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。     

证据理论在变压器故障诊断中的应用

为了提高变压器故障诊断的准确性,引入了一种基于证据理论的诊断方法。根据变压器故障的特征数据,采用2个并行的BP神经网络对变压器进行局部故障诊断,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。实验结果表明,该方法可有效地提高诊断的准确率,减少诊断的不确定性。     

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.     

电控柴油机故障诊断系统研究

应用Ｗｉｎｄｏｗｓ下可视化的软件开发工具Ｂｏｒｌａｎｄ Ｃ＾＋＋ Ｂｕｉｌｅｒ和ＢＰ网络设计电控柴油机故障诊断系统。采用多线程技术将监控模块与故障诊断模块溶为一体,实现对电控柴油机的故障诊断,系统性能台架实验结果表明,该方法能够对柴油机的常见故障进行诊断,工作可靠,在电控柴油机系统中运用神经网络进行故障诊断是可行的。     

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。     

基于证据理论和支持向量机的风机故障智能诊断

为了提高风机故障的诊断精度, 提出一种证据理论和支持向量机相融合的风机故障识别方法. 首先从振动信号中提取Wigner-Ville谱熵作为风机故障诊断特征; 然后采用不同核函数支持向量机进行训练, 建立风机故障诊断的子分类器; 最后采用DS证据理论对子分类器的输出结果进行融合, 并对其性能进行仿真测试. 实验结果表明, 该方法可以充分利用全部故障信息, 诊断结果更接近期望值, 诊断效果优于其他风机故障诊断方法.     

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。