基于神经网络和证据理论的液压系统故障诊断

针对液压系统故障多样性和复杂性等特点,基于信息融合原理,提出了一种基于神经网络和D-S(Dempster-Shafer)证据理论相结合的液压系统故障诊断方法。该方法通过构建多子神经网络分类模块进行局部诊断,利用各子神经网络的输出值作为证据理论中的基本可信度,经过证据理论的再次融合得出最终的诊断结果。实例表明,该方法通过简化神经网络结构,提高了局部诊断网络的诊断能力,通过对多源多特征参数的融合,充分利用各传感器的冗余和互补的故障信息,与单一故障特征的诊断相比,显著提高了故障诊断的准确率,降低了决策的不确定性。     

D-S证据理论在带式输送机故障诊断中的应用

针对带式输送机存在输送距离长、运量大、速度快、使用环境恶劣等问题,基于D-S证据融合理论在处理由不知道所引起的不确定性方面具有独特优势,将D-S证据理论应用于带式输送机故障诊断中。详细论述了D-S证据理论及基于证据理论的带式输送机故障诊断过程。实验表明:D-S证据理论能有效提高诊断可信度,是一种有效的带式输送机故障诊断方法。     

基于VMD-PWVD的内燃机振动信号时频分析方法

针对Wigner-Ville分布(WVD)在分析多分量信号时交叉干扰项与时频聚集性相互矛盾的问题,提出一种基于变分模态分解的伪魏格纳分布法(VMD-PWVD),以抑制WVD分布中的交叉项。该方法首先对信号进行VMD分解,将信号在频域上进行剖分,得到一组相互独立的具有不同频率的固有模态函数(IMF)分量,然后对每个IMF分量进行PWVD分析,最后把各个IMF分量的PWVD分析结果线性叠加,重构原始信号的时频分布。仿真结果表明,该方法在有效地从频域和时域双向抑制WVD交叉项的同时,又保留了WVD分布法原有的优良特性。将VMD-PWVD应用于内燃机缸盖振动信号的时频分析中,能很好地刻画出不同工况信号的特征信息,各时频分量物理意义明确,是一种有效的时频分析方法。     

基于神经网络D-S证据理论的汽轮机转子融合诊断系统研究

船用汽轮机转子作为汽轮机做功的主要部件，易发生故障．将数据融合技术应用到其故障诊断领域，采用神经网络与D-S证据理论相结合的理论方法，建立了汽轮机的融合诊断系统，对转子的几种常见故障进行诊断，在数据级上将特征量进行分类处理，能够从多方面反映系统状态，为准确诊断故障奠定了基础，特征级上采用多神经网络的方法克服了网络收敛速度慢的缺点，再经过决策级的融合计算，提高了诊断精度．通过诊断测试及对比试验证明该系统提高了汽轮机转子故障诊断的精度，并能满足诊断的实时性要求。     

基于D-S证据理论的柴油机故障诊断

D-S证据理论已经广泛应用于各种故障诊断中,但基本概率分配是证据理论的重要一步.运用典型样本的数据融合方法对柴油机供油系统的3种故障进行诊断,避免了D-S证据理论应用中基本概率赋值难以分配的问题,减少了方法的主观性.实践结果表明,该方法可以有效的判别出柴油机故障类型,具有工程实用价值.     

基于RP与NMF的内燃机气阀故障诊断方法

针对传统的内燃机故障振动诊断方法,难以有效提取故障特征,诊断精度较低的缺点,提出一种基于递归图(recurrence plots,RP)与非负矩阵分解(non-negative matrix factorization,NMF)的内燃机故障诊断新方法。该方法是利用图像的方法来进行故障诊断:首先通过递归图将采集到的内燃机缸盖表面振动信号生成图像,然后用非负矩阵对得到递归图进行特征参数提取,最后用分类器进行分类识别完成故障诊断。将该方法应用于气阀机构8种工况下振动信号诊断实例中,结果表明:该方法克服了传统的振动诊断方法从时域或频域进行分析时参数选取和故障特征提取的难题,直接将信号生成图像,对图像进行自适应特征参数提取、分类识别,能有效诊断出内燃机气阀机构故障,故障识别精度高,为内燃机振动诊断探索了一条新途径。     

基于D-S证据理论的模糊聚类图像融合分割

针对模糊聚类图像分割算法的固有缺点,提出了一种基于D-S证据理论的模糊聚类图像融合分割算法。对图像的点灰度特征和块灰度特征分别进行模糊C均值聚类,并将各自的模糊隶属度转化为单一或复合假设及其基本概率赋值,再利用D-S证据理论进行融合分割。实验结果表明该算法的分割效果优于传统的模糊聚类分割算法。     

基于D-S证据理论和RBF网络的航空发动机叶片损伤图像识别技术研究

针对航空发动机叶片损伤图像采集过程中存在的不确定性因素及单一RBF网络或D-S证据理论在叶片损伤图像识别中存在的不足,提出一种基于D-S证据理论和RBF网络相融合的决策级信息融合损伤图像识别算法。首先,用RBF网络对损伤图像进行初步识别;然后,将RBF网络识别输出结果作为D-S证据理论的基本可信度分配;最后,利用D-S联合规则进行合成,得出最终识别结果。通过单一优化RBF网络的图像识别结果和融合识别结果的对比分析,证明了该方法在航空发动机叶片损伤图像识别方面的优越性。     

内燃机优化VMD-CWD时频表征与BSNMF编码识别诊断方法

针对内燃机振动响应信号强耦合、弱故障特征的问题,提出一种基于参数优化VMD-CWD内燃机振动时频表征与BSNMF分块编码识别的故障诊断方法.利用变分模态分解(VMD)将内燃机振动信号分解成一组本征模态函数(IMF),并叠加IMF分量信号的Choi-Williams分布(CWD)获得时频聚集性良好,无交叉项干扰的振动谱图像.针对VMD分解过程中的参数选取问题,引入功率谱熵作为目标函数,对VMD的分解参数进行网格寻优,提高了VMD分解的自适应性.为了实现内燃机振动谱图像的自动识别诊断,在稀疏非负矩阵分解(SNMF)的基础上提出一种更容易收敛的分块稀疏非负矩阵分解算法(BSNMF),用来对内燃机振动谱图进行特征提取,并采用支持向量机对提取的特征参数直接进行模式识别.将本文方法应用于内燃机故障诊断实例中,结果表明:该方法能有效提取内燃机振动信号中的微弱故障特征,实现内燃机气门机构故障的自动诊断.     

基于Petri网与D-S证据理论的电力系统故障诊断

针对电力系统继电保护故障,利用概率Petri网对电力系统进行建模,获取有效的故障信息,并运用DS(Dempster-Shafer)证据理论对信息进行融合,得出诊断结果.针对传统D-S证据理论在处理冲突证据时会存在结果与源证据相悖的问题,在加权平均法的基础上提出一种改进的融合方法,根据各个证据到平均证据的距离与证据权重大小成反比的关系,计算每个证据的权重,再进行加权平均,最后利用D-S组合规则进行迭代计算.与传统方法相比,本文方法拥有更好的融合效果和更高的效率.仿真结果验证了改进方法的有效性.     

D-S证据理论在多传感器故障诊断中的改进及应用

为了解决在多传感器信息融合处理故障诊断过程中,传统证据理论对含有冲突证据的处理结果与实际相悖的问题,介绍了传统D-S证据理论的基本构架,分析了其在处理含有高冲突的证据融合过程中将高信任度分配给小可能故障源的不足,提出了一种新的基于模糊成员函数和证据平均距离的证据调整方法,该模糊成员函数充分考虑了专家知识对基本概率分配函...     

基于匹配追踪时频LBP谱图的内燃机气门故障诊断方法

为直接对内燃机振动时频图像进行诊断识别,引入图像纹理特征提取技术,提出一种基于振动信号匹配追踪时频局部二值模式谱图的内燃机气门故障诊断新方法。首先,为清晰刻画内燃机时频图像中的各分量信息,利用匹配追踪算法(MP)获取无交叉项干扰项且时频聚集性良好的信号时频表示;然后引入局部二值模式(LBP)生成MP时频表示的LBP谱图,并将LBP谱图的灰度直方序列作为特征参数,利用支持向量机(SVM)对故障状态进行模式识别。在内燃机4种不同气门状态的诊断识别实验中,该方法最高识别率可达99.17%,表明基于MP时频LBP谱图识别的故障诊断方法具有较强的故障特征描述能力,能够准确诊断内燃机气门故障。     

D-S证据理论在小电流故障选线中的应用研究

介绍了在不同的情况下选取适当的故障选线算法来处理故障信息,并对故障信息进行D—S证据理论的信息融合,提高了故障选线的准确率．指出如何将选取的群体比幅比相算法和小波分析方法进行改进以适合证据理论的融合,如何设计算法计算D—S证据理论中的不确定性问题．     

基于D-S证据理论的不确定数据清洗

数据清洗的任务是检测数据中存在的错误、缺失或不一致,通过删除、填充、修改等方法提高数据质量.针对存在元组级不确定性的数据表上的选择投影连接操作,基于D-S证据理论中置信区间的概念,给出辨识框架构建和置信区间计算的方法,提出了一种基于待测数据项置信区间来检测查询结果中错误数据的方法.实验结果表明,提出的不确定数据错误检测方法具有高效性、准确性和可用性.     

基于D-S证据理论的地面灰度检测

提出将D-S证据理论应用于智能寻迹机器人的地面灰度检测,并给出了其时空融合结构.通过对D-S证据理论进行改进,同时利用未知前提的先验概率来改善系统决策的模糊性,进一步降低了系统空间和时间的消耗,减小了计算量.有效地改善了系统的稳定性和寻迹的准确性.通过融合检测算例验证了所提方法的有效性.     

基于证据理论的单一故障诊断方法比较研究

为了比较和研究证据理论中Dempster,Yager,PCR5三种组合规则的融合效果,构建多源传感器故障诊断识别框架,利用已有实验数据分别对基于3种组合规则融合多传感器信息诊断单一故障的过程进行仿真,并采用信息熵作为不确定性量度.结合融合后的基本概率分配函数和故障判定结果对各组合规则的融合效果进行定量比较、分析和评价.结果表明:3种组合规则均能够融合多传感器信息对所选的单一故障实现诊断,其中,Dempster组合规则的诊断结果具有最低的不确定性,Yager组合规则的效果相对较差.该研究对证据理论组合规则在冲突不明显时的融合效果进行了定量分析,是对已有定性分析研究的验证和补充.     

D-S证据理论在壁画图像修复算法的研究

对几种主要的图像修复算法进行了分析研究,在D-S证据理论与Criminisi算法相结合的壁画修复算法基础上,对最佳样本块的搜索进行了改进,考虑到在匹配准则上加入像素的物理距离(DIS)来选择最优的匹配结果,减少其修复错误.且定义了新的评价度函数Q,是基于峰值信噪比测度(PSRN)与结构相似度(SSIM)相结合的评价方法,并通过仿真实验证明算法的有效性,为今后壁画数字化保护提供了参考.     

基于LSSVM概率输出与证据理论融合的变压器故障诊断

为了利用相对较少的故障数据样本对变压器主要故障类型进行较准确的判断,基于智能互补和数据融合的思想,提出基于最小二乘支持向量机LSSVM( least square support vector machine)概率输出与证据理论融合的故障诊断方法。该诊断方法具有以下特点：可融合蕴含变压器运行状态的多种特征信息,输出变压器各种故障的概率,为变压器检修提供更多的可用信息;充分发挥了LSSVM在小样本情况下具有较强泛化能力的优势。算例结果表明,该诊断方法的故障诊断准确率达到91.1%,优于传统的IEC三比值法(故障诊断准确率75.6%)及LSSVM分类法(故障诊断准确率82.2%),有效降低了诊断误判的风险。