基于多征兆信息融合理论的柴油机故障诊断

信息融合理论在故障诊断领域中得到广泛应用，为复杂机械故障诊断提供了一种新的方法。在研究了多传感器决策层融合理论——Dempster—shafer证据理论及其算法的基础上，提出了一种基于多征兆信息融合理论的故障诊断方法。以柴油机活塞和缸套之间的磨损为例，论述了该方法的实施过程。结果表明，多征兆信息的信息融合诊断方法具有良好的稳定性和容错性，提高了柴油机故障诊断的准确性和可靠性。     

基于一维卷积神经网络与近似熵特征融合的水电机组故障诊断

针对水电机组振动信号存在非平稳和非线性,单一特征提取难以实现高精度故障诊断问题,提出了一种基于卷积神经网络和近似熵特征融合的故障诊断方法。利用卷积神经网络提取振动信号特征;EEMD与近似熵构建信号特征向量,将两种方法提取的状态特征融合构建融合特征向量;进一步,将融合特征作为输入、故障类别作为输出,训练BP神经网络得到水电机组故障识别器,识别水电机组运行状态,即正常或具体故障类型。结合转子实验台实验数据,验证了所提方法在挖掘信号特征方面的有效性及较高的故障诊断准确率。     

基于SVM的多传感器信息融合技术在农用柴油机故障诊断中的应用研究

通过运用基于子模块决策输出融合的多传感器信息融合模型,专门针对农用柴油机运行机理和易发故障的特点,探讨了基于SVM的多传感器信息融合技术在农用柴油机故障诊断中的具体运用。通过对故障农用车实车数据比较试验表明,此方法在识别农用柴油机的故障类型上相比于传统诊断方法更加有效。     

多源信息融合在变压器故障诊断领域中的应用

在电力系统的运行过程中，变压器作为最关键的设备之一，维护其安全稳定运行具有重要的意义。由于变压器自身结构复杂，利用单一信息的传统故障诊断方法进行诊断具有一定的局限性。因此，将灰狼算法优化BP神经网络(GWO-BP)与证据理论通过信息融合技术进行有效结合，建立出一个多源化的故障诊断模型。以油中溶解气体数据为主，其他相应的试验数据为辅，进行综合诊断，确定故障的原因和类型，全面提高了模型的精度和可靠性。测试结果表明，该模型能有效进行变压器故障诊断，与传统方法相比提高了故障诊断的正确率，具有较高的理论意义和应用价值。     

拖拉机电气故障诊断方法研究——基于深度学习理论和大数据

基于深度学习神经网络模型,结合拖拉机在线监测数据和故障数据,提出了一种新的故障诊断方法。该方法采用神经网络学习理论和大数据分析能力,通过样本数据的训练诊断出拖拉机各种运行状态的电气故障,为工作人员决定是否对电气系统进行检修提供更多参考信息。以拖拉机电压调节器故障诊断为例,对神经网络深度学习理论故障诊断的准确性进行了验证,结果表明:采用神经网络深度学习理论,在相同条件下具有更高的故障诊断准确率。     

基于因素空间的油葵联合收获机故障诊断推理机制

当油葵联合收获机出现脱粒滚筒堵塞等故障时会影响联合收割机作业效率,而缺少自动故障早期预警手段的问题日益突出。为此,以因素空间理论为基础,研究了油葵联合收获机的故障诊断问题。在因素空间中,油葵联合收获机故障通过将其征兆因素集综合起来进行描述,通过因素分析得到故障诊断类型;并构建了装备故障诊断知识库和推理机制,进行了油葵联合收获机故障诊断仿真。仿真结果表明:基于因素空间理论的故障诊断方法能够成功地诊断出其故障类型,对油葵作物联合收获机的科学维护及可靠运行提供重要的参考。     

基于专家系统和稀疏编码的农机液压系统故障诊断

针对农业机械液压系统故障诊断问题,提出一种基于专家系统和稀疏编码的故障诊断模型。分析农业机械液压系统的元件故障和系统故障,构建故障诊断专家系统,并设计适合于农业机械液压系统故障诊断的知识库和推理机。为进一步提高故障诊断专家系统的诊断准确性,设计基于稀疏编码的故障诊断,将稀疏编码故障诊断结果与专家系统进行融合,提高诊断准确性。试验结果表明,农机液压系统故障诊断专家系统准确性可达85%以上,经过稀疏编码融合后,故障诊断准确率可以提升至91%以上。该模型符合故障诊断要求,为农机液压系统的故障诊断提出新的思路。     

融合小波和神经网络的发动机转子系统故障诊断

针对发动机转子系统不平衡、碰磨、油膜渦动3类故障,提出了一种融合小波与神经网络的故障诊断诊断算法.首先利用小波提取转子系统振动信号在各个频带上的能量特征信息,对能量特征采用B&B搜索算法进行特征选择之后,再利用BP神经网络识别转子系统的故障模式.实验结果表明,该方法对转子系统故障具有较高的识别率.     

数据融合在柴油机故障诊断中的应用

讨论了基于Bayes网络的数据融合技术应用于柴油机故障诊断的原理和方法.同时,介绍了数据融合的定义以及多传感器数据融合的过程,阐述了数据融合技术在故障诊断中的应用.在此基础上提出了Bayes网络,并将Bayes网络数据融合技术应用于柴油机的故障诊断.该方法能够及时准确地提取柴油机的故障特征,诊断出故障部位和找出故障原因.     

基于D-S证据理论的鸡蛋新鲜度多传感器融合识别

为提高无损检测在判断鸡蛋新鲜度方面的稳定性和模型适应性,通过D-S证据理论和BP神经网络将电子鼻和机器视觉两种传感器在特征层进行融合,构建了鸡蛋新鲜度的融合模型.探讨了一种可以弥补D-S证据在信息融合过程中不足的改进方法.验证试验结果表明:通过融合优化,不确定性的基本概率赋值下降到0.01以内,解决了单一检测方法检测模...     

基于AsyLnCPSO-SVM的滚动轴承故障诊断研究

针对时域故障诊断效率不高,而且在对SVM超参数寻优时原始PSO以及部分改进PSO容易陷入局部最小值,使得收敛效果较差的问题,提出一种AsyLnCPSO-SVM的滚动轴承故障诊断方法。提取信号的时域特征,构建故障诊断数据集,运用AsyLnCPSO-SVM模型对故障进行诊断,在诊断过程中动态调节学习因子c和c的值,使得c呈非线性异步递减,而c呈非线性异步递增,从而达到良好的故障诊断效果。实验结果表明,设计的模型具有较快的收敛性,仅需4次迭代便可收敛,并且准确率可达98.87%。     

基于二维改进Transformer网络的农机轴承故障诊断

【目的】针对农机使用环境恶劣、欠缺后期维护等问题,研究农机轴承故障诊断新方法,克服卷积神经网络难以全局提取特征的不足,提高故障诊断准确率以及农机使用的安全性和稳定性。【方法】研究团队引入了二维改进Transformer网络,利用未经优化的短时傅里叶变换生成的二维图像,并结合深度学习模型,进行了农机轴承故障诊断。研究团队还基于凯斯西储大学的轴承故障数据集进行了实验,从而验证该故障诊断方法的有效性。【结果】在训练30轮后即可在故障类型和故障程度的诊断中达到99.9%的准确率,高于常用的卷积神经网络。【结论】该故障诊断方法流程简单,在负载情况下具有可靠性、优越性,减少了对专家系统的依赖,为农机轴承故障诊断提供了更便捷可靠的方法。     

基于粗糙集和遗传算法的水轮发电

针对水轮发电机组故障监测中的大量数据，为了提高故障诊断效率,考虑将粗糙集理论和遗传算法引入水轮发电机组故障诊断中。利用粗糙集获取水轮发电机组故障信息决策表，再用遗传算法的全局搜索技术，对决策表进行约简，找出对故障分类起主要作用的特征，并提取诊断规则。通过对具体诊断实例研究表明：该方法在水轮发电机组故障诊断中具有较高的可行性和有效性。     

基于SVM和DS证据理论融合多特征的玉米病害识别研究

针对玉米叶部病害图像的颜色、纹理、形状特征对病害影响的差异性,提出一种结合单特征下的SVM识别准确率和识别结果的融合多特征玉米病害识别方法。首先对预处理后的玉米病害图片提取颜色、纹理、形状3种特征,对应每一种特征构建一个SVM分类器,结合3个SVM分类器的平均准确率和识别结果作为证据理论的3个证据,构建D-S证据理论的基本概率分配函数(BPA),最后根据D-S证据理论决策规则进行决策级融合,依据决策条件输出最终识别结果。结果表明,结合SVM识别准确率和识别结果来对玉米的灰斑病、弯孢菌叶斑病、锈病三种病害进行识别,准确率分别为95%,85%,100%,平均准确率为93.33%,该方法对玉米叶部病害的识别更准确和稳定。     

基于双数据源的电网故障诊断

该文通过对原有故障诊断系统进行改进,使其能充分利用双数据源（SOADA和故障信息系统）信息进行准确故障定位,可以根据诊断需求到各个数据源中主动查询所需要的数据,充分利用故障信息系统提供的故障录波信息对可疑故障设备进行排查,能够进行比以往更详细的故障定位,并给出一个因果时序链式的完整故障诊断结果。     

农用汽车发动机状态监测系统与诊断方法研究

为及时诊断农用汽车发动机的工作性能和故障状态,设计了多类信号采集、分析处理系统。通过对农用汽车发动机监测信号的采集、处理、融合和诊断,搭建了发动机故障诊断平台。详细介绍了故障诊断系统的基本思想和网络架构,重点研究了信号的采集和处理算法,提出并建立了一种基于信息融合的BP神经网络农用汽车发动机故障诊断算法。在线实验表明:系统具有运行稳定、鲁棒性好及诊断精度高的特点,能够满足实际诊断需求。     

基于特征融合技术的发动机故障诊断

为了提高发动机的故障识别率,设计了一种将B&B算法与广义辨别分析（GDA）相结合的多类特征融合方法。从发动机转子的振动信号中提取出频谱特征集和纹理特征集,用B&B算法删去2类特征集中信息量少的特征,并用GDA和支持向量机（SVM）分类器进行特征融合和分类识别。发动机的转子故障试验结果表明,该方法获得的融合特征包含有更多的类别信息,用于转子故障获得的识别率为98.21%,且不受分类器核参数的影响;而频谱特征、纹理特征输入SVM分类器后获得的故障识别率仅为92.86%和89.29%。该研究为发动机的故障诊断提     

农用汽车发动机状态监测系统与诊断方法研究

通过多种信号收集、分析处理系统的设计、故障诊断系统的搭建等对农用汽车发动机的运行性能及故障状态检测、信号搜集与处理算法的研究等进行了详细的阐述,并且提出了一种依托于信息融合的BP神经网络农用汽车发动机故障诊断方法。经过大量的实验论证,该系统拥有运行稳定、诊断准确等优点,可以满足当前的诊断需求。     

基于模糊神经网络的共轨柴油车智能诊断研究

以共轨柴油车定性特征参数与定量特征参数为输入变量,构建了5层架构的模糊神经网络智能诊断模型,提出了基于置信度 D-S理论二级融合的故障诊断模式,给出了网络的学习过程以及训练方式。通过仿真推理表明,该智能诊断系统以特征信号为融合的故障诊断模式更能准确定位故障,表明该系统研究的可行性。     

灰色关联分析法在汽车零部件故障分析中的应用

介绍了灰色关联分析的有关理论,并采用该方法在汽车零部件的故障诊断中研究系统的故障特征与内部特征之间的相关性,确定实际模式归属于某个标准模式,并对故障树诊断进行综合分析。实例诊断表明,这种方法是有效可行的,并且诊断结果可靠。