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。     

基于改进CNN-GRU网络的多源传感器故障诊断方法

提出一种复杂系统内多源传感器的故障诊断方法.利用多源传感器数据之间的相关性,使用卷积神经网络提取不同传感器之间的联系和特征.在卷积网络中,设计了传感器数据标定模块使得网络更关注学习与故障信号相关的传感器数据.利用循环网络对传感器自身的时序特征建模,引入跳跃连接和辅助损失函数降低网络的训练难度.最后综合时空特征,一次计算得到故障分类结果和故障参数估计.仿真结果表明,改进后的CNN-GRU网络能够实时准确地诊断传感器的固定偏差故障和漂移偏差故障,传感器数据标定模块和跳跃连接的引入有效地提高了诊断算法的准确率和精度.      

异步电动机多故障诊断信息的融合

异步电动机的故障机理非常复杂,其故障原因与其征兆之间的关系并非完全是一一对应的关系,特别是早期故障物理信号的微弱性和不明晰性,使得早期故障诊断和多故障分离更加困难。通过引入D-S理论多物理信息融合方法,对各个子神经网络诊断的输出进行多信息融合,使系统的输出真实可靠,并以典型故障为例,分析了信息融合对故障诊断和多故障分离的有效性。     

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。     

基于多传感器信息融合的机器人故障诊断

提出一种新型的多传感器信息融合方法,并将此方法与支持向量机相结合,针对生产装配线上机械手在向抓握物体位置行进时遇到的机械手受阻、前方碰撞、除前方外其他方向碰撞3种故障形式进行诊断;通过适当融合向量的选取、支持向量机模型参数的寻优,成功地对3种故障进行了诊断;同时,对多传感器信息融合方法中的融合向量属性数量的选择进行了分析.结果表明,在传感器测量数据一定的条件下,融合数据属性数量的选取对融合向量样本的数量、分类的准确率均有影响.     

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%.     

基于多特征融合的自适应权重目标分类方法

提出一种自适应权重的融合卷积特征和方向梯度直方图(HOG)特征的目标分类方法,实现快速精准分类目的.首先,利用ResNet网络框架提取图像卷积特征,增加OpenCV接口以提取图像HOG特征,对HOG特征图扩维处理至与卷积特征同维;然后,在ResNet网络框架中嵌入SENet模块,计算卷积特征和HOG特征的权重向量,将卷积特征、HOG特征及相应的权重向量加以变权值叠加,实现多特征的自适应同步融合,以此构建二分类网络模块;其次,将二分类网络模块嵌入Faster Rcnn网络,构成Faster Rcnn-HOG新型网络,通过基于变阈值的粗检测策略和先验知识的区域关注策略得到图像中目标预处理检测框,利用二分类网络模块精确判定,实现目标分类.将Faster Rcnn-HOG与传统Faster Rcnn网络及另一特征融合网络Net-BB-HOG进行对比试验,三种方法在目标大类识别方面性能基本相当,但是FasterRcnn-HOG在目标小类识别方面效果更佳,证明了提出的多特征融合自适应目标分类方法的有效性和正确性.     

基于多源信息融合的飞行器高精度定位方法

导弹、卫星等飞行器的高精度定位问题,归结为多平台、多种类信息的融合处理.在多源信息融合处理中,各类信息加权的权值对融合结果的精度有重要影响.本文通过引入加权因子,研究了多源信息融合处理的加权与参数估计精度问题,得到了参数估计均方误差与权值的关系,证明了非线性模型的权值,不仅与测量误差的统计特性有关,还与模型的结构、样本量大小有关.计算结果表明,采用本文的加权方法,可显著提高导弹弹道参数估计精度.     

基于多源异构信息融合的煤矿冒顶事故预报技术

基于D-S理论和模糊数学理论,建立了煤矿冒顶监测系统中多源异构信息融合模型,并提取某矿冒顶危险性数值特征,应用隶属度函数概念得出危险征兆的信度函数分配,最后利用判决规则判断其融合结果并预测该矿冒顶危险等级。该方法能简便快速的预测煤矿冒顶危险,准确识别冒顶危险预兆的目标特征,为矿井冒顶事故预报可以提供依据。     

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。     

基于信息融合技术的大型水轮发电机故障诊断

为了能够从多方面反映水轮发电机组系统状态,实现对水轮发电机组故障模式的自动识别与准确诊断,将信息融合技术应用于水轮发电机组故障诊断系统。根据故障特征量将故障进行分类处理,采用多个并联的BP子神经网络进行水轮发电机组故障的局部诊断,获得彼此独立的证据,再运用D-S证据理论融合算法对各证据进行融合,最终实现对水轮发电机组故障的准确诊断。诊断测试实验证明:采用该诊断系统可有效地提高诊断可信度,减少诊断的不确定性。     

一种基于深度融合模型的滚动轴承故障诊断方法

针对噪声环境下滚动轴承故障难以诊断的问题,提出一种基于深度学习融合网络的轴承故障识别新方法。该方法首先对轴承振动信号进行一定程度的随机损坏,并将加噪后的数据输入卷积降噪自编码器(convolutional denoising autoencoder,CDAE)中对网络进行训练,目的是降低信号中的噪声干扰并提取浅层特征;然后,利用深度信念网络(deep belief network,DBN)学习深层特征并建立轴承状态识别模型,输出故障识别结果。在融合模型中,将卷积降噪自编码器作为网络的第一层以增强网络的抗干扰能力,提高故障的识别精度。使用凯斯西储大学(CWRU)滚动轴承数据对所提模型进行验证,结果表明提出的融合模型在噪声环境下能够较好地实现轴承的故障状态识别。     

基于深度置信网络和信息融合技术的轴承故障诊断

提出一种基于深度置信网络(DBN)和信息融合技术的轴承故障诊断新方法。首先采用集合经验模式分解将轴承振动时域信号分解为若干个固有模态函数,并分别输入至若干个DBN中进行故障状态识别,然后通过简单投票法将每个DBN识别的结果进行决策层信息融合,从而得到轴承故障的最终诊断结果。通过对单负载和多负载下不同类型和不同损伤程度的滚动轴承故障诊断进行实例分析,验证了本文方法的有效性和精确性。     

传感器的故障诊断技术研究

传感器故障检测与诊断技术是一门综合学科,涉及到了许多应用领域.对传感器的故障类型进行了分类,介绍了传感器故障诊断的各种方法,对一些方法进行比较.最后,分析了现有故障诊断方法的发展趋势.     

一种基于深度融合模型的滚动轴承故障诊断方法

针对噪声环境下滚动轴承故障难以诊断的问题,提出一种基于深度学习融合网络的轴承故障识别新方法。该方法首先对轴承振动信号进行一定程度的随机损坏,并将加噪后的数据输入卷积降噪自编码器(convolutional denoising autoencoder, CDAE)中对网络进行训练,目的是降低信号中的噪声干扰并提取浅层特征;然后,利用深度信念网络(deep belief network, DBN)学习深层特征并建立轴承状态识别模型,输出故障识别结果。在融合模型中,将卷积降噪自编码器作为网络的第一层以增强网络的抗干扰能力,提高故障的识别精度。使用凯斯西储大学(CWRU)滚动轴承数据对所提模型进行验证,结果表明提出的融合模型在噪声环境下能够较好地实现轴承的故障状态识别。     

云模型方法在选煤厂跳汰系统中的故障检测与诊断

针对传统的故障检测与诊断方法的局限性,笔者结合信息融合思想和云模型算法,提出了用于选煤厂跳汰系统故障检测与诊断的云模型方法。采用一维云模型推理映射算法,代替传统神经网络方法的训练过程,融合多源信息合并处理,保证检测和诊断的正确性,并进行实时检测仿真。结果表明：系统辨识精度较高,能很好地反应跳汰系统工作情况,并能及时判断。该方法用于选煤厂跳汰系统故障检测与诊断可行。