CN113533962A - 基于多物理信号传感器决策融合的感应电机健康诊断*** - Google Patents

基于多物理信号传感器决策融合的感应电机健康诊断*** Download PDF

Info

Publication number
CN113533962A
CN113533962A CN202110861756.5A CN202110861756A CN113533962A CN 113533962 A CN113533962 A CN 113533962A CN 202110861756 A CN202110861756 A CN 202110861756A CN 113533962 A CN113533962 A CN 113533962A
Authority
CN
China
Prior art keywords
sensor
signal
module
analog signals
fault diagnosis
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.)
Granted
Application number
CN202110861756.5A
Other languages
English (en)
Other versions
CN113533962B (zh
Inventor
刘成良
陶智宇
肖登宇
夏鹏程
黄亦翔
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shanghai Jiaotong University
Original Assignee
Shanghai Jiaotong University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Shanghai Jiaotong University filed Critical Shanghai Jiaotong University
Priority to CN202110861756.5A priority Critical patent/CN113533962B/zh
Publication of CN113533962A publication Critical patent/CN113533962A/zh
Application granted granted Critical
Publication of CN113533962B publication Critical patent/CN113533962B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
    • G01R31/34—Testing dynamo-electric machines
    • G01R31/343—Testing dynamo-electric machines in operation
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01D—MEASURING NOT SPECIALLY ADAPTED FOR A SPECIFIC VARIABLE; ARRANGEMENTS FOR MEASURING TWO OR MORE VARIABLES NOT COVERED IN A SINGLE OTHER SUBCLASS; TARIFF METERING APPARATUS; MEASURING OR TESTING NOT OTHERWISE PROVIDED FOR
    • G01D21/00—Measuring or testing not otherwise provided for
    • G01D21/02—Measuring two or more variables by means not covered by a single other subclass
    • 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
    • G06N3/045—Combinations of 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

Landscapes

  • Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Molecular Biology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)

Abstract

一种基于多物理信号传感器决策融合的感应电机健康故障诊断***，包括：传感器模块、数据采集模块、故障诊断模块和决策融合模块，数据采集模块通过传感器模块采集感应电机的定子电流模拟信号、振动模拟信号、磁漏模拟信号和声音模拟信号，经模数处理后输出至故障诊断模块，故障诊断模块对数字信号进行数据预处理后使用平行的去噪神经网络分别从定子电流、振动、磁漏和声音角度进行故障诊断得到对应的健康状态类别概率分布，决策融合模块根据记忆化可信度和健康状态类别概率分布，基于D‑S证据理论和记忆化可信度的决策算法计算出最终诊断结果。本发明采用平行的去噪神经网络对各个物理信号分别进行故障诊断，得到电机所有健康状态的各个概率，通过基于记忆化可信度的决策融合得到最终的诊断结果。

Description

基于多物理信号传感器决策融合的感应电机健康诊断***
技术领域
本发明涉及的是一种感应电机设备检测领域的技术，具体是一种基于多物理信号传感器 的决策融合的感应电机健康诊断***。
背景技术
感应电机应用十分广泛，是现代工业的重要组成部分。对感应电机进行故障诊断关乎工 业生产的效率和稳定。因此对于感应电机的故障诊断，一直是工业界关注的重点。但是目前的 故障诊断基本上都是采用单一传感器或是单一类型的多传感器。相比于采用多物理信号传感器 的故障诊断，损失大量可用的电机运行信息，降低诊断精度和鲁棒性。
另外其他的故障诊断***也基本上不会考虑在部分传感器失效或是传感器受到噪声干 扰的情况下如何保持诊断的精确性。然而在实际的生产活动中，传感器和生产设备一样有失效 或是在不理想的工况下工作的可能性。那些没有考虑到这一普遍现象的诊断***很容易会因为 传感器的原因而诊断出错。因此通过使用平行去噪神经网络和基于记忆化可信度的决策融合来 进行故障诊断可以很好地解决此问题。
发明内容
本发明针对现有技术存在的上述不足，提出一种基于多物理信号传感器决策融合的感应 电机健康故障诊断***，采用平行的去噪神经网络对各个物理信号分别进行故障诊断，得到电 机所有健康状态的各个概率，通过基于记忆化可信度的决策融合得到最终的诊断结果。
本发明是通过以下技术方案实现的：
本发明涉及一种基于多物理信号传感器决策融合的感应电机健康故障诊断***，包括： 传感器模块、数据采集模块、故障诊断模块和决策融合模块，其中：数据采集模块通过传感器 模块采集感应电机的定子电流模拟信号、振动模拟信号、磁漏模拟信号和声音模拟信号，经模 数处理后输出至故障诊断模块，故障诊断模块对数字信号进行数据预处理后使用平行的去噪神 经网络分别从定子电流、振动、磁漏和声音角度进行故障诊断得到对应的健康状态类别概率分 布，决策融合模块根据记忆化可信度和健康状态类别概率分布，基于Dempster-Shafer(D-S)证 据理论和记忆化可信度的决策算法计算出最终诊断结果。
所述的传感器模块包括：电流传感器、振动加速度传感器、漏磁通线圈传感器和声音采 集传感器，其中：电流传感器串联设置于电机的供电电路中，用于采集电机工作时的三相定子 电，三通道加速度传感器设置于感应电机的前端盖上，用于采集电机的x，y,z方向上的振动的信 号，两个磁漏线圈传感器分别放置于电机壳体的轴向和径向，用于采集电机的轴向磁漏和径向 磁漏，声音采集传感器放置于电机外部，用于采集电机的运行声音。
所述的故障诊断模块包括：数据预处理单元和平行去噪神经网络单元，其中：数据预处 理单元对采集的定子电流数字信号、振动数字信号、磁漏数字信号和声音数字信号中进行异常 值剔除和标准化处理，最后将相同物理类型的传感器信号，例如多个振动数字信号，合并成一 个多通道传感器信号；平行去噪神经网络单元通过四个结构相同的子去噪神经网络分别根据定 子电流数字信号、振动数字信号、磁漏数字信号和声音数字信号得到对应每个信号的故障类别 概率分布。
所述的子去噪神经网络包括一维卷积神经网络和残差神经网络，该子去噪神经网络的训 练样本中随机添加噪声，使得训练后的各个子网络获得再噪声干扰下依旧可以进行故障诊断的 能力。
所述的神经网络中进一步设有自适应池化层，根据输入的维度，通过输入维度和目标维 度调整池化参数，以适应不同的采样频率下的时序物理信号，从而保证不同的输入维度都得到 相同的输出的维度。
所述的基于Dempster-Shafer(D-S)证据理论和记忆化可信度的决策算法是指：
①计算非冲突信息和冲突信息
Figure BDA0003186011300000021
其中：M(F) 是非冲突信息量，M(X)是冲突信息量表征各个证据冲突的部分，集合Θ＝{F1，F2，...Fn}为电机的 故障诊断中所有的健康状态，各个证据的基本概率分布满足
Figure BDA0003186011300000022
其 中：M(F)表征各个证据不冲突的部分，M(X)表征各个证据冲突的部分。
②通过计算欧拉距离来定义证据之间的相似性，获得相似性矩阵
Figure BDA0003186011300000023
Figure BDA0003186011300000024
通过相似性矩阵得到各个证据的当前可信度
Figure BDA0003186011300000025
其中：相似性矩阵sim(mi，mj)的值的范围是0～1，越高代表两个证据mi和mj之间的相似程度越高。可信 度值credi的范围是0～1，值越高代表证据mi的可靠性越高。
③再根据记忆化可信度
Figure BDA0003186011300000026
获得最终的类别概率分布
Figure BDA0003186011300000027
Figure BDA0003186011300000028
其中：mt(F)为健康状态F的概率，概率最高的类别，即最终诊断 结果，t为第t次诊断。
Figure BDA0003186011300000029
则是根据历史可信度得到的记忆化可信度。
所述的最终诊断结果进一步用于更新数据采集模块采集到的各个物理信号的记忆化可 信度，使得***在部分传感器失效或传感器受到噪声干扰的情况下具有优越的诊断精准度和鲁 棒性，具体为：通过不断记忆最新的各个证据的可信度同时慢慢遗忘过去的证据的可信度从而 达到不断更新的目的，即
Figure BDA0003186011300000031
其中：r为保留多少过去的记忆化 可信度的预设参数，c为记住多少当前的可信度的预设参数。
优选地，r和c分别设置为0.99和0.1。
所述的部分传感器失效，具体是指传感器损坏完全无法工作或是传感器损坏虽然还能工 作但是得到的信号都是明显的异常值，通过简单的数据预处理就可以排除在外。当遇到这个情 况时，诊断***会自动将该失效传感器的信号变成幅值为0的时序信号，然后和正常的信号不 加区分地一并处理。
所述的噪声干扰，具体是指：采集的信号中混有大量的噪声，导致信噪比过低。
技术效果
本发明整体解决现有技术无法在多传感器中存在某些传感器信号不可靠的情况下对感 应电机进行健康评估的不足。本发明采用定子电流，振动，磁漏和声音四种不同传感器，进行 测量和诊断，充分合理地利用不同的信号对于不同故障的敏感性，提高诊断的精度；本发明还 利用数据增广的方式训练对应的四个去噪的子神经网络用于提供每个物理信号的诊断的类别 概率分布；同时现有的决策融合常常不考虑时间依赖的修正，而本发明在决策融合中添加时间 依赖的记忆化可信度用于在线更新学习各个物理信号的先验可信度，在证据理论体系中引入时 序依赖的概念，单次诊断的结果不在仅仅依靠当前的样本而是另外综合诊断的历史计算结果， 综合考虑先前的可信度，通过不断的衰退记忆和添加记忆从而更加精准的各个信号的可信度， 更加适应实际生产中经常会出现的某些传感器固定失效或被干扰的情况。通过在线更新方式， 依据遗忘和记忆的基本原则，简单有效，所需的计算量极低，在部分传感器失效或是受到噪声 干扰时具有突出的优势，依旧能够保持非常高的诊断精度。
附图说明
图1为本发明***示意图；
图2为实施案例的流程图；
图3为平行去噪神经网络的结构图；
图4为决策融合模块的流程图。
具体实施方式
如图1所示，为本实施例涉及一种基于多传感器和决策融合的感应电机健康诊断***， 包括：传感器模块、故障诊断模块和决策融合模块，其中：传感器模块设置于感应电机的固定 的位置采集数据；数据采集模块连接传感器采集感应电机的定子电流信号、振动加速度信号、 磁漏信号和声音信号，并将这些模拟信号转为数字信号传输给下一个模块；故障诊断模块首先 对各类物理信号进行数据预处理，之后平行去噪神经网络单元使用平行的子网络对各个物理信 号进行故障诊断，得到对应每个物理信号的类别概率分布。最后通过决策融合模块通过计算得 到的当前可信度以及存储的记忆化可信度得到最终的类别概率分布，选取概率最高的类别作为 诊断结果。
如图3所示，为所述的故障诊断模块中的子去噪神经网络，包括一维卷积神经网络和残 差神经网络，最后通过全连接层输出各个类别概率。
如图2所示，为本实施例涉及上述***的感应电机健康诊断方法，包括：故障诊断过程 和决策融合过程，其中：
故障诊断过程具体包括：数据预处理，对各个信号进行标准化，将明显错误的信号置零。 然后将数据预处理后的同一类型的物理信号拼接成一个多通道的信号输入到平行去噪神经网 络中。在平行去噪神经网络中每种物理信号都有已经训练完毕的对应的去噪子网络来进行故障 诊断。
如图4所示，决策融合过程具体包括：根据平行去噪神经网络输出的每个物理信号的状 态类别概率分布得到证据的基本概率分配矩阵，然后计算冲突信息量和非冲突信息量，冲突信 息量还需要再分配。计算不同证据之间的相似度矩阵，然后通过相似度矩阵得到当前可信度。 依据当前可信度、记忆化可信度和基本概率分配矩阵将冲突的信息量全部分配，得到类别概率， 选择最大概率的类别作为结果。最后更新记忆化可信度。
为验证所述***的诊断准确度和在传感器失效或是被噪声干扰下的依旧保持良好的性 能的能力，进行具体实际实验。选择由SpectraQuest公司生产的动力传动故障诊断综合试验台 作为实验对象。传感器安装流程为将3个电流传感器置于感应电机的电路中，测量电机的定子 电流，将3通道振动传感器通过磁性底座吸附于电机的前端盖附近，测量电机的X、Y、Z方向 上的振动，将2个磁漏传感器置于电机的轴向和径向用于测量电机的磁漏信号，将声音传感器 置于电机的附近用于采集电机的运行声音。所有信号都是通过CompactRIO进行采集，电流， 振动和磁漏的采样频率为5120Hz，声音的采样频率为44100Hz。CompactRIO采集到的数据集 传输给电脑，电脑通过运行上述的算法模型进行故障诊断。试验台电机以45Hz的匀速进行运 转，对健康、匝间短路、转子偏心、转子不平衡、轴承故障、转子断条和转子弯曲等七种故障 分别进行200秒的实验，对其中180秒的稳定过程作为本实施例的训练集和测试集。
在所有传感器都正常时，本***的健康状态诊断的准确率为100％。当每个传感器都有 25％的概率失效，25％的概率受到噪声干扰，50％概率正常时，健康状态诊断的准确率在信噪 比为3dB下为99.03％，信噪比为0dB下为98.61％，在信噪比为-3dB下为96.94％。
当两种类型的传感器一直工作正常，其他两种类型的传感器有25％的概率失效，25％ 的概率信噪比变为-3dB时，50％概率正常时，健康状态诊断的准确率高达99.9％以上。
表格1随机失效下的诊断准确率
Figure RE-GDA0003263131350000051
表格2固定失效下的诊断准确率
Figure RE-GDA0003263131350000052
表中F代表失效(fail)，N代表正常(normal)。
综上，本实施例基于多物理信号传感器融合的感应电机健康诊断***通过平行去噪神经 网络和决策融合的结合，在部分传感器失效输入为0或是信噪比极低的情况下，依旧能够合理 地处理错误信息，保持诊断结果的准确性和可靠性。同时在决策融合中引入记忆化可信度的概 念，帮助***在线学习各类信号的可信度，在固定部分传感器运行不良时进一步提高***的准 确度。
上述具体实施可由本领域技术人员在不背离本实施例原理和宗旨的前提下以不同的方 式对其进行局部调整，本实施例的保护范围以权利要求书为准且不由上述具体实施所限，在其 范围内的各个实现方案均受本实施例之约束。

Claims (8)

1.一种基于多物理信号传感器决策融合的感应电机健康故障诊断***，其特征在于，包括：传感器模块、数据采集模块、故障诊断模块和决策融合模块，其中：数据采集模块通过传感器模块采集感应电机的定子电流模拟信号、振动模拟信号、磁漏模拟信号和声音模拟信号，经模数处理后输出至故障诊断模块，故障诊断模块对数字信号进行数据预处理后使用平行的去噪神经网络分别从定子电流、振动、磁漏和声音角度进行故障诊断得到对应的健康状态类别概率分布，决策融合模块根据记忆化可信度和健康状态类别概率分布，基于D-S证据理论和记忆化可信度的决策算法计算出最终诊断结果；
所述的传感器模块包括：电流传感器、振动加速度传感器、漏磁通线圈传感器和声音采集传感器，其中：电流传感器串联设置于电机的供电电路中，用于采集电机工作时的三相定子电，三通道加速度传感器设置于感应电机的前端盖上，用于采集电机的x，y，z方向上的振动的信号，两个磁漏线圈传感器分别放置于电机壳体的轴向和径向，用于采集电机的轴向磁漏和径向磁漏，声音采集传感器放置于电机外部，用于采集电机的运行声音。
2.根据权利要求1所述的感应电机健康故障诊断***，其特征是，所述的故障诊断模块包括：数据预处理单元和平行去噪神经网络单元，其中：数据预处理单元对采集的定子电流数字信号、振动数字信号、磁漏数字信号和声音数字信号中进行异常值剔除和标准化处理，最后将相同物理类型的传感器信号合并成一个多通道传感器信号；平行去噪神经网络单元通过四个结构相同的子去噪神经网络分别根据定子电流数字信号、振动数字信号、磁漏数字信号和声音数字信号得到对应每个信号的故障类别概率分布。
3.根据权利要求1所述的感应电机健康故障诊断***，其特征是，所述的子去噪神经网络包括一维卷积神经网络和残差神经网络，该子去噪神经网络的训练样本中随机添加噪声，使得训练后的各个子网络获得再噪声干扰下依旧进行故障诊断的能力。
4.根据权利要求3所述的感应电机健康故障诊断***，其特征是，所述的神经网络中进一步设有自适应池化层，根据输入的维度，通过输入维度和目标维度调整池化参数，以适应不同的采样频率下的时序物理信号，从而保证不同的输入维度都得到相同的输出的维度。
5.根据权利要求1所述的感应电机健康故障诊断***，其特征是，所述的基于D-S证据理论和记忆化可信度的决策算法是指：
①计算非冲突信息和冲突信息
Figure FDA0003186011290000021
其中：M(F)是非冲突信息量，M(X)是冲突信息量表征各个证据冲突的部分，集合Θ＝{F1，F2，...Fn}为电机的故障诊断中所有的健康状态，各个证据的基本概率分布满足
Figure FDA0003186011290000022
其中：M(F)表征各个证据不冲突的部分，M(X)表征各个证据冲突的部分；
②通过计算欧拉距离来定义证据之间的相似性，获得相似性矩阵
Figure FDA0003186011290000023
Figure FDA0003186011290000024
通过相似性矩阵得到各个证据的当前可信度
Figure FDA0003186011290000025
其中：相似性矩阵sim(mi，mj)的值的范围是0～1，可信度值credi的范围是0～1；
③再根据记忆化可信度
Figure FDA00031860112900000210
获得最终的类别概率分布
Figure FDA0003186011290000026
Figure FDA0003186011290000027
其中：mt(F)为健康状态F的概率，概率最高的类别，即最终诊断结果，t为第t次诊断；
Figure FDA0003186011290000028
则是根据历史可信度得到的记忆化可信度。
6.根据权利要求1或5所述的感应电机健康故障诊断***，其特征是，所述的最终诊断结果进一步用于更新数据采集模块采集到的各个物理信号的记忆化可信度，使得***在部分传感器失效或传感器受到噪声干扰的情况下具有优越的诊断精准度和鲁棒性，具体为：通过不断记忆最新的各个证据的可信度同时慢慢遗忘过去的证据的可信度从而达到不断更新的目的，即
Figure FDA0003186011290000029
其中：r为保留多少过去的记忆化可信度的预设参数，c为记住多少当前的可信度的预设参数。
7.根据权利要求6所述的感应电机健康故障诊断***，其特征是，所述的部分传感器失效，具体是指传感器损坏完全无法工作或是传感器损坏虽然还能工作但是得到的信号都是明显的异常值，通过简单的数据预处理就排除在外；当遇到这个情况时，诊断***会自动将该失效传感器的信号变成幅值为0的时序信号，然后和正常的信号不加区分地一并处理。
8.一种根据权利要求1～7中任一所述的感应电机健康故障诊断***的感应电机健康诊断方法，其特征在于，包括：故障诊断过程和决策融合过程，其中：
故障诊断过程具体包括：数据预处理，对各个信号进行标准化，将明显错误的信号置零；然后将数据预处理后的同一类型的物理信号拼接成一个多通道的信号输入到平行去噪神经网络中；在平行去噪神经网络中每种物理信号都有已经训练完毕的对应的去噪子网络来进行故障诊断；
决策融合过程具体包括：根据平行去噪神经网络输出的每个物理信号的状态类别概率分布得到证据的基本概率分配矩阵，然后计算冲突信息量和非冲突信息量，冲突信息量还需要再分配；计算不同证据之间的相似度矩阵，然后通过相似度矩阵得到当前可信度；依据当前可信度、记忆化可信度和基本概率分配矩阵将冲突的信息量全部分配，得到类别概率，选择最大概率的类别作为结果；最后更新记忆化可信度。
CN202110861756.5A 2021-07-29 2021-07-29 基于多物理信号传感器决策融合的感应电机健康诊断*** Active CN113533962B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110861756.5A CN113533962B (zh) 2021-07-29 2021-07-29 基于多物理信号传感器决策融合的感应电机健康诊断***

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110861756.5A CN113533962B (zh) 2021-07-29 2021-07-29 基于多物理信号传感器决策融合的感应电机健康诊断***

Publications (2)

Publication Number Publication Date
CN113533962A true CN113533962A (zh) 2021-10-22
CN113533962B CN113533962B (zh) 2022-08-12

Family

ID=78121463

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110861756.5A Active CN113533962B (zh) 2021-07-29 2021-07-29 基于多物理信号传感器决策融合的感应电机健康诊断***

Country Status (1)

Country Link
CN (1) CN113533962B (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114509158A (zh) * 2022-01-04 2022-05-17 东南大学 一种声振融合的叶片裂纹故障检测方法及应用
CN114964841A (zh) * 2022-05-07 2022-08-30 中国地质大学（武汉） 基于多传感器融合的移动机器人故障检测***及方法
WO2024012199A1 (zh) * 2022-07-11 2024-01-18 浙江联宜电机有限公司 多维度数据融合电机故障预检装置、***及其预检方法

Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
FR2919407A1 (fr) * 2007-07-27 2009-01-30 Thales Sa Procede, dispositif et systeme pour la fusion d'informations provenant de plusieurs capteurs.
CN102333307A (zh) * 2011-09-28 2012-01-25 北京航空航天大学 一种基于主观信念的无线传感器网络信任评估方法
CN102881125A (zh) * 2012-09-25 2013-01-16 杭州立高科技有限公司 基于多信息融合集中处理平台的报警监控***
CN104199933A (zh) * 2014-09-04 2014-12-10 华中科技大学 一种多模态信息融合的足球视频事件检测与语义标注方法
CN105372534A (zh) * 2015-12-04 2016-03-02 国网河南省电力公司电力科学研究院 一种多传感器多参量信息智能融合***
CN107958292A (zh) * 2017-10-19 2018-04-24 山东科技大学 基于代价敏感学习的变压器模糊谨慎推理故障诊断方法
WO2018120962A1 (zh) * 2016-12-30 2018-07-05 山东大学 一种基于可靠性管理的不确定性消除情景感知***及其工作方法
CN108255788A (zh) * 2016-12-27 2018-07-06 方正国际软件(北京)有限公司 一种评估数据的可信度的方法及装置
WO2018168077A1 (ja) * 2017-03-15 2018-09-20 オムロン株式会社 配電網モニタリングシステムおよび配電網モニタリング装置
CN112255538A (zh) * 2020-10-14 2021-01-22 国网青海省电力公司海西供电公司 一种多特征优化融合的高压断路器故障诊断方法
CN114139651A (zh) * 2021-12-13 2022-03-04 东风汽车有限公司东风日产乘用车公司 多传感器融合目标追踪***置信度获取方法、存储介质及电子设备

Patent Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
FR2919407A1 (fr) * 2007-07-27 2009-01-30 Thales Sa Procede, dispositif et systeme pour la fusion d'informations provenant de plusieurs capteurs.
CN102333307A (zh) * 2011-09-28 2012-01-25 北京航空航天大学 一种基于主观信念的无线传感器网络信任评估方法
CN102881125A (zh) * 2012-09-25 2013-01-16 杭州立高科技有限公司 基于多信息融合集中处理平台的报警监控***
CN104199933A (zh) * 2014-09-04 2014-12-10 华中科技大学 一种多模态信息融合的足球视频事件检测与语义标注方法
CN105372534A (zh) * 2015-12-04 2016-03-02 国网河南省电力公司电力科学研究院 一种多传感器多参量信息智能融合***
CN108255788A (zh) * 2016-12-27 2018-07-06 方正国际软件(北京)有限公司 一种评估数据的可信度的方法及装置
WO2018120962A1 (zh) * 2016-12-30 2018-07-05 山东大学 一种基于可靠性管理的不确定性消除情景感知***及其工作方法
WO2018168077A1 (ja) * 2017-03-15 2018-09-20 オムロン株式会社 配電網モニタリングシステムおよび配電網モニタリング装置
CN107958292A (zh) * 2017-10-19 2018-04-24 山东科技大学 基于代价敏感学习的变压器模糊谨慎推理故障诊断方法
CN112255538A (zh) * 2020-10-14 2021-01-22 国网青海省电力公司海西供电公司 一种多特征优化融合的高压断路器故障诊断方法
CN114139651A (zh) * 2021-12-13 2022-03-04 东风汽车有限公司东风日产乘用车公司 多传感器融合目标追踪***置信度获取方法、存储介质及电子设备

Non-Patent Citations (5)

* Cited by examiner, † Cited by third party
Title
FUYUAN XIAO: "《Multi-sensor data fusion based on the belief divergence measure of evidences and the belief entropy》", 《INFORMATION FUSION》 *
ZHIYU TAO等: "《Induction Motor Fault Diagnosis Based on Multi-Sensor Fusion Under High Noise and Sensor Failure Condition》", 《2021 GLOBAL RELIABILITY AND PROGNOSTICS AND HEALTH MANAGEMENT (PHM-NANJING)》 *
孙凌等: "《基于概率和可信度方法的普适计算信任模型》", 《计算机应用》 *
李鹏等: "《基于一维卷积长短时记忆网络的》", 《机械与电子》 *
贾宝柱等: "《基于信息融合的船舶中央冷却***运行状态评估》", 《大连海事大学学报》 *

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114509158A (zh) * 2022-01-04 2022-05-17 东南大学 一种声振融合的叶片裂纹故障检测方法及应用
CN114964841A (zh) * 2022-05-07 2022-08-30 中国地质大学（武汉） 基于多传感器融合的移动机器人故障检测***及方法
WO2024012199A1 (zh) * 2022-07-11 2024-01-18 浙江联宜电机有限公司 多维度数据融合电机故障预检装置、***及其预检方法

Also Published As

Publication number Publication date
CN113533962B (zh) 2022-08-12

Similar Documents

Publication Publication Date Title
CN113533962B (zh) 基于多物理信号传感器决策融合的感应电机健康诊断***
EP2857917A1 (en) State diagnosing method and state diagnosing apparatus
CN112183581A (zh) 基于自适应迁移神经网络的半监督机械故障诊断方法
CN110095179B (zh) 一种电机振动检测与诊断方法
CN108257365B (zh) 一种基于全局不确定性证据动态融合的工业报警器设计方法
CN109139390B (zh) 一种基于声信号特征库的风机桨叶故障识别方法
CN107729985B (zh) 识别技术设施的过程异常的方法和相应的诊断***
CN111665066B (zh) 基于卷积神经网络的设备故障自适应上下预警界生成方法
CN117270514B (zh) 基于工业物联网的生产过程全流程故障检测方法
JP2020183939A (ja) ギアボックスの異常検出方法及び情報処理装置
CN113742932A (zh) 一种用于风电机组齿轮箱故障预测诊断的方法
RU2601186C2 (ru) Проверка тока контура управления процессом
KR102545672B1 (ko) 기계고장 진단 방법 및 장치
CN116012681A (zh) 基于声振信号融合的管道机器人电机故障诊断方法及***
CN109934136B (zh) 基于Duffing振子和本征模式分量的滚动轴承故障诊断方法
US20180174383A1 (en) Method of analyzing variations of at least one indicator of the behavior of a mechanism fitted to an aircraft
CN110781612A (zh) 滚珠丝杠的故障诊断方法、装置、计算机设备和存储介质
CN112528227A (zh) 一种基于数理统计的传感器异常数据识别方法
CN110749443B (zh) 一种基于高阶原点矩的滚动轴承故障诊断方法及***
CN112465068A (zh) 一种基于多传感器数据融合的旋转设备故障特征提取方法
CN116360384A (zh) 用于诊断和监控信息物理***中的异常的***和方法
CN113177484B (zh) 基于lof自编码的机械故障智能诊断方法
Yaqub et al. Machine health monitoring based on stationary wavelet transform and fourth-order cumulants
CN110146120B (zh) 一种传感器故障诊断方法及***
Zheng et al. Wavelet packet decomposition and neural network based fault diagnosis for elevator excessive vibration

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
GR01 Patent grant
GR01 Patent grant