基于改进D-S证据理论的滚动轴承故障诊断

针对单一分类器进行故障诊断时诊断精度不高、随机性强的问题,提出一种基于改进D-S证据理论的滚动轴承故障诊断方法,构建了信息融合诊断框架。首先,利用BP神经网络、支持向量机、径向基神经网络构建初步诊断层,将提取的特征信息进行初步诊断;然后,利用改进的D-S证据理论构建融合诊断层,将初步诊断层的诊断结果进行融合,并根据诊断规则得到最终的诊断结果;最后,采用不同的信息融合方法对滚动轴承故障数据进行对比研究。试验结果表明:使用改进D-S证据理论的滚动轴承故障诊断方法能够有效提高证据可信度,降低不确定性,提高故障诊断精度和故障诊断模型的鲁棒性。     

两级信息融合技术在柴油机故障诊断中的应用

针对传统神经网络在故障诊断中因测点信息多而导致的网络庞大、收敛困难等问题,引入集成神经网络,提高了融合诊断效率;同时引入基于D-S证据理论,这种决策融合方法解决了集成神经网络各个子网诊断结果不一致的问题。在应用于柴油机故障诊断时,首先对测取的正常和故障样本进行小波包AR谱分析,同时提取各个特征频带的能量分别作为集成神经网络对应子网的输入进行诊断,当其无法确定诊断结果时,再运用证据理论进行决策融合输出最终诊断结果。试验证明:基于集成神经网络和D-S证据理论的两级综合诊断模型提高了诊断的准确性和可靠性。     

基于证据理论与多模型结合的模拟电路故障诊断

针对模拟电路故障诊断中单一诊断模型诊断结果模糊性与不确定性较大的不足,基于信息融合原理,提出一种结合神经网络、支持向量机(SVM)与DS证据理论的综合诊断模型。在分析了传统BP神经网络与支持向量机的缺点后,分别用改进的免疫遗传算法和粒子群算法对其进行结构优化。利用两种模型的初步诊断结果进行DS证据理论的基本概率分配(BPA),得到证据理论的两个证据体。采用DS融合算法进行决策层融合诊断,定位故障元件。仿真验证表明,该方法可以有效提高故障诊断的准确率,避免了单一诊断模型的偶然性与不确定性。     

基于小波神经网络的数据融合诊断系统

主要利用小波神经网络技术和信息融合技术,建立了基于小波神经网络技术的多传感器数据信息融合诊断系统.该故障诊断系统是将多传感器数据融合技术应用于故障诊断领域,利用数据在不同层次上的融合集成小波神经网络,通过信号的有效组合,用各种子小波神经网络从不同侧面进行故障诊断,最大限度地提高确诊率.并以液压泵为例对该故障诊断系统进行详细介绍     

基于多模型的模拟电路软故障诊断

针对电子装备模拟电路故障诊断过分依赖专业技术人员和诊断专家的不足,提出利用信息融合技术,综合极限学习机(ELM,Extreme Learning Machine)、支持向量机(SVM,Support Vector Machine)以及BP(Back Propagation)神经网络等智能故障诊断模型,对模拟电路软故障进行诊断的故障诊断方法。通过对不同模型分别输入不同频率的电压信号,得到每个模型的诊断结果;采用DS(Dempster-Shafe)证据理论对每个模型诊断结果的可信度进行评估,确立每个模型诊断结果的组合置信度。通过不同模型诊断结果的决策层融合,最终获得诊断结果。以某型装备滤波电路的故障诊断为例,多模型融合诊断结果的准确率比单一方法模型的诊断准确率有了明显的提高,证明了该方法的有效性。     

基于粗糙集与神经网络相结合的模拟电路故障诊断

针对当神经网络输入端维数比较大造成在模拟电路故障诊断中BP神经网络结构庞大,从而影响到诊断速度以及正确率的问题,结合粗糙集理论和神经网络在信息处理方面的优势,建立了一个基于粗糙集理论和BP神经网络相结合的模拟电路故障诊断模型。通过对某装备位置调节器板的故障诊断过程表明,该模型简化了网络数据样本的维数,优化了神经网络结构,提高了系统的诊断正确率与诊断速度。     

基于BP神经网络的D-S证据理论及其应用

命题基本概率分配(BPA)的确定是D-S证据理论得以广泛应用的关键之一.目前,大部分确定方法受专家知识偏好影响较大,难以反映客观情况.将BP网络运用到基本概率分配的确定过程中,使得BP网络和D-S证据理论两者有机地联合应用,这样既可利用D-S证据理论来表达和处理不确定信息,又可以充分发挥BP网络的自学习、自适应和容错能力.文中建立了基于BP网络的D-S证据理论的故障诊断模型,并给出了证据的融合算法.仿真实验表明,该模型可行.     

一种新型粗糙集神经网络的故障诊断方法

结合粗糙集理论,建立了基于SOFM网络的新型粗糙集神经网络故障诊断模型,给出了该模型的流程图,描述了系统各组成部分的工作原理.应用该模型对某型雷达进行故障诊断,实例证明新模型能够减少输入端数量,简化神经网络的结构,提高系统的速度,诊断时间短,准确性高,结果易于实现可视化,最后得到了故障可视拓扑映射图.     

基于模糊逻辑和证据理论的故障诊断方法

针对故障诊断过程中信息损失的问题和D-S证据理论在处理模糊信息时的局限性,在模糊逻辑的基础上,将决策级信息融合技术应用于故障诊断系统中,提出了一种基于模糊逻辑和D-S证据理论相结合的多传感器信息融合综合故障诊断方法。该方法以模糊隶属函数来实现基本可信度分配,充分利用各种传感器的冗余和互补信息,可显著提高故障诊断的准确率,实例验证了该方法的合理性和有效性。     

基于D-S证据理论和AHP的故障诊断方法研究

提出了一种基于D-S证据理论和AHP的故障诊断方法,给出了基于AHP法的基本概率分配构造方法.最后,结合故障诊断实例,详细阐述了该诊断方法的应用过程,在对多个传感器提供的证据进行合成后,诊断结论的可信度明显提高,不确定性明显降低,证明该诊断方法合理有效.     

神经网络技术在智能BIT故障诊断系统中的应用

论述了智能BIT的智能设计、智能检测、智能诊断和智能决策,构建了基于神经网络的某高炮装备随动系统的智能BIT故障诊断系统。用Multisim进行电路仿真,提取输出信号的均值、峭度、偏斜度构成三维向量,以它作为特征向量利用神经网络进行模拟电路的故障诊断。通过比较BP神经网络、SOM神经网络和小波神经网络的诊断结果,得知利用均值、峭度和偏斜度作为特征,BP神经网络和SOM神经网络能够有效识别故障状态模式。     

随动系统模拟电路模块化故障诊断研究

针对人工神经网络在对装备电路进行故障诊断时出现的网络结构庞大，而影响网络诊断速度的问题，提出了模块化诊断思想。首先根据电路的功能特点以及系统电路分割的原则，将装备电路分割成具有独立功能的模块及子模块，然后建立起混联、串联2种模型，分别对其提出逻辑思想、模糊信息融合的诊断方法，从而将电路故障快速、有效地定位在模块级别，如需进一步诊断元器件故障，只需对故障子模块建立规模较小的诊断网络，从而有效避免诊断大规模电路时诊断网络结构庞大的问题。     

电子装备模拟印制板电路故障自动诊断系统研究

为提高电子装备模拟印制板电路故障诊断的速度,本文使用直流故障字典法原理,运用区域性故障定位方法,改进器件模型和电路描述程序,设计了模拟印制板电路故障自动诊断系统。     

模拟线性电路的多故障诊断方法

提出了一种基于电路分析理论的模拟线性电路多故障诊断方法,该方法采用电路分析理论中的替代定理,叠加定理来列写电路的故障诊断方程,利用方程组的相容性原理来进行故障定位,通过计算故障支路的电导增量来完成故障定值.仿真实例表明,这种方法可以提高电路诊断的准确性,并为模拟动态电路的故障诊断提供了理论依据.     

设备故障诊断技术的现状与发展

设备故障诊断技术已发展为一门独立的跨学科的综合信息处理技术,是目前研究领域的热点之一。该论文集中介绍了目前设备故障诊断的几种重要技术与方法,如故障树分析法、小波分析、神经网络识别和基于复合知识库的专家系统等。通过分析指出,把传统方法与现代理论相结合、把现代理论与先进技术相结合、把设备故障的诊断与修复相结合、把理论方法与应用效率相结合是今后的发展方向。     

电路故障诊断方法的研究现状与发展

电路故障诊断方法的研究对武器装备电子学位的维修和设计具有重要意义。在简介电路故障诊断基本方法及其存在问题的基础上,介绍了数字电路、模拟电路和数模混合电路故障诊断方法的研究现状、研究热点、研究难点和发展趋势,指出了电路故障诊断方法在实际工程应用中存在的困难和需要解决的问题。     

导弹故障智能诊断的一种实现方法

研究了基于神经网络的故障诊断专家系统的理论和方法及具体实现过程。将此方法应用于导弹武器系统故障智能诊断之中 ,结果表明该方法是一种行之有效的故障智能诊断方法。