电机滚动轴承故障诊断的多信息源数据融合方法

在电机滚动轴承的故障诊断领域中,由于电机运行环境的复杂性,以及目前大多数故障诊断依然是基于单参数进行,如振动、温度及电流等所能携带的故障特征进行诊断,所以不确定性因素及不确定信息也充斥其间,从而致使故障诊断的准确率较低。分析了传统故障诊断系统的弊端,并介绍了多信息源数据融合诊断系统的结构及其在故障诊断应用中的优势,并通过实例分析,采用3个独立传感器对轴承故障信号采集,并通过经验模态方法对信号处理得到故障特征向量,最后应用BP神经网络和D-S证据理论进行故障识别。每使用一次D-S证据理论的合成,均会提高故障诊断的准确率,进一步说明多信息源数据融合故障诊断系统的的可行性及有效性。     

基于振动时频图像和D-S证据理论的内燃机故障诊断

为抑制循环波动性对内燃机故障诊断结果的影响,引入D-S证据理论,提出一种基于内燃机振动时频图像、局部非负矩阵分解、BP神经网络和D-S证据理论的内燃机故障诊断新方法。首先采用平滑伪魏格纳分布(SPWVD)方法对8种不同气门状态的缸盖振动信号进行分析得到振动时频图像,然后用局部非负矩阵分解(LNMF)方法提取时频图像的特征参数并组成训练集和测试集,用得到的训练集对BP神经网络进行训练,再把测试集输入到训练好的BP神经网络,将输出的结果转化为基本概率赋值,用Deng加权平均证据合成规则对同种状态下不同图像的证据进行合成,并利用合成后的结果进行诊断分类。实例分析结果表明,基于振动时频图像和D-S证据理论的内燃机故障诊断方法可以有效抑制内燃机循环波动性对诊断结果的影响,能够准确诊断不同类型的气门故障。     

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，将数据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D-S（Dempser Shafer）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。     

基于证据理论的电机故障诊断方法研究

在DS证据理论的基础上,结合模糊集合论,给出了多传感器数据融合一般化方法,并将其应用于电机故障诊断。通过数据融合诊断结果与单传感器诊断结果的比较,说明多传感器数据融合能明显提高故障诊断的准确率。     

基于D-S证据理论的多传感器多特征目标识别

 传统多传感器环境下的目标识别方法主要有两种：利用多传感器获得的数据进行数据融合、利用每个传感器信号的特征向量进行特征融合。但这两种方法均存在目标识别精度不高的问题。针对这一问题,本文提出了一种基于D-S 证据理论两次组合规则的融合方法。该方法在提出多传感器目标识别系统模型的基础上,运用D-S 证据理论对单传感器的多特征信息进行数据融合;根据传感器接收信号信噪比来确定传感器可信度,将该可信度作为D-S 证据理论组合规则中的证据权值,以此来完成目标识别。本文提出的方法综合考虑了传感器的多特征信息和传感器的可信度,克服了传统的D-S 证据理论对证据冲突处理能力有限的缺陷。实验结果表明,该方法具有较高的正确性和有效性,提高了目标识别的精度。     

基于信息融合的校车自动变速器故障诊断新平台与方法

为保证校车安全,在强电磁干扰环境下实现高速大容量的数据传输、信息融合与故障诊断,建立了基于光纤CAN(Controller Area Network)网络的数据通信和信息融合的故障检测综合平台,通过该平台实现了节点中各传感器数据的实时采集和融合诊断处理.将BP神经网络(BPNN)和D-S(Dempster-Shafer)证据进行有机结合,然后将BPNN的初级诊断结果处理后,作为D-S证据的基本可信度分配,诊断结论通过D-S二次融合后输出.采用该方法在校车自动变速器的故障诊断中进行实验,结果表明,该平台具有很高的可靠性,且该融合诊断方法能够对故障数据的冗余和互补信息进行有效的处理,引入BPNN和D-S证据之后,综合诊断结果的准确性和可靠性比单一神经网络有了很大的提高.     

基于信息融合的风电机组齿轮箱轴承故障诊断

针对风电齿轮箱轴承故障问题,提出一种基于信息融合将BP神经网络与D-S证据理论相结合的风电轴承故障诊断方法。首先基于大数据,挖掘SCADA(supervisory control and data acquisition)系统中与风电齿轮箱轴承故障有关的振动、温度、电流、转矩和转速信号等故障特征;然后将各信号故障特征量作为神经网络输入,将神经网络的输出归一化作为证据理论基本概率分配值(BPA值),为解决各证据之间冲突问题,采用一种基于加权的方法来改进各条证据,以减小冲突;最后利用组合规则将各条改进的证据融合,得出最终诊断结果。研究基于某风场2 MW风电机组的实际运行数据,结果表明:随着融合信号维度的增加,最终诊断结果的准确率也逐步提高,融合多维信号的可靠性明显高于单一信号。     

多传感器信息融合的智能故障诊断

针对传统故障诊断方法只利用单一参数对复杂系统进行诊断具有信息不完备和不确定性的问题,提出了一种基于PCA和D-S证据理论的多传感器信息融合故障诊断方法.该方法基于PCA对信息融合的多维数据进行降维处理,并利用证据理论实现对非精确信息的正确推理,解决了信息融合数据的组合爆炸问题,从而得到精确的诊断结果.将该方法应用于火电机组的汽包锅炉给水控制系统故障诊断中,实现了对控制系统中主要参数的故障检测,有效提高了控制系统工作的可靠性.     

多传感器信息融合技术在液压设备故障诊断中的应用

为了克服液压设备传统诊断技术上的不足,提出了多传感器信息融合技术的故障诊断模型.该模型充分利用液压设备上能够携带故障特征的多类信息,并对这些信息在不同的层次上通过神经网络、贝叶斯理论、D-S证据进行有效的融合和计算,从而提高液压设备故障诊断技术的准确度.详细分析了多传感器信息融合技术的结构层次和一般方法,并讨论了信息融合技术理论在液压设备故障诊断模型中的原理和功能.达到了对液压设备典型故障的准确诊断.     

基于深度学习和激光多普勒测振技术的机械臂电机故障时频尺度诊断方法

机械臂电机振动信号的采集效果较差,影响时频特性分析过程,导致故障诊断效果与精度较差,为此提出基于深度学习和激光多普勒测振技术的机械臂电机故障时频尺度诊断方法。使用激光多普勒测振技术与小波阈值去噪算法,建立机械臂电机振动信号采集系统,获取并重构故障信号;提取电机振动信号的时域、频域等尺度特征,引入人工神经网络建立一个具备学习能力的故障诊断模型,将提取的机械臂电机故障时域、频域等尺度特征输入诊断模型中,输出分类诊断结果,即可完成机械臂电机故障时频尺度诊断。结果表明：利用该方法开展电机故障诊断时,检测结果与实际电机故障类型之间偏差较小,诊断效果好、精度高。     

基于SVM与多振动信息融合的齿轮故障诊断

针对齿轮振动信号故障特征微弱以及单个传感器故障诊断可靠性与准确性低等问题,采用多传感器信息融合方法,利用支持向量机(SVM)对8路齿轮振动信号进行特征级融合,实现故障诊断.研究结果表明:基于多个传感器单个特征量信息融合的齿轮故障诊断率比常规的基于单个传感的多个特征量的诊断准确率更高,诊断结果更可靠;峰值因子对齿轮故障最敏感,以峰值因子为特征量的多传感器信息融合,诊断准确率达93.33%.     

基于非线性状态估计的风电机组振动建模研究

本文引入振动加速度信号,与SCADA数据结合进行风电机组关键部件的状态监测及故障诊断。实验数据为某风电机组连续6个月SCADA数据,振动建模方法采用非线性状态估计技术,在风电机组故障高发部位——齿轮箱、发电机、主轴承等处加装振动加速度传感器,通过对各部位振动特性的分析,分别建立相应部位的振动模型进行故障监测与诊断,并验证其可行性。研究表明,利用非线性估计的方法建立风电机组关键部位的振动预测模型简单有效,预测精度高,为后续风电机组振动分析提供了新的思路。     

多深度学习模型决策融合的齿轮箱故障诊断分类方法

针对齿轮故障诊断中单一传感器采集信息不完全、容错性不佳及一种神经网络模型具有局限性,传统信号处理技术提取特征困难等问题,提出了多深度学习模型决策融合的齿轮箱故障诊断分类方法,构建了基于CNN(Convolutional Neural Networks)和改进SDAE(Stacked Denoising Autoencoders)的混合网络模型,根据改进的D-S证据理论实现决策级融合诊断。以时频信号作为CNN的输入,以频域信号作为SDAE的输入,采用Adam优化算法和dropout、批量归一化技术训练该混合模型。实验结果表明,利用该融合方法对齿轮进行故障诊断相比单个的网络模型CNN和SDAE诊断正确率有所提高,为齿轮故障智能诊断分类提供了新路径。     

多传感器数据融合在粉尘监测中的应用

针对工业粉尘监测中环境安全等级评判的问题,本文提出一种基于均值距离和D-S证据理论的两级多传感器数据融合方法.利用传感器采集到的P M2.5、P M10和粉尘总浓度,采用基于均值距离的融合算法对多周期的同一类型数据进行一级融合,利用D-S证据理论对不同类型传感器数据进行二级融合,最终得到生产空间粉尘安全等级.实验结果表...     

基于Daubechies小波和证据理论的声目标识别

根据战场环境复杂多变的特点,提出采用小波变换对目标声信号进行特征转换,用基于Daubechies小波和证据理论(即D-S证据理论)对基于多传感器的声目标进行融合识别。其步骤为:首先,针对Fourier分析在处理目标非平稳随机信号方面的不足,运用Daubechies小波变换对信号进行处理,即将256个数据为一组的采样信号在Daubechies小波第三尺度上进行变换处理,在保留信号的峰峰值位置、个数等原始特征的前提下,数据处理量由256个减少到32个,从而减少了后续数据的处理量和处理难度;其次,对经过Daubechies小波变换的数据采用FOBW编码进行特征提取,并建立常见声目标的特征信息库;最后,分析并研究数据融合在声目标探测识别中的应用。研究结果表明:与单一传感器识别和多传感器融合识别效果相比,采用D-S证据理论的声目标识别,系统的识别率提高,系统的误判率降低,达到甚至超过了预定的技术指标。     

基于神经网络的高压断路器机械故障诊断仪及在设备检修中的应用

阐述了一种基于径向神经网络技术，通过检测高压断路器分合闸线圈电流、储能电机电流、线圈两端电压及振动信号并将测得的信号特征值或波形和开放式智能样本库进行比对。在此基础上介绍了对断路器机械故障进行智能诊断的高压断路器机械故障诊断仪产品，并结合该装置在现场进行故障诊断的实例提出了一种高压断路器机械故障诊断的新方法。     

船舶动力装置监测与故障诊断系统研制

结合模糊神经网络(Fuzzy Neural Network,FNN)与Dempster-Fhafer(D-S)证据理论,研制开发了船舶动力装置数字化监测与故障诊断系统.该系统由信号采集系统、软件控制系统和分析系统组成,主要对主推进机组、柴油发电机组、辅机进行监测.采用压力示功图法和瞬时转速法对主机运行状态进行实时动态监测,且并行构建热力性能参数和瞬时转速2个子模糊神经网络,再运用D-S证据理论进行主机状态信息融合判断,最后得到故障诊断结果.试验表明,该系统的实时性、测量精度满足要求,而且运用FNN与D-S证据理论进行故障诊断具有较高的可靠度.     

多源时域时频域数据融合故障诊断方法及其应用

本文介绍并构建了故障特征向量,给出了一种多源时域时频域数据融合故障诊断方法,用神经网络给出了基本概率分配,证据理论融合各传感器的信号而得诊断结果。对液压泵进行了试验,结果表明,该诊断系统充分利用了多源数据的冗余互补信息,提高了诊断的可靠性和准确性,降低了诊断的不确定性。     

GA-BP网络与D-S证据相结合的多传感器信息融合

针对反向传播(back propagation,BP)网络与D-S(dempster-shafer)证据理论各自在处理不确定性信息方面的不足,提出了一种遗传算法(genetic algorithms,GA)优化的BP网络与D-S证据相结合的多传感器信息融合方法。一方面利用GA-BP网络获取D-S证据理论所需的基本概率赋值,另一方面通过D-S证据理论对GA-BP网络的输出进行融合。将此方法应用于高压电器设备故障诊断,仿真结果表明,该方法能克服传统BP网络易陷入局部最优问题,同时具有更好的识别结果。