基于多传感器信息融合的液压系统故障诊断方法研究

发布时间：2017-09-10 20:19

  本文关键词：基于多传感器信息融合的液压系统故障诊断方法研究

  更多相关文章： 液压系统故障诊断 微粒群算法 神经网络 D-S证据理论 多传感器信息融合

【摘要】：液压系统作为工程车辆的核心部件，它的运行状态直接影响到整个车辆的工作，及时而准确地对其故障进行监测、预报和诊断具有重要的实际意义。液压系统工作环境恶劣，故障机理复杂多样，单一传感器获得的故障特征参数常常是模糊和不确定的。因此，需要综合利用多源故障信息，才能实现对设备全面而准确的诊断。 论文重点对液压系统中的动力源液压泵的故障诊断进行了研究。通过组建有效的传感器网络，充分利用泵壳三个方向的振动信号和外泄口温度信号的特征信息，本文根据JDL模型并结合泵车液压系统故障特点设计了一个三级多源信息融合诊断系统；数据级主要对各故障数据进行特征提取和归一化，特征级通过构建4个多并行的MPSO-BP神经网络进行子网局部诊断，决策级利用改进的D-S证据理论将各子网局部诊断结果进行决策融合；最终实现了对液压泵故障的准确诊断。 在系统的特征层融合中，针对PSO算法收敛精度低、易早熟和后期收敛速度慢等问题，本文提出了基于惯性权重正弦调整和自适应变异策略的PSO改进算法，使算法的收敛精度和收敛速度得到了提高，有效地避免了早熟收敛现象；同时，针对BP神经网络的梯度下降学习方法在网络学习训练过程中易陷入局部极小值等不足，利用PSO很强的全局优化能力，本文将改进的PSO算法对网络的权值和阈值矩阵进行优化，，提出了一种改进的PSO-BP神经网络诊断算法，算例仿真验证了该方法的有效性。 在决策层，针对D-S证据理论不能合成高度冲突证据这一问题，本文从证据源本身着手，依据多数服从少数的决策思想，提出了一种新的基于证据权重的D-S改进算法。算例仿真表明该方法能高效地融合冲突证据，且与其它改进算法相比，收敛速度更快，合成结果更理想。
【关键词】：液压系统故障诊断 微粒群算法 神经网络 D-S证据理论 多传感器信息融合
【学位授予单位】：太原科技大学
【学位级别】：硕士
【学位授予年份】：2013
【分类号】：TH165.3;TP202.1
【目录】：

• 摘要4-5
• ABSTRACT5-9
• 第一章 引言9-19
• 1.1 选题背景及意义9-10
• 1.2 液压系统故障诊断技术的研究进展及发展趋势10-14
• 1.2.1 液压系统故障诊断技术的研究现状10-11
• 1.2.2 液压系统故障诊断技术的主要方法11-13
• 1.2.3 液压系统故障诊断技术的发展趋势13-14
• 1.3 多传感器信息融合技术的国内外发展现状14-16
• 1.4 本文的主要内容与结构安排16-19
• 第二章 多传感器信息融合技术19-27
• 2.1 多传感器信息融合的定义及优势19-20
• 2.2 信息融合的基本原理20-21
• 2.3 信息融合的模型21-23
• 2.4 信息融合的级别23-25
• 2.5 基于多传感器信息融合的故障诊断系统模型25-26
• 2.5.1 多传感器信息融合与故障诊断25
• 2.5.2 基于信息融合的故障诊断系统模型25-26
• 2.6 本章小结26-27
• 第三章 基于神经网络的特征级诊断算法27-49
• 3.1 神经网络在多传感器信息融合故障诊断系统中的应用27
• 3.2 基本知识27-34
• 3.2.1 BP 神经网络27-30
• 3.2.2 微粒群算法30-34
• 3.3 改进的 PSO 算法34-42
• 3.3.1 几种改进的 PSO 算法34-35
• 3.3.2 基于惯性权重正弦调整和自适应变异策略的 PSO 改进算法35-36
• 3.3.3 算例分析与比较36-42
• 3.4 改进的 PSO-BP 神经网络42-48
• 3.4.1 改进的 PSO-BP 神经网络模型43-45
• 3.4.2 算例分析与比较45-48
• 3.5 本章小结48-49
• 第四章 基于 D-S 证据理论的决策级融合算法49-63
• 4.1 D-S 证据理论49-54
• 4.1.1 D-S 证据理论基本概念49-51
• 4.1.2 D-S 证据理论组合规则51-52
• 4.1.3 D-S 证据理论决策规则52-54
• 4.2 D-S 证据理论组合规则存在的问题54-55
• 4.3 改进的 D-S 证据理论55-60
• 4.3.1 现有的改进方法55-56
• 4.3.2 一种新的基于证据权重的 D-S 改进算法56-60
• 4.4 算例分析与比较60-62
• 4.5 本章小结62-63
• 第五章 基于多传感器信息融合的液压系统故障诊断实例63-79
• 5.1 液压泵的工作原理以及故障机理分析63-65
• 5.2 基于多神经网络和改进 D-S 证据理论的液压系统故障诊断模型65-67
• 5.2.1 基于多 MPSO-BP 神经网络的特征级局部诊断层66
• 5.2.2 基于改进 D-S 证据理论的决策级融合诊断层66-67
• 5.3 诊断实例67-77
• 5.3.1 数据分析与预处理68-69
• 5.3.2 特征级子网诊断69-75
• 5.3.3 决策级融合诊断75-77
• 5.4 本章小结77-79
• 第六章 结论与展望79-81
• 6.1 结论79-80
• 6.2 展望80-81
• 参考文献81-87
• 致谢87-89
• 攻读硕士学位期间所发表的论文89-90

【参考文献】

中国期刊全文数据库 前10条

1 孙全,叶秀清,顾伟康;一种新的基于证据理论的合成公式[J];电子学报;2000年08期

2 简小刚;贾鸿盛;石来德;;多传感器信息融合技术的研究进展[J];中国工程机械学报;2009年02期

3 王小艺;侯朝桢;原菊梅;刘载文;;基于进化策略改进的D-S证据识别算法[J];光电子·激光;2006年08期

4 叶清;吴晓平;宋业新;;引入权重因子的证据合成方法[J];火力与指挥控制;2007年06期

5 潘兵;熊静琪;;多传感器信息融合在液压系统智能故障诊断中的应用[J];机床与液压;2006年05期

6 陈家焱;陈章位;;液压系统故障诊断技术的现状与发展趋势[J];机床与液压;2008年10期

7 施锦丹;王凯;王伯成;王效飞;;液压系统故障诊断方法综述[J];机床与液压;2008年11期

8 王世明;;工程机械液压系统故障监测诊断技术的现状和发展趋势[J];机床与液压;2009年02期

9 许同乐;韩元杰;;专家系统在液压故障诊断中的应用[J];机床与液压;2009年03期

10 范士娟;杨超;;液压系统故障诊断方法综述[J];机床与液压;2009年05期

中国博士学位论文全文数据库 前2条

1 张冀;基于多源信息融合的传感器故障诊断方法研究[D];华北电力大学（河北）;2008年

2 饶泓;基于多源信息融合与Rough集理论的液压机故障诊断方法研究[D];南昌大学;2009年

中国硕士学位论文全文数据库 前7条

1 杨慧;多传感器信息融合技术的研究与应用[D];哈尔滨工程大学;2010年

2 周蕾;粒子群算法的改进及其在人工神经网络中的应用[D];西安电子科技大学;2010年

3 马昌训;混凝土泵车泵送液压系统故障仿真研究[D];中南大学;2011年

4 郑建丰;混凝土泵液压系统故障诊断方法研究[D];东北大学;2009年

5 于文征;柱塞泵泄漏故障智能诊断系统研究[D];南京理工大学;2002年

6 李启龙;轴向柱塞泵故障诊断和预测方法研究与系统开发[D];广东工业大学;2007年

7 唐毅;多传感器信息融合技术研究[D];电子科技大学;2009年

本文编号：826424