基于D-S理论的故障诊断融合算法及应用研究.pdf

《基于D-S理论的故障诊断融合算法及应用研究.pdf》由会员上传分享，免费在线阅读，更多相关内容在行业资料-天天文库。

1、基于D-S理论的故障诊断融合算法及应用研究张佳薇。等基于D—S理论的故障诊断融合算法及应用研究ResearchonApplicationofFaultDiagnosisFusionAlgorithmBasedonD—SEvidenceTheory旅佳履1李叨室2邦．摘龙3(东北林业大学机电工程学院‘，黑龙江哈尔滨150040；东北林业大学土木工程学院2。黑龙江哈尔滨150040；天津航空机电有限公司3，天津300000)摘要：针对工业现场传感器状态类型复杂多变、被测参量难以准确可靠获得等同题，提出了一种基于RBF神经网络和证据

2、理论的两级信息融合方法。利用RBF神经网络实现特征层数据融合，并建立基本信任分配函数，解决了D．s证据理论确定基本信任分配函数困难的问题；基于D-s证据理论的传感器故障诊断方法，可用来判断出工业现场传感器的有效工作状态。木材含水率检测结果表明，基于RBF神经网络和证据理论的两级信息融合方法可正确定位并准确分离出失效传感器。关键词：证据理论故障诊断融合算法RBF神经网络木材含水率检测中图分类号：TP206文献标志码：AAbstract：Tosolvetheproblemsof$on．∞r8usedinindustrialfiel

3、ds，includingcomplicatedtypesofstatusandhardtoacquirepropermes．suredparameters，etc．。themethodoftwo-levelinformationfusionbasedonRBFneuralnetworkandevidencetheoryisproposed．ThedatafusiononfeaturelayerisrealizedbyusingRBFneuralnetwork，andthebasicbeliefassignmentfunctio

4、nisestablished。thediflicuhissueofdeterminingbasicbeliefassignmentfunction诵tIlD-Sevidencetheoryissolved．ThefaultdiagnosticmethodbasedonD-Sevidencetheorycanbeusedforjudgingeffectiveoperationstatusofthesonsor．Thedetectionresultofthemoistureinlumberindicatesthatthistwo—

5、levelinformationfusionmethodisabletodetermineandaccuratelyseparatethefailuresensor8．Keywords：EvidencetheoryFaultdiagnosisFusionalgorithmRBFneuralnetworkLumbermoisturecontentDetection0引言在运用D—s证据理论解决故障诊断问题时，确定基本信任函数存在一定的困难，使得该理论在实际应用中受到限制。利用RBF神经网络可以任意精度逼近任何非线性函数，具有最佳

6、一致逼近特性等优点，将其运用到证据合成过程中可用来获取基本信任函数。这样既可利用D-s证据理论来表达和处理不确定信息，又可以发挥RBF网络的自学习、自适应和容错能力，对不确定信息的融合就有较强的鲁棒性，并可提高诊断系统的准确性。本文提出了一种基于RBF神经网络和证据理论的两级信息融合方法，并对木材干燥过程参数自动检测中判断传感器有效工作状态进行仿真研究，仿真结果验证了该方法的可行性。黑龙江省自然科学基金资助项目(缡号：C200808)；黑龙江省青年科学技术专项基金资助项目(编号：QC07CST)。修改稿收到日期：2009—05

7、一ll。第一作者张佳麓．女。1975年生，2006年毕业于东北林业大学机电工程学院，获博士学位，副教授；主要从事木材干燥过程参数智能检测与多传感器数据融合方面的研究。《自动化仪表》第3l卷第1期2010年1月lD-S证据理论D．S证据理论是建立在一个非空集合0基础上的理论。对于问题域中所能认识到的所有可能结果的集合用0表示，那么，任一命题都对应于@的一个子集。为了强调O所具有的这种认识论的特性，Sharer把0称为识别框架(frameofdiscernment)。当一个命题对应于该识别框架的一个子集时，则称此命题为该框架能够识

8、别的命题”。1。定义l设O为识别框架，如果集函数m：2e_+[O，1](2。为@的幂集)满足不可能发生的基本概率为0，即m(西)=0。O中全部元素的基本概率之和为1，即∑．m(A)=l。式中：m为框架@上基本概率分配函数BPA(basicprobabilityassignme