| 【中文题名】 | 神经网络和证据理论集成的数据融合故障诊断方法研究 |
| 【英文题名】 | Study of Fault Diagnosis Methord Using Data Fusion Integrated ANN and Evidence Theory |
| 【学科专业】 | 机械电子工程 |
| 【论文级别】 | 硕士论文 |
| 【投稿时间】 | 2003-6-23 |
| 【中关键词】 | 故障诊断,液压泵,数据融合,人工神经网络,证据理论, |
| 【英关键词】 | fault diagnosis,hydraulic pump,data fusion,artificial neural network,evidence theory, |
| 【分类导航】 | 工业技术>自动化技术、计算机技术>自动化基础理论>人工智能理论>人工神经网络与计算> |
| 【论文摘要】 |
液压系统以其功率质量比大等优点在工程领域应用广泛，在许多设备中起着核心控制或传动的作用。及时准确地进行液压系统故障诊断对提高设备生产效率、减少故障停机和降低故障损失起着举足轻重的作用。液压泵作为液压系统的动力源，它的工作条件最为恶劣，因此对液压泵的故障诊断又成为了保证液压系统正常运行的关键。
本文在对液压泵故障诊断的各种方法进行了系统研究的基础上，分析出传统的故障诊断方法，即简易诊断方法和基于信号处理与建模处理的诊断方法，存在着很大缺陷；而智能诊断技术已成为了当前诊断技术发展的必然趋势。但是智能诊断技术的诊断准确率有待进一步提高，目前迅速发展的数据融合技术具有能充分利用各个数据源之间包含的冗余和互补信息的优点，可以提高系统决策的准确性和鲁棒性，为液压泵故障诊断确诊率的提高提供了一条有效途径。
本文首先对数据融合的基本原理、基本概念进行了阐述，总结了数据融合的层次和模型结构形式，并对常用的融合算法进行了总结分类；分别对数据融合算法—神经网络方法和证据理论方法—进行了详细的阐述，同时对神经网络(BP网络)的结构设计进行了深入研究；然后对神经网络和证据理论方法优缺点进行了分析，在此基础上为了实现... |
| 【论文题纲】 |
|
中文摘要 |
4-5 |
|
英文摘要 |
5-10 |
|
第1章 绪论 |
10-16 |
|
1．1 液压泵故障诊断技术的意义 |
10-11 |
|
1．2 液压泵故障诊断技术的发展 |
11-14 |
|
1．3 本课题的主要研究内容 |
14-16 |
|
第2章 数据融合技术 |
16-26 |
|
2．1 数据融合技术的起源及发展状况 |
16 |
|
2．2 数据融合的基本原理 |
16-18 |
|
2．3 数据融合的定义 |
18 |
|
2．4 数据融合的层次 |
18-19 |
|
2．5 融合系统的模型结构 |
19-20 |
|
2．6 多传感器融合算法 |
20-24 |
|
2．6．1 基于统计和估计的融合算法 |
20-22 |
|
2．6．2 基于信息论的融合算法 |
22-23 |
|
2．6．3 基于认识模型的融合算法 |
23-24 |
|
2．7 数据融合技术的应用 |
24-25 |
|
2．7．1 数据融合技术在军事上的应用 |
24 |
|
2．7．2 数据融合技术在民用工程领域中的应用 |
24-25 |
|
2．8 本章小结 |
25-26 |
|
第3章 人工神经网络及网络结构设计原则 |
26-43 |
|
3．1 人工神经元模型 |
26-28 |
|
3．2 神经网络的联接形式 |
28-29 |
|
3．3 人工神经网络的学习 |
29-30 |
|
3．4 典型的前向网络—反向传播网络（BP网络 |
30-39 |
|
3．4．1 反向传播网络模型与结构 |
30-31 |
|
3．4．2 反向传播算法 |
31-36 |
|
3．4．3 学习过程具体步骤 |
36-37 |
|
3．4．4 BP网络的缺陷 |
37-39 |
|
3．5 BP神经网络结构设计原则 |
39-42 |
|
3．5．1 网络信息容量与训练样本数 |
39 |
|
3．5．2 网络层数的确定 |
39-40 |
|
3．5．3 隐层节点数的设计 |
40-41 |
|
3．5．4 初始权值的选取 |
41 |
|
3．5．5 学习的速率 |
41 |
|
3．5．6 期望误差的选择 |
41-42 |
|
3．6 本章小结 |
42-43 |
|
第4章 证据理论和神经网络证据理论诊断方法 |
43-56 |
|
4．1 信度函数 |
43-46 |
|
4．1．1 概率的解释 |
43-44 |
|
4．1．2 识别框架 |
44 |
|
4．1．3 基本可信度分配与信度函数 |
44-45 |
|
4．1．4 似真度函数 |
45-46 |
|
4．2 Dempster合成法则 |
46-49 |
|
4．2．1 两个信度函数的合成 |
46-48 |
|
4．2．2 多个信度函数的合成 |
48 |
|
4．2．3 证据的折扣 |
48-49 |
|
4．3 基于证据理论的决策 |
49-50 |
|
4．3．1 基于信任函数的决策 |
49 |
|
4．3．2 基于基本可信度分配的决策 |
49-50 |
|
4．3．3 基于最小风险的决策 |
50 |
|
4．4 证据理论的优缺点 |
50-51 |
|
4．5 证据理论和神经网络集成的数据融合诊断方法 |
51-54 |
|
4．6 本章小结 |
54-56 |
|
第5章 液压泵故障诊断试验研究 |
56-74 |
|
5．1 液压泵的常见故障机理分析 |
56-57 |
|
5．2 液压泵故障诊断常用信号数据源 |
57-59 |
|
5．3 液压泵诊断试验的液压系统组成 |
59-60 |
|
5．4 神经网络证据理论液压泵诊断模型 |
60-61 |
|
5．5 局部诊断神经网络结构设计 |
61-63 |
|
5．5．1 局部网络的个数确定 |
61 |
|
5．5．2 输入层输出层节点数的确定 |
61-62 |
|
5．5．3 网络层数和隐层节点数的确定 |
62-63 |
|
5．5．4 初始权值、学习速率和训练误差的选择 |
63 |
|
5．6 神经网络和证据理论集成的液压泵诊断判决方法 |
63-64 |
|
5．7 神经网络证据理论液压泵诊断验证 |
64-73 |
|
5．7．1 数据的采集和数据特征的获得 |
64-67 |
|
5．7．2 故障诊断与结果分析 |
67-73 |
|
5．8 本章小结 |
73-74 |
|
结论 |
74-76 |
|
参考文献 |
76-81 |
|
攻读硕士学位期间承担的科研任务与主要成果 |
81-82 |
|
致谢 |
82-83 |
|
作者简介 |
83 |
|
| 【DOI】 | LunWen.ID:2.2008.386749 |
