CN109165632A - 一种基于改进d-s证据理论的设备故障诊断方法 - Google Patents
一种基于改进d-s证据理论的设备故障诊断方法 Download PDFInfo
- Publication number
- CN109165632A CN109165632A CN201811102392.7A CN201811102392A CN109165632A CN 109165632 A CN109165632 A CN 109165632A CN 201811102392 A CN201811102392 A CN 201811102392A CN 109165632 A CN109165632 A CN 109165632A
- Authority
- CN
- China
- Prior art keywords
- evidence
- characteristic parameter
- neural network
- improving
- diagnosis method
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/08—Feature extraction
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Computational Linguistics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Signal Processing (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
Abstract
本发明涉及一种基于改进D‑S证据理论的设备故障诊断方法,包括:步骤S1:获取设备运行过程中釆集的振动信号,并提取的时域分析特征参量和时频分析特征参量;步骤S2:基于预构建的RBF、BP和Elman神经网络模型,将提取的时域分析特征参量和时频分析特征参量作为三个神经网络模型的输入量,进行初步诊断;步骤S3:将三个神经网络模型的输出结果进行融合;步骤S4:根据融合后的结果诊断故障。与现有技术相比,本发明计算权重修正证据源,在保留原组合规则优点基础上对组合规则进行改进的算法,通过相关数据和信息,充分利用计算机的高速运算和多源信息的互补性来提高信息的质量。
Description
技术领域
本发明涉及一种故障诊断方法,尤其是涉及一种基于改进D-S证据理论的设备故障诊断方法。
背景技术
在设备运行过程中,其振动信号中包含着***丰富的运行信息,因此振动信号常被作为设备故障监测和诊断的主要依据。由于一些设备结构复杂,其振动信号的采集需要多个传感器采集,信息量大,再加上各个传感器不同,测点不同,因此会导致诊断结果的不稳定性。要实现对设备故障的准确判断,需要利用信息融合处理不同信息源传递过来的数据,按照一定规则组合这些数据,然后做出全面、高效、准确合理的判断,增强整个故障诊断***的可靠性。
相比于其他不确定推理方法,D-S证据理论不仅可以处理因模糊性和随机性产生的不确定性,还可以把主客观因素都考虑进去,将其应用于设备的故障诊断可以减少因运行环境等不确定因素造成的误判情况的发生。然而,经典D-S证据理论只在证据冲突较小的时候效果好,当证据间存在高度冲突时,其合成结果常会产生与直觉相悖的结果,出现一票否决的现象,缺乏鲁棒性。针对这些问题,许多国内外学者提出了一些改进方法,主要包括修改组合规则和修正证据源两个方面。在修改组合规则方面,大多数的改进方法(《李弼程,王波,魏俊,钱曾波,黄玉琪.一种有效的证据理论合成公式[J].数据采集与处理,2002,(01):33-36.》、《孙全,叶秀清,顾伟康.一种新的基于证据理论的合成公式[J].电子学报,2000,(08):117-119.》、《邓勇,施文康.一种改进的证据推理组合规则[J].上海交通大学学报,2003,(08):1275-1278.》)都在Yager公式基础上进行改进,提出新合成公式,但是由于去掉了原公式里的归一化因子,将绝大部分的支持率赋给了不确定项,提高了决策难度,仍会出现“一票否决”的情况。在修正证据源方面,一些改进方法(《杜峰,施文康,邓勇.证据特征提取及其在证据理论改进中的应用[J].上海交通大学学报,2004,(S1):164-168.》、《高锦秋,刘景林.DS证据理论的改进及在航空交流发电机故障诊断中的应用[J/OL].微特电机,2016,44(06):37-40.》、《费翔,周健.一种处理冲突证据的D-S证据权重计算方法[J].计算机工程,2016,42(02):142-145.》)利用证据间的相似度、冲突度或矛盾系数等来确定修改证据源不同的权重因子,对证据进行贴近度处理,这些方法都有一定的改进效果,但是没有利用好证据间的关联性,权重的确定存在一定的主观性。
发明内容
本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种基于改进D-S证据理论的设备故障诊断方法。
本发明的目的可以通过以下技术方案来实现:
一种基于改进D-S证据理论的设备故障诊断方法,包括:
步骤S1:获取设备运行过程中釆集的振动信号,并提取的时域分析特征参量和时频分析特征参量;
步骤S2:基于预构建的RBF、BP和Elman神经网络模型,将提取的时域分析特征参量和时频分析特征参量作为三个神经网络模型的输入量,进行初步诊断;
步骤S3:将三个神经网络模型的输出结果进行融合;
步骤S4:根据融合后的结果诊断故障。
所述时域分析特征参量包括:高频波顶因数、波顶因数、峭度、高频峰值、峰值、加速度有效值包络线、加速度有效值、高频有效值、速度有效值和偏斜度;
所述时频分析特征参量包括:速度有效值包络线和ISO10816。
所述步骤S2具体包括:
步骤S21:将时域分析特征参量作为RBF神经网络模型的输入,得到第一初步诊断结果;
步骤S22:将速度有效值包络线通过三层小波包分解得到8个频段信号并作为BP神经网络模型的输入,得到第二初步诊断结果;
步骤S23:将ISO10816通过三层小波包分解得到8个频段信号并作为Elman神经网络模型的输入,得到第三初步诊断结果。
所述步骤S22和步骤S23中的频段信号均通过归一化处理后作为神经网络模型的输入。
所述步骤S3具体包括:
步骤S31:对第一初步诊断结果、第二初步诊断结果和第三初步诊断结果进行归一化处理后作为原证据体;
步骤S32:计算三个原证据体之间的Jousselme距离和距离相似度;
步骤S33:基于得到的Jousselme距离和相似度,对原证据体进行融合得到新证据体。
所述步骤S33中得到的新证据体为:
其中:m(A)为新证据体,A为所有可能的故障种类的集合,k为新证据体的冲突系数,dsi为新证据相似度占新证据和原证据证据相似度之和的比重,f(A)为保留的一组原证据体,M1(Ai)为第一个原证据体中发生第i种故障类型的概率,M2(Aj)为第二个原证据体中发生第j种故障类型的概率,M3(Al)为第三个原证据体中发生第l种故障类型的概率。
所述新证据体的冲突系数具体为:
所述步骤S4具体包括:
步骤S41:提取所有故障类型中概率最大的一个,并判断其是否超过设定阈值,若为是,则执行步骤S42;
步骤S42:判断该故障的概率是否超过相比其他故障类型的概率是否超过设定差值,若为是,则执行步骤S43;
步骤S43:输出概率最大的故障类型作为诊断结果。
所述设定差值为0.2。
所述设定阈值为0.5。
与现有技术相比,本发明具有以下有益效果:
1)计算权重修正证据源,在保留原组合规则优点基础上对组合规则进行改进的算法,通过相关数据和信息,充分利用计算机的高速运算和多源信息的互补性来提高信息的质量。
2)本发明的算法能够充分利用各个信息,避免了传统D-S证据理论悖论现象的出现,对提高设备诊断结果的精确性和可靠性有重要作用。
附图说明
图1为本发明的结构示意图。
具体实施方式
下面结合附图和具体实施例对本发明进行详细说明。本实施例以本发明技术方案为前提进行实施,给出了详细的实施方式和具体的操作过程,但本发明的保护范围不限于下述的实施例。
一种基于改进D-S证据理论的设备故障诊断方法,如图1所示,包括:
步骤S1:获取设备运行过程中釆集的振动信号,并提取的时域分析特征参量和时频分析特征参量,其中,时域分析特征参量包括:高频波顶因数、波顶因数、峭度、高频峰值、峰值、加速度有效值包络线、加速度有效值、高频有效值、速度有效值和偏斜度;时频分析特征参量包括:速度有效值包络线和ISO10816,其中,ISO10816振动监测评估标准。
在设备运行过程中釆集振动信号时,由于运转设备存在多个振动源,而且振动信号在传输过程中会受到传输通道特性的影响,所以采集到的时域信号会呈现出杂乱无章的特点。此外,在釆集设备运行过程中的振动信号时,通常会包含很多的噪声,因此振动信号的频域内容就包含很多复杂的频率成分。为了能够有效利用采集到的时域信号,识别出与设备故障相关的频率及其特征,本发明采用基于时域和是时频域相结合的提取方法对故障信号进行特征提取。本发明用到的时域分析的特征参量为:高频波顶因数、波顶因数、峭度、高频峰值、峰值、加速度有效值包络线、加速度有效值、高频有效值、速度有效值、偏斜度;本发明用到的时频分析特征参量为:速度有效值包络线,ISO10816。
步骤S2:基于预构建的RBF、BP和Elman神经网络模型,将提取的时域分析特征参量和时频分析特征参量作为三个神经网络模型的输入量,进行初步诊断,具体包括:
步骤S21:将时域分析特征参量作为RBF神经网络模型的输入,得到第一初步诊断结果;
步骤S22:将速度有效值包络线通过三层小波包分解得到8个频段信号并作为BP神经网络模型的输入,得到第二初步诊断结果;
步骤S23:将ISO10816通过三层小波包分解得到8个频段信号并作为Elman神经网络模型的输入,得到第三初步诊断结果。
本发明采用三种神经网络对设备振动特征进行初步诊断。这里将分别采用时域特征和时频特征对设备振动故障进行诊断。由于RBF神经网络诊断稳定,且精确度高,本发明采用此神经网络作为时域特征诊断网络。本发明对速度包络线有效值和ISO10816两种振动特征采用小波包分解的时频分析方法得到信号的时频特征,再分别采用BP和Elman神经网络分别对这两种信号的时频特征进行初步诊断。
以上三种神经网络的网络结构建立完毕后,利用该三种不同的网络对设备振动故障进行故障初步诊断。将设备振动故障特征向量的训练样本通过训练得到合适的RBF、BP和Elman神经网络模型,之后将测试样本分别经三种神经网络进行故障诊断。
步骤S3:将三个神经网络模型的输出结果进行融合;
由于BP神经网络和RBF、Elman神经网络在对设备进行故障诊断时会出现结果不一致现象,因此本发明利用改进D-S证据理论将对这三种网络进行融合诊断,使之最终得到一个确定的结果。首先构建证据体,利用神经网络初步诊断的结果经归一化处理得到基本概率分配函数,在确定设备故障的基本概率分配函数后,根据以下步骤进行新证据构造和融合。其融合过程如下:
a.计算证据体之间的Jousselme距离和距离相似度。
其中,Jousselme距离由Jousselem等人定义,具体为:
其中,D表示2n×2n矩阵;n表示辨识框架的元素个数。D中的元素D定义为:D(B,C)=|B∩C|/|B∪C|。
b.计算新证据体矩阵:
将计算出来的证据距离构成相似度矩阵,表示所有证据之间的相似度,反映了证据的冲突度,以矩阵形式作为修正对应焦元的权重系数,可以更全面的利用证据间的关联度,使新证据更加稳定可靠。得到的新证据体矩阵里的每一个元素经过归一化后得到每个新的证据焦元。
c.计算新证据体与原证据体之间的平方根距离:
用平方根距离可以简单直观地表示出新证据修正的变化及新老证据之间的偏差。由于将原来的证据进行修正后,会将证据平均化,原生证据无论有多大冲突,多组证据中必定有一组是正确的,如果保留原有的一组正确的证据,会进一步提高融合效果。本发明基于这个思想,根据修正后的证据与原生证据之间平方根距离选择一组原生优秀证据,距离越小,说明此证据越合理,保留最合理的证据给f(A)。
d.改进组合规则。新组合规则表示为:
其中,f(A)表示保留的一组优秀原生证据,为新证据体的冲突系数,dsi表示新证据的权重系数,新证据相似度占新证据和原证据证据相似度之和的比重:
其中,DS(a,b)表示证据a与证据b之间的距离相似度。
步骤S4:根据融合后的结果诊断故障。
步骤S22和步骤S23中的频段信号均通过归一化处理后作为神经网络模型的输入。
步骤S4具体包括:
步骤S41:提取所有故障类型中概率最大的一个,并判断其是否超过设定阈值,若为是,优选的,设定阈值为0.5,则执行步骤S42;
步骤S42:判断该故障的概率是否超过相比其他故障类型的概率是否超过设定差值,优选的,设定差值为0.2,若为是,则执行步骤S43;
步骤S43:输出概率最大的故障类型作为诊断结果。
下面结合具体应用对本申请进行说明,
1.信号特征提取过程
通过振动测试分析***采集到的部分数据如表1所示。
表1采集的振动特征数据
前十种特征参量将直接用于时域分析,后两种特征参量(速度有效值包络线,ISO10816)分别采用小波包分解用于时频分析,用其分解信号的均方根值表示信号能量的大小。本文选用“db1”小波作为基函数,并进行三层小波包分解。对设备采集到的每组振动信号进行小波包分解后可以得到8个频段信号,其频带分别为:(0~93.75Hz)、(93.75~187.5Hz)、(187.5~281.25Hz)、(281.25~375Hz)、(375~468.75Hz)、(468.75~562.5Hz)、(562.5~656.25Hz)、(656.25~750Hz)。如表2,表3分别为速度有效值包络线和ISO10816两种振动信号的能量特征向量,其中,故障1表示轴承损坏,故障2表示机械不平衡,故障3表示周期性冲击。
表2速度有效值包络线信号能量特征向量
工况状态 | E1 | E2 | E3 | E4 | E5 | E6 | E7 | E8 |
故障1 | 2.1104 | -0.0036 | 0.0261 | -0.1019 | -0.0001 | 0.0099 | -0.0099 | 0.0001 |
故障2 | 3.0906 | -0.1044 | -0.1384 | -0.0444 | 0.0629 | 0.0114 | -0.0556 | -0.0041 |
故障3 | 2.2299 | -0.1159 | -0.0524 | -0.0056 | -0.0269 | -0.0311 | 0.0003 | 0.0206 |
表3 ISO10816信号能量特征向量
2.设备初步诊断部分
在本申请的RBF网络模型中,其输入层的10个输入量分别对应10个时域特征参量归一化后的特征向量;在BP神经网络模型中,输入层的8个输入量分别对应速度包络线有效值经小波变换后归一化后的特征向量;在Elman反馈型神经网络中,其输入层的8个输入量分别对应ISO10816经小波变换后归一化后的特征向量。三种神经网络的网络结构建立完毕后,利用该三种不同的网络对设备振动故障进行故障初步诊断。其中,故障类型1用(1,0,0)表示轴承损坏,故障类型2用(0,1,0)表示机械不平衡,故障类型3用(0,0,1)表示周期性冲击。上述表1中数据1的诊断结果如表4所示。
表4神经网络诊断结果
3.基于改进D-S证据理论的信息融合
先构建证据体,假设设备的故障状态识别框架包括故障一(A1)、故障二(A2)、故障三(A3),上小节的神经网络结果经归一化处理,得到基本概率分配函数m1、m2和m3,如表5所示。
表5故障三状态下的证据体
m<sub>k</sub>(A<sub>i</sub>) | A<sub>1</sub> | A<sub>2</sub> | A<sub>3</sub> |
m<sub>1</sub> | 0.0483 | 0.8830 | 0.0687 |
m<sub>2</sub> | 0.1470 | 0.1275 | 0.7255 |
m<sub>3</sub> | 0.1363 | 0.1650 | 0.6988 |
其中Ai(i=1,2,3)分别代表设备的故障类型一、二、三;代表经BP神经网络诊断的结果,代表Elman诊断结果,代表RBF网络诊断的结果;故障类型1用(1,0,0)表示,故障类型2用(0,1,0)表示,故障类型3用(0,0,1)表示。
将本文改进算法和传统D-S证据理论算法作了诊断效果比较,如表6所示。
表6本文改进算法的融合结果对比
m<sub>123</sub>(A<sub>1</sub>) | m<sub>123</sub>(A<sub>2</sub>) | m<sub>123</sub>(A<sub>3</sub>) | m<sub>123</sub>(U) | |
D-S证据理论 | 0.0178 | 0.3417 | 0.6405 | 0.0000 |
本文改进方法 | 0.0728 | 0.1621 | 0.7651 | 0.0000 |
采用本文提出的改进算法,虽然证据一高度支持目标A2,但是后面两条证据均支持目标A3,从最终融合结果来看比较合理,符合实际情况,诊断效果比传统方法提高了很多。
4.设备故障的决策诊断
从表6的融合结果来看,传统证据理论融合和本文改进方法的结果的输出值最大分别为0.6405,0.7651,都高度支持目标A3,满足决策规则的三个条件,因此,诊断出设备的故障状态为故障三。
本发明针对传统D-S证据理论对设备进行振动故障诊断时会出现一些悖论问题,提出了D-S理论改进算法。首先从时域、频域方面对振动信号进行特征提取,在频域中用到的小波包分解的方法使信号有效避免了频率混叠,便于频率特征向量的提取。然后通过RBF、BP和Elman神经网络对设备振动特征信号进行初步诊断,利用初步诊断结果构造基本概率函数。之后利用相似度矩阵确定基本概率分配函数的权重系数,构造新证据体。考虑到新证据体可能会偏保守,丢失了原证据的优点,本发明又根据新证据与原证据的证据间相似度确定新证据与原证据的权重分配,使得新证据源与原证据以不同的权重一起通过改进的融合规则进行融合。
新的改进方法既保留了传统证据理论的优点,又解决了冲突问题,有广泛的适用范围。通过实验表明此方法不仅正确诊断出设备运行***的全部故障,而且诊断的精确度高于传统D-S和其他改进D-S理论的诊断方法,实现了对设备振动故障的精确诊断。
Claims (10)
1.一种基于改进D-S证据理论的设备故障诊断方法,其特征在于,包括:
步骤S1:获取设备运行过程中釆集的振动信号,并提取的时域分析特征参量和时频分析特征参量;
步骤S2:基于预构建的RBF、BP和Elman神经网络模型,将提取的时域分析特征参量和时频分析特征参量作为三个神经网络模型的输入量,进行初步诊断;
步骤S3:将三个神经网络模型的输出结果进行融合;
步骤S4:根据融合后的结果诊断故障。
2.根据权利要求1所述的一种基于改进D-S证据理论的设备故障诊断方法,其特征在于,
所述时域分析特征参量包括:高频波顶因数、波顶因数、峭度、高频峰值、峰值、加速度有效值包络线、加速度有效值、高频有效值、速度有效值和偏斜度;
所述时频分析特征参量包括:速度有效值包络线和ISO10816。
3.根据权利要求2所述的一种基于改进D-S证据理论的设备故障诊断方法,其特征在于,所述步骤S2具体包括:
步骤S21:将时域分析特征参量作为RBF神经网络模型的输入,得到第一初步诊断结果;
步骤S22:将速度有效值包络线通过三层小波包分解得到8个频段信号并作为BP神经网络模型的输入,得到第二初步诊断结果;
步骤S23:将ISO10816通过三层小波包分解得到8个频段信号并作为Elman神经网络模型的输入,得到第三初步诊断结果。
4.根据权利要求3所述的一种基于改进D-S证据理论的设备故障诊断方法,其特征在于,所述步骤S22和步骤S23中的频段信号均通过归一化处理后作为神经网络模型的输入。
5.根据权利要求3所述的一种基于改进D-S证据理论的设备故障诊断方法,其特征在于,所述步骤S3具体包括:
步骤S31:对第一初步诊断结果、第二初步诊断结果和第三初步诊断结果进行归一化处理后作为原证据体;
步骤S32:计算三个原证据体之间的Jousselme距离和距离相似度;
步骤S33:基于得到的Jousselme距离和相似度,对原证据体进行融合得到新证据体。
6.根据权利要求5所述的一种基于改进D-S证据理论的设备故障诊断方法,其特征在于,所述步骤S33中得到的新证据体为:
其中:m(A)为新证据体,A为所有可能的故障种类的集合,k为新证据体的冲突系数,dsi为新证据相似度占新证据和原证据相似度之和的比重,f(A)为保留的一组原证据体,M1(Ai)为第一个原证据体中发生第i种故障类型的概率,M2(Aj)为第二个原证据体中发生第j种故障类型的概率,M3(Al)为第三个原证据体中发生第l种故障类型的概率。
7.根据权利要求6所述的一种基于改进D-S证据理论的设备故障诊断方法,其特征在于,所述新证据体的冲突系数具体为:
8.根据权利要求6所述的一种基于改进D-S证据理论的设备故障诊断方法,其特征在于,所述步骤S4具体包括:
步骤S41:提取所有故障类型中概率最大的一个,并判断其是否超过设定阈值,若为是,则执行步骤S42;
步骤S42:判断该故障的概率是否超过相比其他故障类型的概率是否超过设定差值,若为是,则执行步骤S43;
步骤S43:输出概率最大的故障类型作为诊断结果。
9.根据权利要求8所述的一种基于改进D-S证据理论的设备故障诊断方法,其特征在于,所述设定差值为0.2。
10.根据权利要求8所述的一种基于改进D-S证据理论的设备故障诊断方法,其特征在于,所述设定阈值为0.5。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811102392.7A CN109165632A (zh) | 2018-09-20 | 2018-09-20 | 一种基于改进d-s证据理论的设备故障诊断方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811102392.7A CN109165632A (zh) | 2018-09-20 | 2018-09-20 | 一种基于改进d-s证据理论的设备故障诊断方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109165632A true CN109165632A (zh) | 2019-01-08 |
Family
ID=64879942
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811102392.7A Pending CN109165632A (zh) | 2018-09-20 | 2018-09-20 | 一种基于改进d-s证据理论的设备故障诊断方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109165632A (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111007799A (zh) * | 2019-12-18 | 2020-04-14 | 宁波财经学院 | 一种基于神经网络的数控装备远程诊断*** |
CN112580425A (zh) * | 2020-10-13 | 2021-03-30 | 浙江工业大学 | 一种基于神经网络和d-s证据理论的水泵故障分类方法 |
CN112621381A (zh) * | 2020-12-25 | 2021-04-09 | 上海交通大学 | 机床进给***健康状态智能评估方法及装置 |
CN112748717A (zh) * | 2020-12-08 | 2021-05-04 | 华北电力大学(保定) | 一种基于证据融合的执行器故障诊断方法 |
CN113326611A (zh) * | 2021-05-24 | 2021-08-31 | 岭南师范学院 | 基于调和贴近度和ds证据理论相结合的故障诊断决策融合方法 |
CN117076870A (zh) * | 2023-10-16 | 2023-11-17 | 广东石油化工学院 | 旋转机械故障诊断方法、装置、设备及存储介质 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107368854A (zh) * | 2017-07-20 | 2017-11-21 | 华北电力大学(保定) | 一种基于改进证据理论的断路器故障诊断方法 |
CN108196143A (zh) * | 2017-12-11 | 2018-06-22 | 囯网河北省电力有限公司电力科学研究院 | 电力变压器故障深度诊断方法及终端设备 |
CN108398939A (zh) * | 2018-03-01 | 2018-08-14 | 西北工业大学 | 一种基于ds证据理论的故障诊断方法 |
-
2018
- 2018-09-20 CN CN201811102392.7A patent/CN109165632A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107368854A (zh) * | 2017-07-20 | 2017-11-21 | 华北电力大学(保定) | 一种基于改进证据理论的断路器故障诊断方法 |
CN108196143A (zh) * | 2017-12-11 | 2018-06-22 | 囯网河北省电力有限公司电力科学研究院 | 电力变压器故障深度诊断方法及终端设备 |
CN108398939A (zh) * | 2018-03-01 | 2018-08-14 | 西北工业大学 | 一种基于ds证据理论的故障诊断方法 |
Non-Patent Citations (1)
Title |
---|
夏飞 等: "改进D-S证据理论在振动故障诊断中的应用", 《电子测量与仪器学报》 * |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111007799A (zh) * | 2019-12-18 | 2020-04-14 | 宁波财经学院 | 一种基于神经网络的数控装备远程诊断*** |
CN111007799B (zh) * | 2019-12-18 | 2021-04-27 | 宁波财经学院 | 一种基于神经网络的数控装备远程诊断*** |
CN112580425A (zh) * | 2020-10-13 | 2021-03-30 | 浙江工业大学 | 一种基于神经网络和d-s证据理论的水泵故障分类方法 |
CN112748717A (zh) * | 2020-12-08 | 2021-05-04 | 华北电力大学(保定) | 一种基于证据融合的执行器故障诊断方法 |
CN112621381A (zh) * | 2020-12-25 | 2021-04-09 | 上海交通大学 | 机床进给***健康状态智能评估方法及装置 |
CN113326611A (zh) * | 2021-05-24 | 2021-08-31 | 岭南师范学院 | 基于调和贴近度和ds证据理论相结合的故障诊断决策融合方法 |
CN113326611B (zh) * | 2021-05-24 | 2022-12-20 | 岭南师范学院 | 基于调和贴近度和ds证据理论相结合的故障诊断决策融合方法 |
CN117076870A (zh) * | 2023-10-16 | 2023-11-17 | 广东石油化工学院 | 旋转机械故障诊断方法、装置、设备及存储介质 |
CN117076870B (zh) * | 2023-10-16 | 2024-01-12 | 广东石油化工学院 | 旋转机械故障诊断方法、装置、设备及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109165632A (zh) | 一种基于改进d-s证据理论的设备故障诊断方法 | |
CN103776654B (zh) | 多传感器信息融合的故障诊断方法 | |
CN107144430B (zh) | 一种基于增量学习的轴承故障诊断方法 | |
CN102520697B (zh) | 一种远程协同诊断的现场信息预处理方法 | |
CN104794059B (zh) | 一种基于函数调用记录的缺陷定位方法及装置 | |
CN106092578A (zh) | 一种基于小波包和支持向量机的机床主轴轴承装配状态在线检测方法 | |
CN109856515A (zh) | 一种直流电缆绝缘状态判断方法及*** | |
CN106124175A (zh) | 一种基于贝叶斯网络的压缩机气阀故障诊断方法 | |
CN106198000A (zh) | 一种采煤机摇臂齿轮故障诊断方法 | |
CN110376522A (zh) | 一种数据融合的深度学习网络的电机故障诊断方法 | |
CN110245650B (zh) | 振动智能检测方法及相关产品 | |
CN109060398A (zh) | 一种多源信息设备故障诊断方法 | |
Di et al. | Ensemble deep transfer learning driven by multisensor signals for the fault diagnosis of bevel-gear cross-operation conditions | |
CN102829967A (zh) | 一种基于回归模型系数变化的时域故障识别方法 | |
CN101916241A (zh) | 一种基于时频分布图的时变结构模态频率辨识方法 | |
CN105678343A (zh) | 基于自适应加权组稀疏表达的水电机组噪声异常诊断方法 | |
CN109389325B (zh) | 基于小波神经网络的变电站电子式互感器状态评估方法 | |
CN102222040A (zh) | 基于多属性熵权合成的软件可信等级评估方法 | |
CN104899608B (zh) | 滚动轴承剩余寿命预测的加权融合相关向量机模型 | |
CN111478904A (zh) | 一种基于概念漂移的物联网设备通信异常检测方法及装置 | |
Shang et al. | Fault diagnosis method of rolling bearing based on deep belief network | |
CN108896308A (zh) | 一种基于概率包络的轮对轴承故障诊断方法 | |
CN105930900A (zh) | 一种混合风力发电的预测方法及*** | |
CN105406461A (zh) | 一种配电网停电事件的负荷自适应动态监测方法 | |
CN109726770A (zh) | 一种模拟电路故障测试诊断方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190108 |
|
RJ01 | Rejection of invention patent application after publication |