基于信息融合方法的电机故障诊断研究
基于信息融合分析的感应电机故障检测方法
Ｃ ｉａ ２ Ｄ ｐｒ ｅ ｔ ｆ ｌｃ ｉ ｌ ｎｉｅｒ ｇ Ｎ ｖｌＵ ｉ ｒｔ ｏ ｎ ｎｅ ｎ ， ｈｎ４ ０ ３ Ｃ ｉａ ｈ ； ． ｅａｔ ｎ ｏ ｅｔｃ ｇｎｅ ｎ ， ａａ ｎｖｓ ｙ ｆ ｇ ｅｒ ｇ Ｗｕａ ３０ ３， ｈｎ ） ｎ ｍ Ｅ ｒａ Ｅ ｉ ｅ ｉ Ｅ ｉ ｉ
ｉ ｆ ｒ ａ ｉ ｎ ｆ ｓｏ ｎ ｌ ｓｓ ｎ ｏ ｍ ｔｏ ｕ ｉ ｎ ａ ａ ｙ ｉ
Ｘ Ａ Ｌ ， Ｆ ＩＱ Ｉ ｉ Ｅ ｉ
（ ． ｅ ａ ｍ ｎ ｏ ｏｔ ｌ ｃ ｎｅ＆ Ｅ ｇ ｅｄ ｇ Ｈｕｚｏ ｇＵ ｉ ｒｔ ｏ ｃ ｎｅ＆ Ｔ ｃｎｌ ｙ Ｗｕａ ３０ ４ １ Ｄ ｐｒ ｅｔ ｆ ｎ ｏ Ｓｉ ｃ ｔ Ｃ ｒ ｅ ｎｉ ｅ ｎ ， ａｈｎ ｎ ｅｓｙ ｆ ｉ ｃ ｎ ｖ ｉ Ｓ ｅ ｅ ｈｏｏ ， ｈｎ４ １７ ， ｇ ３
关 键词 ： 感应 电机 ；故 障诊 断 ；融合 分析
中图分类号 ： Ｍ １ ；Ｐ ７ Ｔ ７ １ ｒ ２７ 文献标识码 ： Ａ 文章编号 ：０ ７ ４９ ２ ０ ） ３ ２ １ ０ １０ — ４ Ｘ（ ０６ ０ —０ ９ — ５
Ｆａ ｌ ｅ ｅ ｔｏ ｅ ｈ ｄ ｏ ｎ ｕｃ ｉ ｎ ｍ ｏ ｏ ａ ｅ ｎ ｕ ｔｄ ｔ ｃ ｉ ｎ ｍ ｔ ｏ ｆ ｉ ｄ ｔｏ ｔｒｂ ｓｄ ｏ
ｇ ｔｅ ａ ｔ ｄ ｒ ｌ ｂ ｅ ｄ ａ ｏ ｉ ．Ｈｅ ｃ ，ａ ｍｅ ｏ ｏ ｄ ａ ｎ ｓ ｅ ｓ ｔｒ ｆｕ ｔｏ ｄ ｃ ｏ ｔｒ ａ ｅ ｅ ｘ ｃ ｅ ｉ ｌ ｉｇ ｓｓ ｎ ａ ａ ｎ ｎ ｅ ｔ ｄ ｔ ｉｇ ｏ ｅ ｔ ｔ ｏ ｌ ｆ ｉ ｕ ｔ ｎ ｍｏｏ ｓ ｂ ｓ ｄ ｈ ｈ ａ ａ ｎ ｉ ｏ ｎ ｏｍａ ｏ ｕ ｉ ｎ ａ ａｙ ｉ ｗ ｓｐ ｅ ｅ ｔｄ ｎ ｉ ｆｒ ｔ ｎ ｆ ｓｏ ｌ ｓｓ ａ ｒ ｓ ｎ ｅ ．Ｕ ｉ ｚｎ ｉ ｍｅｈ ｄ ｔ ｅｆ ｕ ｔ ｈ ｒ ｃ ｅ ｓ ｃ ａ ｅ ｅ ｔａ — ｉ ｎ ｔ ｉ ｇ ｔ ｓ ｔｏ ｌ ｃ ａ ａ ｔｒ ｔ ｓＣ ｂ ｘｒ ｃ ｌｉ ｈ ｈ ａ ｉ ｉ ｎ
基于人工智能技术的电机故障诊断与预测
基于人工智能技术的电机故障诊断与预测电机故障诊断与预测是电力系统运行中的一个重要任务，它可以帮助我们及时发现和解决电机故障，提高系统的稳定性和可靠性。
而随着人工智能技术的飞速发展，基于人工智能技术的电机故障诊断与预测方法得到了极大的关注和应用。
首先，基于人工智能技术的电机故障诊断方法主要包括传统机器学习算法和深度学习算法。
传统机器学习算法如支持向量机、决策树和随机森林等，通过分析电机运行数据中的特征参数，建立模型进行故障诊断和预测。
而深度学习算法如神经网络、卷积神经网络和循环神经网络等，通过深层次的学习和自适应特征提取，实现对电机故障的准确识别和预测。
其次，基于人工智能技术的电机故障诊断与预测可以从多个方面提高诊断准确度和效率。
首先，利用人工智能技术可以获取大量的电机运行数据，包括电流、电压、振动等实时数据，从而实现对电机状态的实时监测和诊断。
其次，人工智能技术可以对电机故障模式进行自动学习和识别，从而减少人工干预的需求，提高诊断的准确性和效率。
此外，基于人工智能技术的电机故障诊断与预测可以将传感器、数据分析、算法设计和模型建立等多种技术手段相结合，形成一个完整的诊断系统。
在实际应用中，基于人工智能技术的电机故障诊断与预测方法已经取得了很好的效果。
例如，可以通过监测电机的振动特征和声音信号，利用机器学习算法和深度学习算法进行故障模式识别和电机故障预测。
同时，还可以利用电机运行数据对电机的健康状态进行实时监测和评估，从而实现对潜在故障进行提前预警和处理。
此外，基于人工智能技术的电机故障诊断与预测还可以结合其他领域的技术手段，例如物联网、云计算和大数据分析等。
通过与这些技术的融合，可以进一步提高电机故障诊断和预测的准确性和可靠性。
例如，可以利用物联网技术将多个电机联网，实现对整个电力系统的实时监测和故障诊断。
同时，还可以利用云计算和大数据分析技术，对大量的电机运行数据进行存储和分析，提取出有用的特征信息，从而实现对电机故障的准确诊断和预测。
基于D-S证据和数据融合的电机故障诊断研究
动力与电气工程DOI：10.16661/ki.1672-3791.2018.31.061基于D-S证据和数据融合的电机故障诊断研究①赵娟1 姜晓艳1 韩明2 张然1 李欣1(1.河北机电职业技术学院电气工程系 河北邢台 054000;2.石家庄学院计算机科学与工程学院 河北石家庄 050000)摘 要：针对电机的发热、振动和噪音问题的现象及原因进行分析研究，设计出以ARM微处理器作为核心处理的电机故障诊断系统，采用了温度传感器、电压传感器和压电式加速度传感器的多传感器测量技术，对采集的温度、电压、振动信号进行分析，提出用D-S证据和多传感器数据融合技术的电机故障诊断方法。
再应用D-S证据理论对数据进行算例分析，完成电机的实时监控。
与单一信号故障诊断结果相比，可以有效地提高电机故障诊断结果的可信度，减小诊断的不确定性因素。
关键词：故障诊断 D-S证据 多传感器测量技术 数据融合中图分类号：TN7 文献标识码：A 文章编号：1672-3791(2018)11(a)-0061-021 电机常见故障机理分析电机运行过程中，如果过热会引起电机烧毁等事故。
通过电机发热问题的机理分析，确定使用温度传感器采集的温度信号作为本系统数据采集分析的一部分；电机的持续振动会加剧电机的绝缘老化，使电机的轴承等部件的磨损速度加快，严重影响电机的正常运行。
通过电机振动问题的机理分析，确定了使用电压传感器采集的电压信号作为本系统数据采集分析的一部分；电机的噪声主要有电磁噪声、机械噪声、轴承噪声等现象，通过电机噪音问题的分析，确定了压电式加速度传感器采集的振动信号作为本系统数据采集分析的一部分。
分析可知，对电机进行日常维护和检修时，要对电机的温度、电压、振动信号进行实时地监测，为设计电机故障诊断系统提供了理论依据和数据支持。
2 以ARM为核心的多传感器信息采集系统系统硬件电路由电机信号采集、信号处理、A/D转换、核心处理系统ARM、键盘、LCD显示等电路构成。
基于多数据融合的电机故障诊断方法研究
文章主题：基于多数据融合的电机故障诊断方法研究研究多数据融合的电机故障诊断方法，是在当前科技不断发展的情况下，为了解决电机故障诊断领域存在的问题而展开的一项重要研究。
电机在工业生产中具有着不可替代的作用，因此对电机的故障进行及时准确的诊断显得尤为重要。
本文将通过深度和广度的讨论，帮助读者全面了解基于多数据融合的电机故障诊断方法研究的深刻内涵。
1. 电机故障诊断的重要性电机在工业生产中广泛应用，一旦发生故障不仅会导致生产中断，还可能引发更大的安全隐患。
电机故障诊断的重要性不言而喻。
传统的电机故障诊断方法往往局限于单一数据源的分析，无法全面准确地判断电机的工作状态。
基于多数据融合的电机故障诊断方法应运而生。
2. 多数据融合的概念和意义多数据融合是指通过整合不同传感器、不同类型的数据，以及结合多种分析方法，来更全面地认识目标系统的工作状态。
在电机故障诊断领域中，利用多数据融合的方法可以更准确地把握电机的工作状态，提高故障诊断的准确度和效率。
通过结合振动、温度、电流等多种数据，可以综合分析电机的运行状态，从而更好地预测和诊断潜在故障。
3. 基于多数据融合的电机故障诊断方法研究现状目前，基于多数据融合的电机故障诊断方法研究已经取得了一定进展。
学者们通过融合振动信号、电流信号、温度信号等多源数据，并结合机器学习算法和人工智能技术，实现了对电机故障的准确诊断。
这些研究为实际生产中电机故障的及时发现和处理提供了重要的技术支持。
4. 对多数据融合的电机故障诊断方法的展望基于多数据融合的电机故障诊断方法是一个富有挑战性和前景广阔的研究领域。
未来，随着物联网、大数据、人工智能等技术的不断发展，我们有理由相信，基于多数据融合的电机故障诊断方法将会得到更加深入和广泛的应用，为工业生产的安全稳定提供更为可靠的技术支持。
总结：通过本文的深度和广度讨论，我们对基于多数据融合的电机故障诊断方法有了全面的认识。
多数据融合的概念和意义、当前研究现状以及展望，使我们对这一课题的重要性和前景有了更加清晰的认识。
基于信息融合技术的故障诊断方法的研究及应用共3篇
基于信息融合技术的故障诊断方法的研究及应用共3篇基于信息融合技术的故障诊断方法的研究及应用1一、引言在工业制造和运营中，设备故障是一个不可避免的问题。
随着设备复杂度的增加和自动化水平的提高，越来越多的生产数据需要被采集和处理，以支持设备健康状况的监测和故障诊断。
信息融合技术的发展为解决这个问题提供了有效的方法。
本文将介绍基于信息融合技术的故障诊断方法的研究及应用。
二、信息融合技术介绍信息融合是将来自多个源的信息融合成一个综合的结果，从而得到更全面和准确的信息的技术。
在实际应用中，信息融合可以分为以下几个阶段:1.数据采集：从不同的设备或传感器中获得数据，例如振动信号、压力信号、温度信号等。
2.数据处理：对采集到的数据进行预处理和特征提取。
3.信息融合：将来自多个数据处理的结果进行集成。
4.故障诊断：根据综合的结果，诊断设备的健康状态。
信息融合技术在故障诊断领域的应用，可以提高诊断的准确性和可靠性。
三、基于信息融合技术的故障诊断方法故障诊断是指通过设备运行过程中采集到的关键数据，判断设备的健康状态，以及是否已经发生故障。
在信息融合技术的支持下，基于数据驱动的方法较为常用。
1.特征提取在进行故障诊断时，需要选择合适的特征用于分析。
常用的特征包括时域特征、频域特征、小波特征等。
不同特征可以从多个方面反映设备的工作状态。
根据不同特征的优缺点和适用范围，可以选择不同的特征组合。
2.模型建立模型建立是指根据特征提取的结果，建立相应的模型。
常用的模型包括基于统计学、人工神经网络、支持向量机等。
不同的模型有不同的适用范围和准确性。
3.信息融合在进行多种模型建立时，需要将不同模型的结果进行集成，得到综合的结果。
常用的信息融合方法包括加权平均法、决策树法、神经网络法、贝叶斯理论法等。
不同的方法有不同的优劣和适用范围。
四、故障诊断方法的应用基于信息融合技术的故障诊断方法在许多领域都具有广泛的应用。
例如，在汽车制造领域，可以通过振动信号监测发动机和轮轴的健康状态；在航空航天领域，可以通过传感器监测飞机零部件的工作状态；在电力行业领域，可以通过温度传感器和振动传感器监测发电机的状态。
基于信息融合技术的故障诊断方法举例
断条 气隙偏 心 匝间短 路 实际 故障
0
0
7.2.2基于Park矢量的融合电流小波分析方法
小波变换不同分解尺度对应的频带宽度
设信号采样频率为fs，则信号中的最高频率为fs/2 采用DWT对信号进行分解时，设分解尺度为j（j＝1， 2，3，…） j＝1时，信号被分解为[0，fs/4]和[fs/4，fs/2]两个 频带 j＝2时，信号被分解为[0，fs/8]、[fs/8，fs/4]和 [fs/4，fs/2]三个频带 依次类推，j＝k时，分解信号的最低频带为[0， fs/2k+1]
ecpm
I ecnm cos[( m(1 s ) / p)1t ecpm 2 / 3]} 1
两种故障同时发生时派克矢量的模k=1、m=1
i ji
2 2 2 2 2 2 3 / 2( I p1 I bp1 I bn1 I ecp 1 I ecn 1 )
0.2
0.15
0.1
0.05
0
-0.05 0
20
40
60
80
100
（a）Park矢量融合电流信号
(b)尺度j＝8时的低频带信号
5根断条故障电机空载运行时DB5小波分解结果
12 11
x 10
-3
0.2
0.15 10 9 8 7 0 6 5 0 100 200 300 400 500 -0.05 0 20 40 60 80 100 0.1
f ag f1 mf r
转子旋转频率fr＝（1－s）f1/p，m为正整数 气隙偏心故障还会造成电机的振动异常，并出 现振动特征频率
7.1.3 绕组过热与匝间短路故障
绕组过热是电机运行过程中经常出现的一种现 象，通常是短时和整体性的 比较危险的是绕组的局部过热
基于智能信息融合的电力设备故障诊断新技术研究
基于智能信息融合的电力设备故障诊断新技术研究摘要：随着中国经济的发展和现代化建设的加快，人民生活水平有了很大的提高。
近年来，可持续发展战略的应用和实施，改变了人们的生活观念，人们逐渐确立起了节能环保的意识。
因此，电力作为一种相对清洁的能源，在社会中的应用越来越广泛，我国的电力发展速度也越来越快。
在我国电力系统当中，电力设备是最基础的内容，电力设备的质量直接影响到我国的供电质量、安全性以及稳定性，直接影响到人们的生活质量，但电力设备在应用的过程当中，许多常见的故障是难以避免的，影响到电力设备的应用。
因此，本文笔者针对智能信息融合的电力设备故障诊断新技术进行研究，并分析其检修方法。
关键词：电力设备；常见故障；诊断检修前言电力设备在我国的电力系统中是最基础的部分，电力设备的质量直接会影响到电力生产的质量，从而威胁到人们的电力使用质量和安全，于是，随着我国电力产业的不断发展，电力设备的检测和维护工作也受到了极大的重视。
在电力设备的应用过程中，很多的故障属于常见故障，直接威胁到电力设备的正常应用，所以在电力设备的应用过程中，需要对这些常见故障进行检测，保障电力设备的正常运转。
1 电力设备的常见故障分类1.1具有外特征的直观性故障这种具有外部特征直观性的故障，其在外部表现相对比较明显，主要表现为设备热量升高、冒烟或者发出焦味等现象，通常发生在电力设备的电动机或者电器当中。
许多电器也会出现跳闸或接触点异常，以及线圈变色。
这主要是由于机械阻力相对较大，电动机或电器绕组过载，导致线圈绝缘脱落或损坏，使设备出现短路，从而引发故障。
1.2不具备外特征直观性的故障这种不具有外部特征的故障在诊断和维护工作中难以执行，因为故障没有相对明显的外部特征，而在检测过程中，如果不能对其进行针对性的检测，往往无法检测到故障，从而导致故障的进一步扩展。
这类故障是维修工作的主要内容，通常是由于电气线路或元器件本身存在的问题，如电气元件调整不当、局部故障、参数设置不当、错位等。
基于信息融合技术的电机故障诊断
Ｍ ｏ ｏ ｕ ｔ Ｄｉ ｇ ｓｓ Ｂａ ｅ ｏ ｎ ｏ ｍ ａ ｉ ｎ Ｆｕ ｉ ｎ Ｔｅ ｈｎ ｌ ｇ ｔ ｒ Ｆａ ｌ ａ ｎｏ ｉ ｓ ｄ ｎ Ｉ ｆ ｒ ｔｏ ｓｏ ｃ ｏ ｏ ｙ
０ 引 言
目前电机故 障诊断分传统方法 与现代方法 ，
也 可将 二者 结 合 起 来 。其 中 ， 子 电流 分 析 诊 断 定 方 法应 用最 广 ， 它可 以在 线应 用 ， 既保证 了电机 的 连 续运 转 ， 又不 会 破 坏 电机 本 身 。但 基 于 稳 态 电 流 诊 断方法 存 在频 域 混 叠 的缺 点 ， 检 测 准 确性 使
尚不成熟 。参数估计法的难点在于需要建立精确 的电机动态模型 ， 并通过该模 型准确辨识 出电机 的电磁参 数 ， 因而故 障特征之 间的关 系不 明 。 Ｊ
摘
要： 为了从多方面反映 电机 系统状态 ， 实现对 电机故 障模式 的 自动识别 和准确诊 断 ， 将数 据融合技
术与神经 网络相结合 ， 建立 电机故 障诊 断系统。首先 在数据融合 级上对故 障特征量 进行分类 处理 ， 然后采用 多层神经 网络进行 故障特征级融合和电机故障 的局 部诊断 ， 获得 彼此独 立 的证 据 ， 运用 Ｄ Ｓ Ｄ ｍ ｓｒ ｈ． 再 ． （ ｅ ｐｅ ａ Ｓ ｆ ） 据理论融合算法对各证据进行融合 ， 终实 现对 电机 故障 的准确诊 断。诊断 测试试 验证 明， ｅ证 ｒ 最 该诊 断 系 统提高 了电机故 障诊 断的精度 ， 能够满足诊 断的实时性要求。
- 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)。
０ 引 言
信 息融 合是指 利用 计 算 机技 术 对按 时序 获得
ｉ ｆ ｒ ａ ｉ ｎ ｆ ｓｏ ｅ ｈ ｄ ｎ ｏ ｍ ｔ ｕ ｉ ｎ ｍ ｔ ｏ ｏ
Ｘ ｕ － ｉ Ｇ Ｎ ａ－ｅ ， Ｅ Ｙ ｏ Ｕ ｉ ｉ Ｕ Ｙ ｎｚ ， Ｏ Ｇ Ｎ ｉ ｉ Ｇ ａ ，Ｇ Ｏ Ｘ －ｎ ｈ ｗ ｊ
（ ｃ ｏ ｌｏ ｎｏｍａｉｎ＆ Ｅｅ ｔ ｃｌＥ ｇｎ ｅｉｇ ｈｎ ｎｖ ｒｉ ｆＭｉｉｇ＆ Ｔ ｃ ｎ ｌｇ ，Ｘｕ ｈ ｕ２ １ ６，Ｃ ｉａ Ｓ ｈ ｏ ｆＩｆｒ ｔ ｏ ｌｃｒ ａ ｎ ｉｅ ｒ ，Ｃ ｉａＵ ｉｅｓｔ ｏ ｎｎ ｉ ｎ ｙ ｅ ｈ ｏｏ ｙ ｚｏ ２ １ １ ｈｎ ）
Ａｂｓｒ ｔ： Ｆ ｒｔ ｏｏ ａ ｔｄｉｇ ｏ ｉ ｆｓ ｉｒ ｌｉｄｕ ｔｏ ｔｒ，ｃ ａ ａ ｔｒｓｉ ｌ ｅ ｎ ｃ ｒｅ ｔｓｇ ａ ｓａ ｓｒ ｃｅ ｔａｃ ｏ ｈｅ ｒｔ ｒｆｕｌ ａ ｎ ｓｓｏ ｑｕｒｅ ｎ ｃｉ ｎ ｍｏ ｏ ｈ ｒ ｃｅ ｉｔ ｖａｕ ｓｉ ｕ ｎ ｉ ｎ ｌｉ ｂ ｔａ ｔｄ ｃ ｂ ｖ ｌｔｐ ｃ ａ ｅ ａ ａｙ ｉ ｅ ｈｎｑｕ ｙ ｗａ ｅ ｅ ａ ｋ ｇ ｎ ｌｓｓｔｃ ｉ ｅ，ｔ ｅ ｉｎ ｌｉ ｅ ｏ ｈ ｎ ｓｇ ａ ｓｄ ｃ ｍｐｏ ｅ ｎ ｔｒ ｅ ｌｖ ｌ ｈｅｎｏｓ ｉ ｎ ｌｉ ｅ ｒ ｔ ｄ ａ ｄ ａ ・ ｓ ｄ ｉ ｈ ｅ ｅ ｅ ，ｔ ｉｅ ｓｇ ａ ｓｓ ｐａ ａｅ ｎ ｎａ
ｓｏｍ ｅ ｅｘ ｅｎｔ ｔ ．
Ｋｅ ｒ ｙ ｗｏ ｄｓ： ｗａ ｅ ｅ ； ｉｆ ｒ ｔ ｎ ｆ ｉｎ；ｆｕｌ ｄｉｇ ｏ ｉ ； ｎ ｕ ａ ｅｗｏ ｋｓ ｅ ｉ ｅ ｃ ｖ ｌｔ ｎ ｏ ｍａｉ ｕｓｏ ｏ ａ ｔ ａ ｎ ｓｓ ｅ ｒ ｌｎ ｔ ｒ ； ｖｄ ｎ ｅ
一
个 多元信 息处 理 的过 程 。 由于故 障 的多样 性 和
将 信 号进 行 ３层 分 解 ，然 后 将 噪 声 信 号 分 离并 对 噪 声 信 号 进 行 Ｆ Ｔ能量 分 析 ，根 据 噪 声 能 量 含 量 的 大 ｄ 来判 Ｆ 、
断 断 条 故 障 的 严 重程 度 。 然后 利 用 Ｂ Ｐ神 经 网络 对 电机 的 电 流 信 号 能 量 特 征 值 分 别进 行 训 练 和 检 验 ，并 初 步
基 于 信 息 融 合 方 法 的 电机 故 障诊 断 研 究
许 允之 ，龚 乃 玮 ， 葛 矗 ， 苏 徐 州 ２ １１ ） 中 ２ １６
摘 要 ：研 究 鼠龙 异 步 电机 转子 故 障诊 断技 术 ，先 运 用 小 波 包 分 析 技 术 对 电机 电 流 信 号进 行 了 特 征 值 的提 取 ，
ｏ ｔ ｉ ｄ ｂ ｉ ｆｔ ｅ ｒ ｌｎｅｗｏ ｋ ｆｒｔ ｒ ｉｉ ｇ ａ ｄ ｉ ｐｅ ｔｏ ｆｔ ｕｒｅ ｉｎａ ｎ ｒｙ ｃ ｒ ｃｅ ｉｔｃｖ ｌ ｂ ａｎｅ ｙ ｕｓｎｇ ｏ ｈｅＢＰ ｎ ｕ ａ ｔ ｒ ｏ ｈｅｔａｎ ｎ ｎ ｎｓ ｃｉｎ ｏ ｈｅ ｃ ｒｎｔｓｇ ｌｅ ｅ ｇ ｈａａ ｔｒｓｉ ａ— ｕ ． Ｆ ｎ ｌｒ ｓ ｌ ｉ ｏ ａｎｅ ｂ ｔｌｚｎ ｈ Ｓ ｅ ｉ ｎ ｅ ｔ ｅ ｒ ｉｔ ｈ ｄ ｃｓｏ ｍａ ｉ ｎｏ ｍ ａｉｎ ｆ ｓｏ ｒ ｔ ｅｓ ｉ ａ ｅ ｕｔ ｓ ｂｔｉ ｄ ｙ ｕ ｉｉｉ ｇ ｔ ｅ Ｄ— ｖｄｅ ｃ ｈ ｏ ｙ ｎ ｏ ｔ ｅ ｅ ｉｉｎ－ ｋｎｇ ｉ ｆｒ ｔｏ ｕ ｉｎ ｆ ｈｅ ｏ ｐｒｌｍｉ ａ ｙ ｒ ｓ ｔ Ｅｘ ｒｍｅ ｔ ｎ ｃ ｔｓ ｔ ａ ｕ ｉ ｇ ｍｕｌ ｐ ｙ ｅ ｉ ｅ ｃ ｓ ｆ ｓｏ ａ ｉ ｅｉ ｎ ｒ ｅ ｕｌ． ｐｅｉ ｎ ｉｄｉａｅ ｈ ｔ ｓｎ ｔ ｌ ｖ ｄ ｎ ｅ ｕ ｉｎ ｃ ｎ ｍｐｒｖ ｈ ｄ ｇ ｅ ｆ ａ ｃ ａ ｙ ｔ ｉ ｏ ｅ ｔ ｅ ｅ ｒ ｅ ｏ ｃ ｕｒ ｃ ｏ
得 出诊 断 结 果 。 再运 用 Ｄｓ证 据 理 论 对 Ｂ ． Ｐ神 经 网络 的输 出结 果 进 行 了 决 策 层 的 信 息 融 合 故 障诊 断 ，并 得 出 了最 终 的诊 断 结 果 。 实验 表 明 ，在 一 定程 度 上 采 用 多证 据 的 融合 能进 一 步提 高诊 断 的 准确 度 。
ｌｚ ｄｂ Ｆ ｎ ｒｙａ ａｙｅ ，ｗ ｉｈｉ ｓｄｔ ｕ ｇ ｈ ｅ ｅｉ ｆｂｏ ｅ ａｓ ｒｌ ｎ ｒ ｉｇ ｏ ｉ ｒｓ ｌ ａ ｅ ｙ ｅ ｙ Ｆ Ｔ ｅ ｅｇ ｎ ｌｓ ｓ ｈｃ ｓｕ ｅ ｏｊｄ ｅｔｅｓｖ ｒ ｙｏ ｒｋ ｎ ｂ ｒ．Ｐｅｉ ａｙｄａ ｎ ｓ ｅ ｕｔ ｃ ｎｂ ｔ ｍｉ ｓ ｓ
第 ３ ９卷 第 ３期
２１ ０ ２年 ５月
华 北 电 力 大 学 学 报
Ｊ ｕ ｎ ｌｏ ｒ ｈ ｎ ｌ ｃｒ ｏ ｒ Ｕ ｉｅ ｓ ｙ ｏ ｒ ａ ｆＮｏ ｔ Ｃ ｉａ Ｅ ｅ ｔ ｃ Ｐ ｗｅ ｎ ｖ ｒｉ ｈ ｉ ｔ
Ｖｏ． ９． ．３ １３ Ｎｏ
Ｍａ ｙ， ２０１ ２
关 键 词 ：小 波 ； 息 融 合 ；故 障诊 断 ； 经 网络 ； 据 信 神 证 中 图 分 类 号 ：Ｔ ０ Ｍ３ ７ 文 献标 识码 ：Ａ 文章 编 号 ：１ ０ ２ ９ （ ０ ２ ３— ０ ３— ６ ０ ７— ６ １ ２ １ ）０ ０ ５ ０
Ｓ ｕｄ ｎ ｔ ｅ ｆ ｕ ｔｄ ａ ｎ ｓｓ ｏ ｏ ｏ ａ ｅ ｎ ｔ ｙ ｏ ｈ ａ ｌ ｉ ｇ ｏ ｉ ｆ ｍ ｔ ｒ ｂ ｓ ｄ ｏ