基于证据理论的免疫检测器在轴承故障诊断中的应用

针对旋转机械故障诊断的不确定性问题,提出一种基于证据理论的数据融合故障诊断方法,把5种无量纲免疫检测器的敏感因子和信息因子通过D-S联合规则联合多个证据组形成-个新的综合证据组,建立多故障特征信息融合诊断框架,充分利用不同证据体的冗余和互补故障信息,通过对不同轴承故障进行分析,结果表明,此方法能有效地减少诊断的不确定性,提高故障诊断的准确性.     

基于多源信息融合的往复式压缩机故障诊断方法

往复式压缩机结构复杂,振动激励源多,故障关联性较强,需要依靠多种类型的传感器所采集的信息来对往复式压缩机故障进行诊断。在融合往复式压缩机多种类型传感器采集的特征信息基础上,提出一种基于多源信息融合的往复式压缩机故障诊断方法,构建信息融合诊断框架。利用往复式压缩机多种类型传感器所采集的数据信息构建特征证据体,使用径向基神经网络对每个证据体进行初步诊断,根据加权证据融合理论融合各个证据体初步诊断结果,得到最终诊断结果。使用提出的方法对往复式压缩机3种工况的试验数据进行融合诊断,诊断结果表明：使用加权证据融合理论融合多源传感器信息的诊断结果可信度高,不确定性小,能够准确对往复式压缩机故障状态进行诊断识别。     

基于证据理论多源多特征融合的柱塞泵故障诊断方法

提出了1种基于证据理论多源多特征融合的故障诊断方法,构建了柱塞泵的故障特征向量,分析了单源多特征融合故障诊断,利用证据理论融合多个单源诊断结果,进行了多源故障诊断.对液压泵进行了试验.试验结果表明:多源数据较单源数据,更具有冗余互补性,能提高诊断的可靠性和准确性.该诊断方法是可行而有效的.     

基于多传感器信息融合的滚动轴承故障诊断研究

由于单一传感器所包含的故障信息不能全面地反映滚动轴承的故障状态,提出了一种基于多传感器信息融合的滚动轴承故障诊断方法。首先,利用不同位置的加速度传感器采集滚动轴承故障振动信号,经集成经验模态分解(EEMD)后,前8个固有模态分量(IMF)的能量值作为分类器支持向量机(SVM)的输入故障特征参量;其次,利用故障特征参量训练分类器SVM,并对测试样本进行分类,实现故障的初步分离;然后,根据混淆矩阵获得各分类器的全局可信度和局部可信度,并与各测试样本的后验概率输出结合实现DS证据理论中基本概率分配函数的赋值;最后,利用DS证据理论实现融合以获得最终诊断结果。试验结果表明:提出的方法可有效融合不同传感器的故障信息,最大限度地避免误诊现象。     

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。     

证据熵在旋转机械故障诊断中的应用

针对旋转机械故障诊断中利用证据理论进行多征兆域融合时各证据的重要性不同,提出利用证据熵来评价各证据的重要性,即各证据在融合过程中的权重。对得出的证据进行加权调整,用D-S组合规则对加权调整后的证据进行融合获得最终的诊断结果。实例分析结果表明,这种方法可以用来评价证据的重要性,且由于其在进行融合时减少了证据间的冲突,所以该方法能够在旋转机械故障诊断应用中取得较好的效果。     

基于信息熵贴近度和证据理论的旋转机械故障诊断方法

从信息融合的思路出发,建立反映振动能量的旋转机械故障状态的信息熵特征,如奇异谱熵、功率谱熵、小波空间状态特征谱熵和小波能谱熵。通过试验,建立了旋转机械典型故障下的信息熵期望值,即获得基于信息熵的故障诊断标准特征向量。由于传感器的不确定性和故障的多样性,提出采用D-S证据理论来对4种信息熵进行信息融合。根据越相似模式间的距离越短的思路,提出采用信息熵贴近度来建立证据理论的基本可信度分配,以基于基本可信数的决策方法来作为故障模式识别方法。通过实例计算,证明基于信息熵贴近度和证据理论的旋转机械故障诊断方法是故障模式定量识别的一种可行的新方法。     

结合证据理论的代价敏感加权故障诊断

为了在故障诊断中合理引入代价敏感机制来降低故障误诊断的代价,提出了一种结合证据理论的代价敏感加权故障诊断方法。该方法通过误诊断代价矩阵获取各故障模式误诊断的危害度,赋予不同的代价权重,并对证据理论的概率分配函数进行代价加权,将故障误诊断的代价作为权重合理融入诊断结果,从而实现了代价敏感机制在故障诊断中的有效应用。实验结果表明,结合证据理论的代价敏感加权处理能够使得故障诊断结果更倾向于高代价故障,所提方法可以有效降低故障误诊断的代价。     

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。     

基于信息熵与信息融合的供输弹系统故障诊断研究

针对供输弹系统早期故障微弱特征难以提取等问题,提出了信息熵与信息融合的故障诊断方法。将经过降噪预处理后的信号提取样本熵作为特征参量,经Elman神经网络初步诊断,将其输出值归一化后作为证据体的基本概率分配,采用一种基于证据关联系数加权平均融合模型,最终得到决策级融合的诊断结果。结果表明:该方法能有效对供输弹系统故障进行诊断,诊断正确率高达93.71%。     

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。     

基于信息融合技术的磁轴承转子故障诊断

故障诊断信息融合过程可表述为检测层、特征层和决策层的信息融合。文中根据磁轴承转子振动分析的特点,提出了信息融合的故障诊断方案:检测层的融合创新性采用了基于小波分析的加权算法,特征层以希尔伯特-黄变换(HHT)分析法为基础,对边际谱进行特征频段能量的计算,采用BP神经网络对磁轴承转子故障类型进行特征层的识别诊断。决策层采用经典的D-S证据理论,对特征层获得的多个诊断结果做决策融合处理,最终确定磁轴承转子的故障类型。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,充分显示了该系统方案的有效性。     

基于证据理论的齿轮故障诊断

针对传统方法在齿轮故障诊断中可靠性不高的问题,提出了基于证据理论的混合诊断算法.根据齿轮故障特征向量,采用两个并行的BP神经网络进行局部故障诊断,获得彼此独立的证据.再用证据理论对各证据进行融合,最终实现对齿轮的故障诊断.实例结果表明,该方法可充分利用各种故障的冗余和互补信息,有效地提高诊断的可信度.     

基于多传感器信息融合的大型船舶机械通风设计和制造

基于多传感器信息融合的方式,对大型船舶机械的通风设计进行改良。为了使大型船舶的通风更加具有安全性和稳定性,在多传感器信息融合的背景下,对大型船舶的机械通风机故障诊断进行探讨。应用单个传感器诊断故障的结果往往不够全面,而使用多个传感器可获得振动信号。通过小波分析及处理得到故障值,借助反向传播（Back Propagation,BP）神经网络,使用D-S证据理论将其融合,从而实现对大型船舶机械通风机的故障诊断,提高了诊断的准确性,有利于大型船舶机械的通风设计。     

CNN和D-S证据理论相结合的齿轮箱复合故障诊断研究

针对齿轮箱复合故障诊断问题,将深度卷积模型(CNN)和D-S证据理论相结合,对多传感器信息进行融合。首先,利用深度卷积模型对多个传感器信息进行自适应特征提取,经softmax进行初步分类。其次,将深度卷积模型的输出结果作为D-S证据理论的输入,计算出基本概率分配,根据Dempster合成法则进行决策融合。为验证此方法对齿轮箱复合故障诊断的有效性,使用BP神经网络与D-S证据理论模型作为对比,并对自适应提取的特征与人工特征进行了主成分分析(PCA)。实验结果表明,利用该方法对齿轮箱复合故障进行实验诊断,准确率达到84.58%。相比单一传感器,正确率提高了7.91%;相比BP神经网络与D-S证据理论模型,正确率提高了6.18%,验证了此方法的有效性。     

基于D-S信息融合技术的磁轴承转子故障诊断方法

为了提高磁轴承转子故障诊断结果的可靠性,提出了基于D-S信息融合的故障诊断方案:首先选择轴心轨迹作为初步判断,然后以EEMD为基础,分别对多组振动信号的边际谱进行特征频段能量的计算,采用BP神经网络进行故障识别,其结果再经过D-S证据理论做决策融合,最终确定磁轴承转子的故障类型。实验结果表明该方案提高了故障诊断结果的准确性,充分显示了其应用在磁轴承转子故障诊断系统中的可行性。     

神经网络与 D-S 证据理论融合的液压系统故障诊断方法

针对液压驱动火箭炮随动系统故障类型的多样性以及故障信息不确定性等问题,提出了证据理论与神经网络综合集成的故障诊断方法。为克服单一神经网络自身的缺点,在普通节点处建立2个改进神经网络模型来简化网络结构,分别以铁谱数据和压力、流量、温度特征参数作为输入向量进行初始故障诊断,并将诊断结果作为证据理论的基本概率分配,从而实现了赋值的客观化。然后,利用 D-S 证据理论对2个改进神经网络的初始诊断结果进行融合。实验结果表明：该方法避免了神经网络识别时的误诊,提高了液压驱动的火箭炮随动系统故障诊断的准确性。     

复合无量纲指标在旋转机械故障分类中的应用

针对传统的无量纲指标在旋转机械故障分类中的不足,利用遗传编程方法对传统的无量纲指标进行重新组合和优化来构建新的无量纲指标,以分类效果作为判断新无量纲指标优劣程度的准则,通过该方法最终获得了一个具有最佳分类能力的指标,并用于旋转机械轴系故障诊断.通过试验验证,与传统的无量纲指标相比,经过遗传编程构建的新无量纲指标对轴系故障具有更好的识别能力,能够对轴系故障进行准确分类,可以应用于实际诊断中.     

神经网络与D-S证据理论融合的液压系统故障诊断方法（英文）

针对液压驱动火箭炮随动系统故障类型的多样性以及故障信息不确定性等问题,提出了证据理论与神经网络综合集成的故障诊断方法。为克服单一神经网络自身的缺点,在普通节点处建立2个改进神经网络模型来简化网络结构,分别以铁谱数据和压力、流量、温度特征参数作为输入向量进行初始故障诊断,并将诊断结果作为证据理论的基本概率分配,从而实现了赋值的客观化。然后,利用D-S证据理论对2个改进神经网络的初始诊断结果进行融合。实验结果表明:该方法避免了神经网络识别时的误诊,提高了液压驱动的火箭炮随动系统故障诊断的准确性。     

基于多域特征与改进D-S证据理论的齿轮故障智能诊断方法

为了能全面准确识别齿轮的故障类别,建立了基于时域、频域以及能量等多域特征参数的特征空间模型。在此基础上,提出了一种基于多域特征与改进D-S证据理论的齿轮故障智能诊断方法。通过实验台实测数据提取相关特征参数作为诊断样本,以粒子群优化支持向量机的初步诊断结果构建多个证据体。实验结果验证了改进D-S证据理论融合证据体诊断结果的有效性。