学位论文 > 优秀研究生学位论文题录展示

基于多源信息融合的传感器故障诊断方法研究

作　者: 张冀
导　师: 王兵树；马永光
学　校: 华北电力大学（河北）
专　业: 热能工程
关键词: 故障诊断 D-S证据理论主元分析径向基函数神经网络传感器
分类号: TP212
类　型: 博士论文
年　份: 2008年
下　载: 1602次
引　用: 14次
阅　读: 论文下载

内容摘要

随着电厂自动化水平的不断提高,控制系统逐渐成为整个机组安全运行的监控中枢。传感器网络是连接控制系统与设备对象之间的桥梁,传感器的测量参数反映了机组的运行过程和设备的工作状态,传感器的性能对控制系统的调节品质和机组的安全运行具有重要影响,因此对传感器故障诊断非常必要。目前电厂广泛采用的分散控制系统(DCS)可实现对整个机组实时的、全方位和多层次的监控,这些关于设备和系统的丰富信息是进行设备和热力系统故障诊断的宝贵资源。采用多源信息融合技术可以充分挖掘这些信息的内涵,通过对信息的优化组合能够导出更多的有效信息,降低信息的不确定性,从而为故障诊断提供可靠和完整的信息。针对D-S证据组合规则对高冲突证据会产生有悖常理结果的问题,深入研究了几种证据组合规则的原理、算法和特点,通过一个高冲突证据例子分析了每个规则是如何处理冲突证据,讨论了各个规则的优缺点和应用条件,指出应根据冲突的程度和关联度以及如何处理冲突证据等方面情况选择具体的组合规则。针对D-S理论融合在进行多个数据源关联时,计算量和复杂度随着量测维数的增大呈指数增加,提出一种PCA和D-S证据理论相结合的故障诊断方法。该方法基于PCA的数据降维特性和故障检测的完备性,克服了PCA故障分离的不唯一性,利用了证据理论非精确信息的表示和推理优势,解决了证据理论的组合爆炸问题,且有效提高了故障检测和分离能力。针对在多传感器故障的诊断问题,提出了一种基于证据理论的精细-融合-粗化的多源信息融合方法。该方法采用精细和粗化算子在不同但相容识别框架之间建立某种联系,从而有效解决了在这些识别框架之间的证据融合问题,为多传感器故障诊断提出了一种新的思路和方法。为了降低传感器状态信任分配的不确定性,提出了一种改进的多传感器故障诊断的方法。该方法采用分步精细、分组融合的策略,能更充分和更有效的利用已知信息源之间的冗余和互补信息,可大幅提高多传感器故障诊断的准确性和可靠性。基于多传感器故障诊断,提出了一种基于径向基函数的两输入单输出的模块化神经网络来构造基本概率函数的方法,克服了多输入多输出神经网络的的缺点,可解决因输入参数和个数变化导致不可用,以及样本的维数过高、数据过多使网络训练时间长甚至不收敛问题,解决了初始证据产生难的问题,能够满足工程模块化需要和实时性要求。

全文目录

中文摘要  5-6
英文摘要  6-11
第一章绪论  11-28
  1.1 选题背景及意义  11-12
  1.2 故障监测与诊断技术的发展及其现状  12-15
    1.2.1 故障诊断技术的发展过程  12-13
    1.2.2 故障诊断技术的国内外发展现状  13-15
  1.3 故障诊断技术的分类  15-23
    1.3.1 基于解析数学模型的方法  16-18
    1.3.2 不依赖于数学模型的方法  18-23
  1.4 基于多源信息融合的故障诊断技术  23-26
    1.4.1 国内外研究现状  24-25
    1.4.2 目前存在的一些问题  25-26
  1.5 课题研究的主要内容  26-28
第二章多源信息融合  28-40
  2.1 引言  28
  2.2 多源信息融合的一般概念与定义  28-29
  2.3 多源信息融合技术的起源、发展和应用  29-32
    2.3.1 信息融合的起源  29-30
    2.3.2 信息融合技术的国内外发展  30-31
    2.3.3 信息融合技术的应用  31-32
  2.4 多源信息融合的分类方法  32-35
    2.4.1 按融合技术分类  32-33
    2.4.2 按融合判决方式分类  33
    2.4.3 按信息融合处理层次分类  33-34
    2.4.4 按信息融合结构模型分类  34
    2.4.5 按融合的信息类型分类  34-35
  2.5 多源信息融合算法  35-37
    2.5.1 基于物理模型的算法  36
    2.5.2 基于特征推理技术的算法  36
    2.5.3 基于感知模型的算法  36
    2.5.4 基于现代数学模型的算法  36-37
  2.6 信息融合的三层含义  37-38
    2.6.1 第一层含义是信息的全空间性  37
    2.6.2 第二层含义是信息的综合性  37
    2.6.3 第三层含义是信息的互补性  37-38
  2.7 信息融合的信息分类  38-39
    2.7.1 冗余信息  38
    2.7.2 互补信息  38
    2.7.3 协同信息  38-39
  2.8 本章小节  39-40
第三章证据理论和证据组合算法的研究  40-61
  3.1 引言  40-41
  3.2 证据的类型  41-42
  3.3 D-S 证据理论  42-46
    3.3.1 基本概念  43-45
    3.3.2 基本概率赋值的获取  45
    3.3.3 证据理论与贝叶斯理论的比较  45-46
  3.4 证据组合规则  46-52
    3.4.1 D-S 组合规则  47
    3.4.2 Yager 组合规则  47-48
    3.4.3 Inagaki 组合规则  48-50
    3.4.4 Zhang 组合规则  50-51
    3.4.5 Dubois-Prade 组合规则  51
    3.4.6 Discount 平均规则  51-52
    3.4.7 平均分配规则  52
  3.5 不同组合规则的比较  52-56
    3.5.1 D-S 组合规则  52-53
    3.5.2 Yager 组合规则  53-54
    3.5.3 Inagaki 组合规则  54
    3.5.4 Zhang 组合规则  54
    3.5.5 Dubois-Prade 组合规则  54-55
    3.5.6 平均分配规则  55
    3.5.7 讨论  55-56
  3.6 证据理论的决策规则  56-59
    3.6.1 最大似真度决策方法  57-58
    3.6.2 最大信任度决策方法  58
    3.6.3 最大Pignistic 概率决策方法  58-59
  3.7 小结  59-61
第四章基于PCA 和D-S 证据理论的故障诊断方法的研究  61-76
  4.1 引言  61
  4.2 基于主元分析的故障检测和故障诊断  61-71
    4.2.1 主元分析法  61-65
    4.2.2 基于PCA 的故障检测方法  65-67
    4.2.3 基于PCA 的故障诊断方法  67-68
    4.2.4 故障诊断实例  68-71
  4.3 基于PCA 和D-S 证据理论的故障诊断方法  71-75
    4.3.1 PCA 与D-S 理论相结合的故障诊断原理  71-73
    4.3.2 基于神经网络的信息融合识别的基本原理  73
    4.3.3 PCA 与D-S 理论相结合的传感器故障诊断  73-75
  4.4 小结  75-76
第五章基于证据理论的多传感器故障诊断方法的研究  76-105
  5.1 引言  76
  5.2 识别框架  76-78
    5.2.1 识别框架的定义  76-77
    5.2.2 识别框架的相容性  77-78
  5.3 精细算子和粗化算子  78-80
  5.4 基于不同但相容识别框架下多传感器故障诊断研究  80-91
    5.4.1 识别框架的建立  80-81
    5.4.2 Bpa 的确定  81-82
    5.4.3 不同识别框架的精细和粗化过程  82-83
    5.4.4 采用精细－融合－粗化的多传感器故障诊断方法  83-84
    5.4.5 多传感器故障诊断的可检测性和可分离性  84-86
    5.4.6 仿真研究  86-91
  5.5 基于不完备信息的多传感器故障诊断研究  91-93
  5.6 一种改进的基于不完备信息的多传感器故障诊断研究  93-95
  5.7 汽包锅炉给水控制系统的传感器故障诊断实例  95-103
    5.7.1 单传感器故障实例  96-99
    5.7.2 多传感器故障诊断实例  99-103
  5.8 小结  103-105
第六章结论  105-108
参考文献  108-119
致谢  119-120
个人简历、在学期间发表的学术论文及研究成果  120-121

基于多源信息融合的传感器故障诊断方法研究

内容摘要

全文目录

相似论文