基于改进的D-S证据理论的旋转整流器故障诊断研究

合集下载

一种基于云模型和改进DS证据理论的变压器故障诊断方法[发明专利]

专利名称：一种基于云模型和改进DS证据理论的变压器故障诊断方法
专利类型：发明专利
发明人：吐松江·卡日,高文胜,张宽,张紫薇,马小晶,伊力哈木·亚尔买买提,杜林,希望·阿布都瓦依提,何志洋
申请号：CN202111666478.4
申请日：20211231
公开号：CN114372693A
公开日：
20220419
专利内容由知识产权出版社提供
摘要：本发明公开了一种基于云模型和改进DS证据理论的变压器故障诊断方法，包括：步骤1、获取变压器油中溶解气故障样本，建立变压器的故障样本集；步骤2、采用故障样本集建立各类型故障的故障标准云模型；步骤3、计算待诊断样本与故障标准云模型间的最终隶属度矩阵；步骤4、根据最终隶属度矩阵确定不同故障下的基本概率分配；步骤5、利用Pignistic概率距离构建相似度并对基本概率分配进行修正，引入平均支持度加权优化证据融合规则，并使用改进D‑S证据理论对基本概率分配进行融合，以得到最终融合结果；步骤6、在最终融合结果中，选取基本概率最大值对应的变压器状态作为诊断结果。

本发明有效地提高了变压器智能诊断方法的准确率。

申请人：新疆大学
地址：830046 新疆维吾尔自治区乌鲁木齐市胜利路666号
国籍：CN
代理机构：广州本诺知识产权代理事务所(普通合伙)
代理人：张令
更多信息请下载全文后查看。

一种基于改进D-S证据理论的设备故障诊断方法[发明专利]

专利名称：一种基于改进D-S证据理论的设备故障诊断方法专利类型：发明专利
发明人：夏飞,施恩威,彭道刚,孟娟,钱玉良
申请号：CN201811102392.7
申请日：20180920
公开号：CN109165632A
公开日：
20190108
专利内容由知识产权出版社提供
摘要：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。

申请人：上海电力学院
地址：200090 上海市杨浦区平凉路2103号
国籍：CN
代理机构：上海科盛知识产权代理有限公司
代理人：蔡彭君
更多信息请下载全文后查看。

改进D-S证据理论及其在无损检测中的应用

办法。
定义２命题的信任函数Ｂｌｅｅｆｃｏ）真度函数ｅｂｌｆｕｔｎ（ｉｎｉ和似
Ｐ（ａｓｉｔｆｃｏ）义为：ｌｌｕｉｌｙｕｔｎ定ｐｂｉｎｉ
Ｂ（）∑ｍＢ，ＡＵｅＡ：（）Ｖｃｌ＿
Ｂ＿Ａｃ
（３）
（）４
Ｐ（：一ｅ（）１Ａ）１Ｂｌ＝
可以证明：０ｍ２ｍ０ｍ１ｍｌ＝２（０ｍ０ｍ＝ｌ（２ｍ３ｍ１２）３ｍ０ｍ０）
公式（是Ｄｓ证据理论的核心，过它可以把若干条独５） — 通
１ＤＳ证据理论 —
Ｄｓ证据理论是Ｄｍｓｒ２ — ｅｐｔ于Ｏ世纪６ｅＯ年代首次提出，Ｓａｒｈｆ对他做了进一步的发展，ｅ并使之系统化、理论化，形成了
ＡＣＵ
称ｍＡ为Ａ的基本概率值（Ｐ。当Ａ（）ＢＡ） ≠Ｕ时，表示对
命题Ａ的精确信任程度，＝当ＡＵ时，（表示ｍ不知怎么分ｍＵ）配，Ａ为ｕ的子集且ｍＡ ≠０，Ａ为ｍ的焦元（ｃｌ当（）时称ｆａｏ
ｆｃｏ。ｕｔｎ）ｎｉ
【ｅＡ，１）Ｂｌ）（］（ＰＡ就表示对Ａ的信任区间。不同的证据代表了不同的信息来源，两个系统的ＢＡ表示了不同系统对各命题Ｐ的支持程度，＿规则反映了ＤＳ信息的重新分配。
定义３设有２个推理系统，它们的概率赋值和信任函数
分别为ｍｌ２和Ｂｌ，ｅ，，ｍｅｌｌ对于子集Ａ，Ｂ２将这２个推理系统的

基于D-S证据理论的感应电动机故障诊断分析

包变换的频率划分特性，对定子三相电流信号进行小波包分解，利用节点系数的均方根值构建电
动机转子故障的特征矢量（证据体）；求取证据体对转子故障所赋予的基本概率分配函数值，然后根据Ｄ— ｓ证据理论融合规则进行数据融合处理，实现对电动机转子断条故障的准确识别。用相似
Ｋｅｙｗｏｒｄｓ：Ｄ — ＳＥｖｉｄｅｎｃｅＴｈｅｏｙ；ｒｉｎｄｕｃｔｉｏｎｍｏｔｏｒ；ＷＰＴ（ＷａｖｅｌｅｔＰａｃｋａｇｅＴｒａｎｓｆｏｒｍａｔｉｏｎ）；ｆａｕｌｔｄｉａｇｎｏｓｉｓ
・
３６・
煤
矿
机电
２０１３年第６期
基于Ｄ．Ｓ证据理论的感应电动机故障诊断分析
刘怀宇
（中国矿业大学现代分析计算中心，江苏徐州２２１１１６）
摘
要：采用Ｄ — ｓ证据理论对感应电动机进行转子断条和定子匝间短路的故障诊断。基于小波
Ｔｒａｎｓｆｏｒｍａｔｉｏｎ），ｔｈｅｃｕｒｒｅｎｔｓｉｇｎａｌｏｆｓｔａｔｏｒ ’ ＳｔｈｒｅｅｐｈａｓｅｓｉｓｄｅｃｏｍｐｏｓｅｄｂｙＷＰｒＩ、，ａｎｄｔｈｅｎｔｈｅｃｈａｒａｃｔｅｒｉｓｔｉｃ

基于矢功率谱和D—S证据理论分层融合的旋转机械故障诊断方法

ＹＡＮＧＣｕ — ａＷＵＣａ，Ｌｎ — ｅｈｎｙｎ，ｈｏＩＨｏｇｗｉ
（ｏｅｅｆＥｅｔａｄＭｅｈＥｇ，ｈｎｚｏｎ．Ｌｇｔｎ．Ｚｅｚｏ５０２Ｃｉ）Ｃｌｇｌｒｎｃ．ｎ．ＺｅｇｈｕＵｉｏｉｈｄ，ｈｎｈｕ４００，ｈａｌｏｃ．ｖｆｌｎ
文章编号：０ — ４８２１）４—０３０１０１７（０２０４００— ３
基于矢功率谱和ＤＳ — 证据理论分层融合的旋转机械故障诊断方法
杨春燕，吴超，李宏伟 ห้องสมุดไป่ตู้
（郑州轻工业学院机电工程学院，河南郑州４００）５０２
摘要：出基于矢功率谱和ＤＳ证据理论分层融合的旋转机械故障诊断方法，提－该方法把转子的２个截面信息分别以矢功率谱进行数据层融合，取矢功率谱的特征输入到径向基概率神经网络分类器提
第２７卷第４期２１０２年８月
郑州轻工业学院学报（自然科学版）
￡旦旦圣垦ＯＧＴＮＵＴＹＮｔａＳｉｃ）ＦＩＨＤＳＲ（ａｒｅｅＬＩｕｌｃｎ
Ｖ０．７Ｎ．１２ｏ４
Ａｕｇ２２．０１
ＡｏａｉｇｍａｈｎｅｙｆｕｌｉｇｏｉｅｈｏｒｔｔｎｃｉｒａｔｄａｎｓｓｍｔｄｂｓｄｏｕｓｎｅｔｒｐｏｒｓｅｔｕｎｄＤ－ｖｄｅｃｈｅｒａｅｎｆｉｇｖｃｏｗｅｐｃｒｍａＳｅｉｎｅｔｏｙ

D—S证据理论在多传感器故障诊断中的改进及应用

第４１卷源自刊２１年９月０１
东南大学学报（自然科学版）
ＪＲＯＵＮＡＬＯＯＨＡＴＵＶＥＳＴＹ（ｍｒｃｅｃｄｉｎＦＳＵＴＥＳＮＩＲＩＮａａＳｉｅＥｉｏ）ｌｎｔ
Ｖｏ．Ｓｕ１４１ｐ
（ＳｈｏｆｌｃｉａＥｇｎｅｎ，ＳａｇａＤｉｊＵｎｖｒｔＳａｇａ２０４Ｃｉａｃｏｌｅｔｃｌｎｉｅｒｇｈｎｈｉａｉｉｅｓｙ，ｈｎｈ０２０，ｈｎ）ｏＥｒｉｎｉｉ
Ａｂｓｒｃ：Ｉｒｅｏｓｌｅｔｅｐｒｂｅｔｔ１ＳｉｃｎｓｓｅｔｗｉｈｅｆｃｓｗｈｎｔｅｃｎｖｎｉｎｌｔａｔｎｏｄｒｔｏｖｈｏｌｍｈａｔＩｎｏｉｔｎｔｔａｔｅｏｅｔｏａｈｈｅｉｅｃｅｒｓｕｓｄｔｅｌｗｉｖｄｎｅｆｈｇｏｆｉｔｉｈｅｍｕｔ—ｅｓｒｉｆｒａｉｎｆｉｎｖｄｎｅｔｏｙｉｅｏｄａｔｅｉｅｃｓｏｉｈｃｎｃｎｔｌｉｓｎｏｎｏｍｔｕｓｏｈｈｌｏ
ｆｕｔｉｇｏｉｓｓｍ．ｈｓａｅｉｔｄｃｓｈａｉｆｍｗｒｆｈｅｓｒｈｆｒ（ＳｖａｌｄａｎｓｔＴｉｐｐｒｎｒｕｅｅｂｓｒｅｏｋｏｅＤｍｐｔ — ａｅＤ— ）ｅ・ｓｙｅｏｔｃａｔｅＳ
ｉｅｃｅｙｎｎａｙｅｈｏｔｏｎｓｉｎｎｉｈｂｅｉｖｒｂｂｌｙｔａｌｓｕｃｆｓｌｄｎｅｔｏｒａｄａｌｚｓｓｒｃｍｉｇｓｏｆａｓｇｉｇｈｇｌｅｅｐｏａｉｉｏｆｕｔｏｒｅｏｍａｌｈｔ

基于改进证据理论和神经网络的故障诊断模型

后得到证据体对各个故障类型的基本可信度分配，用利
Ｏ引言
信息融合最先被应用于军事领域，后得到了较为广泛的之应用，其是ＤＳ证据理论具有较强的处理不确定信息的能尤 — 力，广泛应用于多传感器的目标识别和故障诊断领域。该理被
（ｃｏｌｏｌｃｉｌｎｉｅｒｇ＆Ｉｏｍａｉ，ｎｕＵｉｒｔｏｃｎｌｇ，ａｓａｎｕ２３０ＣｉＳｈｏｆＥｅｒａｇｎｅｉｔｃＥｎｎｒｔｎＡｈｉｎｖｓｙｆＴｈｏｏｙＭａｎｈｎＡｈｉ４０２，ｈｎｆｏｅｉｅａ）
第２７卷第４期
２１００年４月
计算机ｈｏｏｕｅｓｐｉｔｓａｃｆＣｍｐｔｒｃｏ
Ｖｏ．７Ｎｏ４１２．Ａｐ．２０ｒ０１
基于改进证据理论和神经网络的故障诊断模型术
Ｆａｌｄａｎｓｓｍｏｅａｅｎｍｏｉｅｖｄｎｅｔｅｒｎｅｒｌｎｔｒｕｔｉｇｏｉｄｌｂｓｄｏｄｆｄｅｉｅｃｈｏｙａｄｎｕａｅｗｏｋｉ
ＺＨＡＮＧｎ— ｏｇ，ＷＡＮＧＨａｄｎＣｕｉｈｕ — ａ
度分配问题。由于证据理论合成公式无法处理高冲突的证据，出了一种改进的基于冲突焦元的证据合成规提

基于D-S证据理论的感应电动机故障诊断分析

基于D-S证据理论的感应电动机故障诊断分析摘要：本文描述了基于D-S证据理论的用于感应电动机故障诊断分析的方法。

首先，根据电动机的物理结构，建立了一个有效的数学模型，用于定量分析不同故障情况的电动机性能参数。

然后，结合Dempster-Shafer (D-S)证据理论，设计了一套基于联想推理的多项式时变系统模型，以实现对故障的准确检测。

最后，通过实例进行了验证，结果表明该方法能够有效地检测和诊断感应电动机的故障类型，并能满足实际应用中的要求。

关键词：感应电动机；故障诊断；D-S证据理论；推理；多项式时变系统正文：1. 介绍本文旨在探讨基于D-S证据理论的用于感应电动机故障诊断分析的方法。

在提出理论模型的基础上，进行了实例验证，并得到了良好的结果。

2. D-S证据理论Dempster-Shafer（DS）证据理论是一种强大的推理理论，用于处理焦点集合不可知的无信息数据。

它基于贝叶斯概率论和整合概念，从而使数据处理变得更加有效。

DS证据理论可以用来推理多种不同的概念，具有更高的准确性和可靠性，可以帮助提高模型的性能。

3. 感应电动机故障诊断分析电动机可能会出现各种故障，因此对相应的故障进行准确的诊断和检测是十分必要的。

基于DS证据理论，可以建立一个有效的模型，用于定量分析不同的故障情况，以实现对故障的准确检测。

首先，根据电动机的物理结构，建立了一个有效的数学模型，用于定量分析不同故障情况的电动机性能参数。

然后，结合DS证据理论，设计了一套基于联想推理的多项式时变系统模型，以实现对故障的准确检测。

结果表明，可以采用该方法有效地检测和诊断感应电动机的故障类型，并能满足实际应用中的要求。

4. 结论本文描述了基于D-S证据理论的用于感应电动机故障诊断分析的方法。

通过实例验证，可以看出这种方法可以有效地检测和诊断感应电动机的故障类型，并能满足实际应用中的要求。

本文的研究结果表明，基于DS证据理论的感应电动机故障诊断分析方法具有很强的准确性和可靠性。

1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。

提出的方法是建立在开放性识别框架Ｑ上的，以其所
对冲突的证据是完全否定的，认为冲突的证据无法提供任何有用的信息，对证据的扰动过于敏感，大大增加了推理的不确定性，因此在证据源多于两个时，融合的结果有时并不理想，且具有一票否决的缺点。为了克服ＤＳ．的缺点，本文采用文献【提出的冲突３】
ｅｔａｔｄｂｓｄｏｖｌｔａａｙｉＡｍｐｏｅｔｏｓｐｔｆｒｒｄｘｒｅａｅｎｗａｅｅｎｓｓ．ｉｒｖｄｍｅｈｄｉｕｏｗａ，ｗｈｃａｆｅｔｅｙｃｌｉｈｃｎｅｆｃｉｌｖ
ｏｅｃｍｅｔｅｓｏｔｇｆｔｅＤ． ’ ｕｅｈａｌｄａｎｓｓｅａｌｈｗｓｔｅｖｒｃｔｆｎｗｖｒｏｈｈｒａｅｏＳｒｌ．Ｔｅｆｕｔｉｇｏｉｘｍｐｅｓｏｅａｉｏｅｈｈｙｍｅｏｅｆｕｔｉｇｏｉ．ｈｔｄｉｔａｌｄａｎｓｓｎｈＫｅｆｃｖｄｎｅ；ｏａｉｇｒｃｉｅｆｕｔｉｇｏｉｙｗｏｄ：Ｓｒｌ；ｏｉａｉｅｏｃｎｉｔｉｅｃｓｒｔｔｔｉ；ａｌｄａｎｓｏｕｌｅｎｅｆｓ
１引言
目，前旋转整流器式交流发电机广泛应用于航空电源系统中，作为关键部件之一的旋转整流器，始终处在高速旋转之中，且其经常工作在恶劣的环境中，在高强度的震动、离心力、电流冲击的共同作用下，其整流元件一二极管难免会发生故障，但由于取消了滑环和电刷，旋转的励磁回路与外部无直接的连接，这就很难对旋转整流器故障情况进行直接的检测和维护，因此，对旋转整流器故障诊断的研究一直是航空电源设计部门和机务维护人员比较重要的课题【】】。ＤＳ．多信息融合理论是一种应用广泛的故障诊断方法，但其存在一定的缺陷，很多学者都提出了改进意见【２Ｊ。归结起来，对ＤＳ．融合规则的改进，从根本上来说主要存在两类方法：一类是在证据完全可靠为前提的条件下，ｍｔＳｅ提出的可传递置信模型，ｓ由于Ｓｅｍｔｓ
证据融合规则对旋转整流器故障进行诊断，收到了良好的效果。
２ —证据推理基本概念ｆＤＳ４ｉ
２１基本概率赋值、信任度函数及似真度函数．
定义ｌ：设Ｑ是一有限集，其全体即Ｑ的幂集记
大电机技术
５９
基于改进￣ＤＳｌ．证据理论的旋转整流器故障诊断研究ＣＪ
张敬，李颖晖一，朱喜华，林漳彬（．１空军工程大学工程学院，西安７０３；２空军９９３１０８．５０部队，武汉４０３）３３１
［要］Ｄｓ摘．融合规则是证据理论的重要部分，广泛应用于多信息融合算法中。由于该组合规则本身存在一
ＺＨＡＮＧｉｇＬｎｈｉ，ＪｎＩＹｉｇｕＺＨＵＸｉｕＬＩＺａｇｉｈａ，Ｎｈｎｂｎ
（．１ｎｎｔｕｅＡｉｏｃｎｉ， ’ｎ７０３，ｉａ１１ｅＥｇＩｓｔｔ，ｒＦｒｅＥｇＵｎｖＸｉ１０８Ｃｈｎ；１ｉａ
些不足之处，应用到旋转整流器的故障诊断中，果不理想。建立了发电机的系统模型，效利用小波能量法提取故障特征，并提出了一种改进融合算法—— 冲突证据融合规则，其有效克服了Ｄｓ．融合规则的不足，对一组
实测故障数据的融合诊断表明，能够对故障做出准确判断。
［关键词］Ｄｓ．融合规则；冲突证据融合规则；旋转整流器；障诊断故
［中图分类号］Ｔ３１３Ｐ９．［文献标识码］Ａ［章编号］１０．９３２１）１０９０文００３８（０２０－５－６０
ＲｅｅｒｈｏａｌＤｉｇｏｉｏｔｔｇＲｅｔｆａｅｎＩｐｏｅＳＲｕｅｓａｃｎＦｕｔａｎｓｓｆＲｏａｉｃｉｅｂｓｄｏｍｒｖｄＤ－ ’ ｌｎｉ
２Ａｒｏｃｆ５０ｒｏｓＷ＿ａ３３Ｃｉａ．ｉＦｒｅ９３Ｔｏｐ．ｕｎ４０３．ｈｎ）ｏ９ｂ１
Ａｂｔａｔｓｒｃ：Ｄ． ’ｕｅｉａｍｐｒａｔｐｒｆｅｉｅｃｅｓｎｎ，ｗｈｃａｅｎｗｉｅｙｕｅｎＳｒｌｓｎｉｏｔｎａｔｏｖｄｎｅｒａｏｉｇｉｈｈｂｅｄｌｓｄｉｓｍｕｔｓｎｏａａｆｓｏｌｏｉｍｓＢｕｓｄｉａｌｄａｎｓｓｏｔｔｇｒｃｉｉｏｌｏｅｌ．ｅｓｒｄｔｕｉｎａｇｒｔｉｈ．ｔｔｕｅｆｕｔｉｇｏｉｆｒａｉｅｔｅｃｕｄｎｔｔｉｎｏｎｆｇｓｔｆｃｏｙｒｓｌｏｔｏｒｗｂｃｓｈｅｅａｏｄｌｉｓａｌｈｄ，ａｌｆａｕｅｒａｉａｔｒｅｕｔｆｒｉｗｎｄａａｋ．Ｔｅｇｎｒｔｒｍｏｅｓｅｔｂｉｅｓｓｓｓｆｕｔｅｔｒｓａｅ