《基于多传感器的神经网络和D-S证据理论在故障诊断中的应用》PDF+DOC
作者：周国宪,伍星,刘韬
单位：中国兵工学会
出版：《测试技术学报》2017年第04期
页数：8页 （PDF与DOC格式可能不同）
PDF编号：PDFCSJS2017040030
DOC编号：DOCCSJS2017040039
下载格式：PDF + Word/doc 文字可复制、可编辑
《D-S证据理论在断路器故障诊断中的应用》PDF+DOC2003年第03期 程磊,李正瀛,尹小根,何俊佳
《D-S证据理论在火灾检测中的应用》PDF+DOC2016年第05期 王慧,宋宇宁
《基于D-S证据理论的多传感器气体泄漏源判定》PDF+DOC2016年第12期 朱菲菲,孙启湲,贾云伟,燕磊
《基于GA-BP神经网络的多传感器轴承故障诊断》PDF+DOC2017年第10期 李荣远,张国银,王海瑞,王雪,宋怡然,齐磊,任玉卿
《基于D-S推理的汽轮发电机组融合诊断》PDF+DOC2003年第02期 董彩凤,马平,隗喜斌
《D-S证据理论在多传感器融合中的应用》PDF+DOC2001年第03期 刘怀国,吴陈,张冰
《基于信息融合理论的柴油机故障诊断技术》PDF+DOC2010年第06期 王江萍,王潇,鲍泽富
《证据理论在旋转机械故障诊断中应用》PDF+DOC2007年第02期 刘永安,白文宝,徐保国
《组合D-S证据理论在多传感器信息融合中的应用》PDF+DOC2006年第S1期 陈玉坤,司锡才,郜丽鹏
《基于BP神经网络和D-S证据理论的滚动轴承故障诊断方法研究》PDF+DOC2014年第23期 徐卫晓,谭继文,文妍
为提高滚动轴承故障诊断的准确性，本文提出了一种基于多传感器神经网络和D-S证据理论的故障诊断方法，并通过包含3个传感器的监测数据融合对模型进行了验证.首先，利用两个加速度传感器和一个声传感器采集滚动轴承的振动信号和噪声信号.其次，分别对两个加速度传感器的振动信号进行总体经验模态分解(Ensemble Empirical Mode Decomposition，EEMD)得到各固有模态函数(Intrinsic Mode Function，IMF)分量，并提取各IMF分量的能量特征作为子网络1和子网络2的输入参数；同时，对声传感器的噪声信号进行小波包分解提取各频段能量特征作为子网络3的输入参数；3个子网络的局部诊断结果归一化处理得到各自独立的证据体，对冲突证据加权修正并运用D-S证据理论进行决策级的信息融合得出最终的故障诊断结果.实验结果表明：该方法可有效提高滚动轴承故障诊断的准确率，降低故障诊断的不确定性。
提示：百度云已更名为百度网盘（百度盘），天翼云盘、微盘下载地址……暂未提供。