基于多传感器数据融合的故障诊断技术

提出了一种基于多传感器数据融合的故障诊断系统框架 ,给出了故障诊断融合技术的详细算法和提高系统柔性与开放性的方法 ,以及与其他故障诊断方法相融合的方法与算法 .提出的基于多传感器数据的故障诊断融合技术具有较好的实时性、柔性与开放性 .检测、控制与多传感器故障诊断相融合可使系统在不增加设备投资的前提下改善系统的性能     

基于多传感器数据融合的故障诊断技术

提出了一种基于多传感器数据融合的故障诊断系统框架,给出了故障诊断融合技术的详细算法和提高系统柔性与开放性的方法,以及与其他故障诊断方法相融合的方法与算法,提出的基于多传感器数据的故障诊断融合技术具有较好的实时性、柔性与开放性,检测、控制与多传感器故障诊断相融合可使系统在不增加设备投资的前提下改善系统的性能。     

一种多传感器数据信息的融合算法

为解决在多传感器信息融合技术中出现的测量维数和置信度较低、系统的探测能力和生存能力较差以及空间和时间的范围较窄等问题,提出了一种改进的PSO算法.该算法主要包括对传感器自身特点的分析,以及建立一个综合传感器信息增量和处理时间的目标函数的过程.从实验仿真结果可以看出,该算法可以有效地剔除性能不符合系统标准的传感器,从而更...     

多传感器数据融合研究

数据融合技术又称多传感器数据融合或分布式传感,即对多类多源和多平台传感器数据进行组合,提供有关空间信息综合态势的一种数据处理技术。数据融合可分为：信号级数据融合、像素级数据融合、特征级数据融合和符号级数据融合。本文讨论了红外图像、可见光图像、多谱图像、雷达图像等的数据融合问题以及各级数据融合的方法。     

多传感器数据融合浅析

近十几年以来，多传感器数据融合技术已爱到广泛的关注，它的和方法已被应用到许多研究领域，本文主要阐述数据融合技术在Ｃ＾３Ｉ中的应用，首先介绍了多传感器数据融合的基本概念，进而以国内外发表的文献为例说明了数据融合技术已取得的进展，最后对数据融合技术进行了展望，并提出了我们的对策。     

多传感器数据融合技术概述

多传感器数据融合技术是一门新兴前沿技术。近年来,多传感器数据融合技术已受到广泛关注,它的理论和方法已被应用到许多研究领域。介绍多传感器数据融合的基本原理和过程,重点介绍多传感器数据融合的三个层次并对三个层次进行比较,最后论述数据融合技术的发展趋势。     

一种阵列式传感器数据融合方法的研究

提出了一种基于支持度和自适应加权的阵列式传感器数据融合方法。其特点是通过关联融合多组测量信号序列以降低静态数据的随机测量误差。对单传感器测量信号序列,采用支持度方法计算每个测量数据的综合支持度和加权因子,然后对测量信号序列进行加权融合。对阵列式传感器多组测量信号序列,基于单传感器数据融合,利用自适应加权方法,在总均方误差最小意义下进行多组测量信号序列数据融合。仿真结果表明,该阵列式传感器数据融合方法是有效的。     

基于灰色关联分析的多传感器数据融合方法

提出了一种基于灰色关联分析的多传感器数据融合方法，计算多传感器测量数据的灰色关联矩阵，进行灰色优势分析，然后进行数据融合。此方法考虑了各传感器测量数据的精确度，而且删除了测量比较差或测量不到的数据。仿真结果表明，应用该方法可进一步提高多传感器的测量精度和可靠性，适用于多传感器的数据融合。     

多传感器数据的处理及融合

针对多传感器数据的多样性, 提出一种改进的数据融合算法. 首先, 利用小波技术消除已收集数据的高斯白噪声并对数据进行压缩; 其次, 对处理后的数据进行分层, 并对系数进行Kalman滤波, 同时利用Mallat快速重建算法重构数据; 最后, 利用最大、 最小贴近度计算传感器数据的信噪比, 并通过信噪比进行数据融合. 基于实际采集的多传感器数据对比实验结果表明, 该数据融合算法在稳定性上优于简单加权数据融合、 小波数据融合和Kalman滤波融合等算法.     

对多传感器数据融合的综合研究

1多传感器数据融合的概念数据融合一词出现在20世纪70年代,并于80年代发展成一项专门技术。它是人类模仿自身信息处理能力的结果,类似人类和其他动物对复杂问题的综合处理。人类能将各种功能器官(眼、耳、鼻、四肢、皮肤)所探测到的(图像、声音、气味、触觉)与先验知识进行综合,以便对周围的环境和正在发生的事件做出估计。数据融合最早用于军     

一种新的模拟电路故障特征提取与诊断方法

提出了一种基于小波变换、傅立叶变换与神经网络相结合的模拟电路故障诊断新方法.该方法使用小波变换和傅立叶变换对模拟电路在各种故障状态下进行特征的提取,即首先对电路在各种故障状态下的节点电压信号进行小波变换以将干扰信号(如噪声)除去,防止不相关的能量混在有效信号中,然后采用傅立叶变换进行分析,得到有效信号频谱,提取其能量值...     

基于多角度特征提取的舵机故障诊断方法

针对舵机故障中的抖动问题,提出一种基于多角度特征提取的故障诊断方法.利用短时分析法分帧舵机数据,以获得短时平稳的时间序列;引入能熵比概念提取舵机数据帧内的电流特征,并利用动态时间规整思想提取舵机数据帧内的位置特征,形成多角度特征以增强输入特征的显著性.在此基础上,利用双向长短时记忆网络提高后续舵机故障分类过程的准确性.通过某型舵机抖动实测数据的仿真,并与传统长短时记忆网络的故障诊断结果比较,验证了所提方法的有效性.     

连续小波变换在机械故障特征提取中的应用

为解决提取齿轮故障特征时去除外部噪声的问题, 以连续小波变换和自相关系数法为理论依据, 以缺齿齿轮故障为例, 提出了一种齿轮故障诊断方法。该方法能从所测量的含噪信号中确定出故障脉冲所对应的时间节点。利用多通带滤波器进行滤波处理, 可以从提取的故障特征中有效地剔除寄生脉冲。实验表明, 该方法能准确识别断齿振动信号的故障特征。     

冲击特征受控极小化通用稀疏表示及其在机械故障诊断中的应用

针对强背景噪声下机械故障微弱暂态特征表示和有效提取的难题,提出了通用的稀疏优化特征提取算法。算法针对含噪声冲击性特征提取问题设计了稀疏优化表征函数,该函数融合了冲击特征的保真度与惩罚函数因子,考虑了正则化参数以适应不同工程背景下各分析因子的实际影响,实现处理结果稀疏性极大化。同时,引入受控极小化方法对设计的表征函数进行转化,分解成一系列凸优化分析问题。提出了针对离散信号的有限差分式数值迭代算法,验证了其快速收敛性和数值稳定性,提出的算法对机械故障诊断的数字采样信号具有普遍适用性。将所提出的算法应用于实验室环境下的轴承故障特征识别中,无论是低噪声还是低信噪比白噪声环境下,振动信号中的冲击特征都得到了显著增强,在Hilbert包络谱中的故障特征频率及其高次谐波比能量中占优。所提出的算法还应用于电力机车走行部轮对的故障诊断中,在高强度的工程有色噪声环境下精确提取了其中的冲击衰减成分,在时域和频域诊断结果中都得到了准确的验证,指导了诊断实践。     

基于改进LLE算法的机械故障特征压缩与诊断

局部线性嵌入法(locally linear embedding,LLE)是一种典型的流形学习算法。在分析LLE算法的基本计算思路的基础上,提出了一种基于最佳分类效果的k和d综合参数选择方法。此方法综合考虑了故障类内和类间的离散度,并以此作为LLE算法特征压缩效果的评价依据。根据LLE算法的局部线性特征保持的基本特点,提出了一种增量式LLE算法用于柴油机机械故障特征压缩与诊断中。以平均子带能量法构造特征向量空间,子带数目的确定以同种故障类型特征参数间方差最小为准则。实验中,分别使用基于最佳参数选择的LLE算法、传统的主成分分析(principal component analysis,PCA)、增量式LLE算法对柴油机特征向量进行压缩,并对这三种算法的特征压缩结果运用K近邻算法(K-nearest neighborm,KNN)进行故障诊断与分类。结果表明基于最佳参数选择的LLE算法的诊断分类效果要优于传统的PCA方法,增量式LLE算法也取得良好的分类效果。实验表明,对LLE算法进行有关改进可以很好地应用到机械故障特征压缩与诊断中。     

基于故障特征时段识别的间歇过程故障诊断方法

间歇过程的多时段操作特性使得某一类型故障可能在一个或多个子操作时段具有明显表征,而在其他时段没有故障表征,即故障具有其相应的特征时段.提出了一种基于故障特征时段识别的故障诊断方法,通过对历史故障数据以及正常数据质心分布特征,识别历史故障的特征时段.利用多向Fisher判别分析(MFDA)方法分别建立对应的故障诊断模型,从而将故障诊断的搜索空间深入到特定的特征时段,提高了模型的诊断性能.仿真实验验证了该方法的可行性和有效性.     

一种适于高维时间序列的特征提取方法

为了获得更多的信息,越来越多的数据利用多路传感器进行采集,由此产生了大量的超高维时间序列。特征的提取在处理和传输这些数据中起到至关重要的作用。为此,提出一种最优鉴别平面(ODP)技术以消除数据冗余。该平面由两个在Fisher准则基础上建立起来的相互垂直的矢量组成,将模式样本投影到ODP上可得到二维特征矢量。为了衡量特征的有效性,分别用二次判别函数分类器和阈值矢量分类器对特征进行分类测试。同时,以心电信号为例对ODP方法进行测试,结果表明,该方法应用于超高维数据的特征提取是行之有效的。     

基于双空间特征提取的变压器故障诊断模型

为了提高基于油中溶解气体分析(dissolved gas analysis, DGA)的变压器故障诊断正确率,弥补单子空间特征提取的局限性,提出了基于双子空间特征提取的变压器故障分层诊断模型.首先,将DGA测试样本在一个子空间内进行特征提取后,为避免核函数及其参数的选择难题,以及利用多核支持向量机(multiple-kernel support vector machine, MKSVM)鲁棒性强和精度高的特点,采用MKSVM作为分类器对测试样本进行预测.依据预测结果将测试样本分为难分类和易分类样本,对易分类样本直接进行分类识别;对难分类样本则将该样本再次投影到另一子空间进行特征提取后,同样采用MKSVM作为分类器对难分类样本进行预测,综合两次预测结果进行分类识别,实现两分类MKSVM的双子空间特征提取算法.最后,根据故障特征,建立基于双子空间特征提取算法的变压器故障分层诊断模型.诊断实例表明,该模型具有较高的诊断正确率和推广能力.     

质量预测及故障诊断建模过程中非线性特征提取

工业生产的质量预测及故障诊断建模过程中所涉及的特征数目大、复杂性高、非线性突出,造成了模型维数过高、时间复杂度高、计算精度下降.针对上述问题,提出了一种基于核主成分分析和粗糙集的特征提取方法,首先使用核主成分分析进行特征提取,再对提取出的特征用粗糙集进行约简,介绍了该方法的原理和具体实现步骤.并以某玻璃厂锡槽作业工艺为背景进行仿真实验,应用实际生产数据建立支持向量机的故障诊断模型,将应用核主成分分析、粗糙集及所提方法提取出的特征输入SVM诊断模型.对比三种方法的实验结果表明,基于核主成分分析和粗糙集的特征提取方法提取出的特征更优.