海量信息融合方法及其在故障诊断中的应用

《海量信息融合方法及其在故障诊断中的应用》由会员上传分享，免费在线阅读，更多相关内容在工程资料-天天文库。

1、海量信息融合方法及其在故障诊断中的应用摘要：针对多传感器融合的信息不确定性以及证据理论缺乏对海量信息融合的有效处理，以概率盒理论为基础，提出一种基于改进的证据理论概率盒融合算法，用于解决故障诊断中的应用问题。首先将多个传感器数据进行分布类型检验，然后针对不同分布特点使用不同方案进行建模，并利用改进的证据理论概率盒融合算法进行数据融合，最后从融合后的结果中提取特征，利用支持向量机进行故障诊断，得出诊断结果。实验结果表明，该方法合理可行，尤其在海量信息融合中，效率得到显著提升。关键词：故障诊断；概率盒；信息融合；多传感器；

2、支持向量机DOIDOI：10.11907/rjdk.173304中图分类号:TP319文献标识码：A文章编号:1672-7800(2018)008-0174-04英文摘要Abstract：Aiminga/ttheinformationuncertaintyofmulti-sensorfusionandevidencetheory1sineffectivetreatmentofmassinformationfusion,thispaperproposesanimprovedprobabilitytheoryboxfusi

3、onalgorithmbasedonevidencetheorytosolvetheproblemoffaultdiagnosisproblem・First，thedataofmultiplesensorsweretestedfordistributiontype.Thendifferentschemeswereusedtomodeldifferentdistributioncharacteristics.Thirdly,theimprovedevidencetheoryprobabilityboxfusionalgo

4、rithmisusedfordatafusion.Finally,thefeatureisextractedfromthefusionresuIts，andtheSVMisusedtodiagnosethefault,andthediagnosisresultsareobtained.Theexperimentalresultsshowthatthemethodisreasonableandfeasible,especiallyinthemassiveinformationfusion，theefficiencyiss

5、ignificantlyimproved.英文键词KeyWords：fauItdiagnosis；probabilitybox；informationfusion；multi-sensor；SVM0引言故障诊断是指运用已有检测方法发现系统和设备故障的过程，对避免设备的意外失效、延长部件使用寿命具有重要意义。由于以往的单传感器信号采集系统在传感器失效时无法正常采集信号，可靠性和容错性较低，因而现今指标为减少数据集缺失，多由多源传感器采集。与单一传感器系统相比，在故障诊断等方面采用多源信息融合技术能够增强数据可信度，并有效

6、提高诊断精度。此外，多传感器的信息融合可以为诊断提供更丰富的信息，全面反映监控对象状态，在传感器失效时，正常工作的传感器可作为冗余备份采集有效的故障信息。因此，为了得到更好的预测结果，必须对数据进行融合处理。常用的融合算法有神经网络［1-3］、贝叶斯［4］、DS证据理论［5-7］等。其中，文献［8］、文献［9］虽然为海量信息融合技术的发展提供了新的探索途径，但在融合海量信息时，证据理论具有潜在指数级复杂度的缺点会更加突出，同时参与海量信息融合的各传感数据变量都存在不确定性［10］,即便符合某种分布，也很可能存在波动情况

7、。本文将概率盒理论［11］引入到信息融合中，提出基于改进的证据理论概率盒融合算法，并采用支持向量机［12-14］进行故障诊断，以有效解决海量信息融合在故障诊断中的应用问题。1概率盒及DS结构体2概率盒融合算法2.1概率盒建模为了在有限信息量的前提下达到最优，需将不确定数限制在概率盒内，从而实现概率盒的建模。本文采用3种建模方法[15],分别为原始参数概率盒建模方法(TheP-boxesModelingMethodBasedonOriginalParameters,OPPMM)、特征参数概率盒建模方法(TheP-boxe

8、sModelingMethodBasedonCharacteristicParameters,CPPMM)、概率盒定义建模方法(TheP-boxesModelingMethodBasedonDefinition,DPMM)。具体建模过程为：当采集到的原始数据服从某种概率分布类型时，采用基于原始参数概率分布类型的0PPMM；当原始数