定位比较困难。为了解决这个问题,本文提出了一种基于物联网技术的动态故障诊断方法GRNN模型的基于物联网的智能控制,利用无线传感器网络技术在分布式液压设备中各参数的实时测量和控制,远程数据共享、故障信号的采集输入GRNN模型故障观察器,检测阈值,通过实验模拟准确诊断系统故障。实验表明,该方法可以有效地应用于过程生产液压系统中,保证系统的正常运行,降低设备故障率,提高生产效率。     

基于迁移学习的滚动轴承复合故障诊断研究

针对现有故障诊断方法多是面向单一故障进行研究,对于实际工况下的复合故障缺乏相应的诊断方法,提出一种基于有监督学习的ConvNeXt滚动轴承多工况复合故障诊断模型（TConvNeXt）。通过合成少数类过采样技术将滚动轴承数据集重构为平衡数据集,以提高复合故障样本的利用率;利用迁移学习使TConvNeXt网络模型掌握判别滚动轴承复合故障信息所需的部分权重,通过格拉姆角场将一维信号转换为RGB图像输入模型,训练模型剩余权重;最后将训练后的TConvNeXt网络模型用于滚动轴承故障诊断并且利用Grad-CAM方法进行可视化,分析网络诊断错误起因并对网络进行调整;将训练准确率最高的模型用于滚动轴承故障实测,检验其实际工况下的诊断能力。实验结果表明：TConvNeXt网络模型具有高诊断精度,它不仅在混叠故障诊断中表现突出,在单一故障诊断中也具有优势,能够很好地适应多工况下不同故障类型的滚动轴承故障诊断要求。     

基于改进HHT算法的大型回转支承故障诊断方法研究

针对大型回转支承转速较低、不稳定且实验样本稀少且故障诊断局限于人工诊断识别的问题,提出了一种基于相关函数的加权融合算法与改进HHT算法相结合的故障诊断方法:首先采用了动态适应性、抗干扰性强的基于相关函数的加权融合算法对采集的数据进行融合处理,然后以改进后的HHT作基础构造故障特征向量,再采用BP神经网络对故障类型进行特征层的识别诊断,最终确定风电回转支承的故障类型。实验结果表明,该方法有效地提高了故障诊断结果的可靠性。     

基于小波包能量和层次熵的D-S证据理论的轴承故障诊断技术

针对齿轮箱轴承故障识别率低、故障信号不平稳的问题,提出层次熵与小波包能量多源数据融合轴承故障诊断方法。采用小波包对轴承正常、内圈、外圈、滚动体故障等4种振动信号进行三层小波包分解并重构,计算各频段样本熵（即层次熵）和小波包能量作为故障特征向量集;应用归一化方法对2种特征向量处理后分别建立BP神经网络模型实现轴承不同故障模式的诊断;最后应用D-S证据理论,通过小波包能量和层次熵以及两者融合信息的故障诊断结果比较,表明基于神经网络和D-S证据理论相结合方法用于复杂机械的故障诊断是可行和有效的。     

基于小波神经网络的航空发动机传感器故障诊断

航空发动机传感器故障诊断系统对于保证航空发动机控制系统可靠性和安全性至关重要,针对传统基于发动机模型的传感器故障诊断中存在建模精度不足导致故障诊断存在误诊和漏诊的问题,提出以小波变换和神经网络为基础,使用正常传感器预测故障传感器值。通过对比传感器输出和神经网络预测值的残差来实现传感器的故障诊断,其中神经网络可以在传感器故障后估计出正常的模拟信号代替故障信号供发动机控制系统使用,实现航空发动机控制系统的容错控制;使用改进粒子群优化算法优化BP神经网络的阈值和权值,以提高神经网络诊断和预测信号精度。仿真结果表明:该方法可以有效完成故障诊断,减少漏诊和误诊的发生。