二阶带通滤波器电阻软故障模糊诊断算法

为提高故障字典法的实用性,提出了一种基于模糊诊断算法的二阶带通滤波器故障特征提取方法。使输入信号频率处于滤波器截止频率之外的衰减边沿,从而使滤波器测试点电压能够灵敏地反映故障元件的变化。使用模糊隶属函数与决策函数计算待诊断电路与每一种电路状态的整体隶属度,从而实现二阶带通滤波器的故障诊断。实验结果表明:该文的故障特征提取方法在构建滤波器故障样本时具有简单快捷的优势,模糊隶属度能够清晰地描述待诊断电路与各种故障状态之间的接近程度,在故障集不重合的情况下,诊断成功率为100%。     

基于模糊神经网络的电动汽车变速器故障检测研究

针对电动汽车变速器故障呈现不确定性特征，影响检测性能的问题，设计了基于模糊神经网络的电动汽车变速器故障检测方法。从电动汽车变速器故障状态的工况数据中，提取电动汽车变速器的故障征兆参数；模糊化处理电动汽车变速器的故障征兆参数，依据电动汽车变速器故障征兆参数的隶属度，构建模糊规则库；利用BP神经网络学习模糊规则库的故障检测模糊规则，通过正向传播、反向传播和权值修正完成BP神经网络训练。将电动汽车变速器测试样本输入完成训练的BP神经网络，BP神经网络依据测试样本的模糊隶属度向量，输出故障检测结果。实验结果表明，该方法可以有效检测电动汽车变速器的齿轮断齿等不确定性故障，实用性强。     

最短特征线段多分类器系统设计

为提高多分类器系统分类的性能,设计了一种使用最短特征线段分类器的多分类器系统。依据最短特征线段分类算法工作机理,利用特征线段长度表征样本隶属于各个类别的可能性,即模糊隶属度,对成员分类器输出形式完成由摘要级至度量级的重新建模,更多地保留输出细节以减少信息损失,进而利用基于模糊的证据融合规则实现成员分类器的度量级融合,通过隶属度到mass函数的转换,利用模糊-证据融合规则实现多分类器系统的构造,进一步提高了多分类器系统分类性能。采用人工数据集和UCI数据集设计了对比实验,实验表明,与其他邻域型分类器构造的多分类器系统相比,新多分类器系统能有效提升分类正确率。     

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。     

一种模糊传感器数据融合的方法

基于模糊传感器数据相关的特性，给出了一种模糊传感器数据融合的方法．该方法从传感器的重要度，各个传感器对模糊命题支持度的一致度，以及传感器重要度对数据融合结果的复合作用3个方面分析了它们对模糊传感器数据集成的影响．定义了一个一致性系数综合反映了这3个因素．基于该一致性系数实现了模糊传感器的数据融合，并将该方法用于工件识别中．     

基于模糊数学的液压挖掘机故障诊断

为快速诊断出液压挖掘机产生的故障原因,构建了液压挖掘机故障诊断的模糊数学模型.通过经验数据隶属度矩阵和专家优序数隶属度矩阵计算出故障诊断原因向量,由最大隶属度原则得到最终故障原因.将此方法运用于SWE50型挖掘机液压系统故障中,顺利找出故障原因是液压泵磨损,泵油压力偏低.     

模糊数据融合在目标跟踪中的应用

在目标跟踪滤波算法的基础上,提出利用模糊理论进行数据融合的算法。应用模糊理论,对双传感器的滤波数据进行特征提取,并在一定的隶属函数和模糊规则下对其进行模糊推理,得到随目标机动情况自动调节加速度方差的系数调节值,使之保持对目标机动的快速响应。分析中采用蒙特卡洛仿真方法,对融合前后的滤波结果进行比较。模糊数据融合利用领域专家总结的相关知识,将融合结果反馈给单传器,以提高各单传感器的跟踪精度。     

基于幂均融合算子的模糊传感器数据融合

提出了一种新的融合模糊传感器数据的方法。首先把模糊传感器输出的隶属函数作为对模糊命题的支持程度，之后引入了一个相似性测度对各个传感器输出的相似性进行度量，定义了一个相对一致度系数表示各个传感器被其他传感器所支持的程度，最后基于幂均算子实现了模糊传感器的数据融合。与已有的方法相比，该方法综合考虑了各个传感器的输出信息，降低了融合过程中的信息损失。通过一个目标识别的算例验证了该方法的有效性。     

基于神经网络信息融合技术的应用

本文在简述信息融合技术和BP诊断神经网络的基本概念之后，进行了BP神经网络信息融合故障诊断的应用研究，并将其应用到电路板元件故障诊断之中。从结果看，信息融合技术能较好地解决故障诊断的不确定性问题，是可行的和有效的。     

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.     

思维进化算法优化模糊神经网络的变压器故障诊断

提出一种基于思维进化算法的模糊神经网络变压器故障诊断方法。该方法利用思维进化算法中的趋同和异化操作,对模糊神经网络中输入变量的隶属度函数位置参数和宽度参数以及神经网络的连接权值进行全局优化,可有效地克服常规模糊神经网络BP算法收敛速度慢、精度不高和遗传算法训练模糊神经网络速度缓慢、易陷入局部极小等缺点,有利于更快地收敛于全局最优解。并将其应用到基于溶解气体分析的变压器故障诊断中,实例表明,采用该方法具有较快的收敛速度和较高的诊断准确度,说明了该方法的正确性和有效性。     

基于神经网络数据融合方法的模拟电路故障诊断

根据模拟系统故障检测原理，采用神经网络与数据融合相结合的方法进行模拟电路故障诊断，提出了一种新型的基于D-S证据神经网络的故障检测与诊断方法．应用D-S证据理论对径向基函数网络进行了修正，用具有一个输入层、两个隐含层和一个输出层的神经网络实现．各个证据体的基本概率赋值的获取是D—S证据理论在实际应用中的难点问题，本方法中采用的是根据输入模式与原型模式之间的相似度以及原型模式的类别隶属度来确定基本概率赋值．借助神经网络自学习的功能，实现对类别隶属度的最优化．结果表明该方法能快速有效地进行故障诊断中大量数据的处理，具有很强的鲁棒性．     

Combinatorial Optimization Based Analog Circuit Fault Diagnosis with Back Propagation Neural Network

Electronic components＇ reliability has become the key of the complex system mission execution. Analog circuit is an important part of electronic components. Its fault diagnosis is far more challenging than that of digital circuit. Simulations and applications have shown that the methods based on BP neural network are effective in analog circuit fault diagnosis. Aiming at the tolerance of analog circuit,a combinatorial optimization diagnosis scheme was proposed with back propagation（ BP） neural network（ BPNN）.The main contributions of this scheme included two parts：（ 1） the random tolerance samples were added into the nominal training samples to establish new training samples,which were used to train the BP neural network based diagnosis model;（ 2） the initial weights of the BP neural network were optimized by genetic algorithm（ GA） to avoid local minima,and the BP neural network was tuned with Levenberg-Marquardt algorithm（ LMA） in the local solution space to look for the optimum solution or approximate optimal solutions. The experimental results show preliminarily that the scheme substantially improves the whole learning process approximation and generalization ability,and effectively promotes analog circuit fault diagnosis performance based on BPNN.     

用BP网求解模糊控制器输入量的隶属函数

在模糊控制器设计中,需要对输入数据进行模糊化处理,用隶属函数描述;模糊变量隶属函数的选取对模糊推理有很大影响.利用BP网的分类性可以将采集到的清晰数据集广义地分成模糊类.选取具有一个隐层的PB网,输入层和隐层变换函数采用S函数,输出层用线性变换函数,在MATLAB环境下采用动量算法和自适应学习速率,调用trainbpx函数,对BP网进行训练,在训练时最后一层的输出越接近目标值越好.利用训练好的神经网可以对具体的输入数据求解对应于不同模糊区间的隶属值.用这种方法,速度快,误差小.     

基于小波与量子神经网络的容差模拟电路的软故障诊断

量子神经网络（Quantum Neural Network,简称QNN)的隐层神经元采用多层激励函数,具有一种固有的模糊性,能将决策的不确定性数据合理地分配到各模式中,从而减少模式识别的不确定度,提高模式识别的准确性.笔者提出了基于小波与量子神经网络的容差模拟电路的软故障诊断,实验仿真分析表明：该诊断方法正确率可提高2478%,从而提高了故障诊断的正确性.     

基于模糊加权有色网和BP神经网络的飞机发动机故障诊断

针对传统知识推理故障诊断方法中参数往往依赖于专家经验,存在着不准确和无法学习的问题,提出了一种基于模糊加权有色网和BP神经网络的故障诊断方法。首先,定义了模糊加权有色网并给出了两种产生式规则对应的模糊加权有色网模型。然后,设计了采用BP神经网络对模糊加权有色网各参数进行学习的算法。最后,给出了使用训练后的各参数进行初始化的模糊加权有色网进行故障推理的具体步骤。通过飞机发动机故障诊断实例仿真实验证明了方法能正确地建立模糊加权有色网推理模型,在采用BP神经网络进行参数训练后,能有效地实现飞机发动机的故障诊断。     

利用人工神经网络的故障诊断的模糊分类

针对基于方法的模糊逻辑和传统的神经网络在故障诊断中各自所具有的不足,提出了一种可行的方法,即在使用ＢＰ算法的神经网络中,输入矢量由故障症状的隶属度值组成,而输出矢量由该症状相对于各故障原因的隶属度值组成,将该方法应用于雷达设备的故障诊断,得到了令人满意的结果。     

基于人工智能的电力电子电路故障诊断

采用基于波形直接分析的神经网络故障诊断方法实现电力电子电路在线故障诊断。以三相整流电路为例，对电路发生故障时输出的波形进行分析，用故障波形的采样数据制作的样本对神经网络进行训练，将训练好的神经网络用于故障诊断。仿真实验表明该方法是有效的。     

DNA优化的BP神经网络在故障诊断中的应用

针对BP神经网络收敛速度慢和容易陷入局部极小值问题,将DNA算法和神经网络有机结合,利用DNA算法的全局搜索能力,优化网络的初始权值和阈值,解决其本身固有的两个缺陷,进而提高了BP神经网络诊断故障时的准确性和快速性。以道岔控制电路的故障诊断为研究对象,建立了基于DNA优化的BP神经网络的故障诊断优化模型,使用MATLAB仿真软件对故障诊断模型进行了仿真分析。结果表明,DNA算法优化的BP神经网络的泛化能力、诊断精确性都要优于BP神经网络。     

多源信息融合故障诊断方法研究进展

简述多源信息融合与故障诊断的关系,指出多源信息融合故障诊断的一般方法。从融合结构和融合算法的角度对多源信息融合故障诊断方法进行了分类阐述,并分别说明其诊断原理与研究现状;指出信息融合故障诊断按融合结构可分为层次结构信息、多级信息和组合神经网络的融合故障诊断,按融合算法分为基于贝叶斯理论、DS证据理论、模糊集理论、粗糙集理论和人工神经网络的融合故障诊断。最后展望了信息融合故障诊断方法的未来发展趋势。