论文研究-基于主元分析和D-S证据理论的传感器故障诊断与应用.pdf

所需积分/C币:10 2019-07-22 20:28:39 307KB .PDF
收藏 收藏
举报

针对井下传感器状态类型复杂多变、被测参量数据庞大等问题,采用主元分析法对数据进行降维处理。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,再以证据理论对非精确信息的表示和推理优势,有效实现了故障检测和分离。实例仿真表明,利用主元分析和D-S理论能正确定位并准确分离出失效传感器。
第4期 付华,等:基于主元分析和D-S证据理论的传感器故障诊断与应用 1317 下面利用实例1和2探讨将PCA与DS理论相结合的故 0 0.9 0.8 0.8 障传感器的分离方法。 0 首先建立识别框架θ=「f,f,f]。其屮:6表示正常情 长0 况,表示瓦斯传感器故障,表示一氧化碳传感器故障 0.4 2 04 0.3 PCA。表示正常主元模型,PCA1表示瓦斯传感器故障下的主元 t, t/s 模型,PCA2表示一氧化碳传感器故障下的主元模型,分类识别 图1故障前后图2发生恒增益图3故障前后图4发生恒增益 信号变化趋势故障时的统计量信号变化趋势故障时的统计量 网络的输出m(·)(i=0,1,2)表示测量数据在PCA(i=0,1 2)下低维特征向量的识别结果。 3神经网络的识别融合原理 实例3当瓦斯传感器发生了恒增益时的故障分离。加 人故障传感器待系统基本稳定后测量数据x;,分别用PCA( 在特征融合结构屮,首先要构造训练样本数据,对于故障-0,1,2)模型进行主元分析,从而得到在该模型下的低维特 识别则需要选取不同故障的典型样本数据。训练样本数据由征向量t(i=0,1,2)。采用分类神经网络识别,得到一组识 多传感器系统在空间和时间上反映生产过程和设备状态内在别结果,经DS融合后即可得每个传感器的状态,如表3所示。 联系的東种相关性信息,也就是包含了多传感器系统在该模式 表3分类网络识别结果和DS融合结果 下的信息,通过输入矢量表现出来。神经网络在训练、学习过 分类网m0(6)=0.1016m0(1)=0.6872m0(/2)=0.2082 程屮,把多传感器系统反映的这种闪在相关性信息按照某种法 络识别m1(/)=0.1002m1(1)=0.6452m1(/,)=0.2546 则进行计算,得到该模式的特征矢量,并分布存储在网络的连 结果 m2(/0)=0.1642m2(/1)=0.5942m2()=0.2416 接权值矢量中,从而使神经网络具有了对该模式下的多传感器DS融合结果mG)=0.0312m(1)=0.9478m(,)=0.021 感知分类能力。 f1:瓦斯传感器发生故障 由于径向基函数网络( RBFNN)的训练周期短、数值精度 从上面的实验结果来看,采用PCA模型和DS证据理论 高、网络结构易于调整、具有铰强的局部遹近能力等优点,囚此可以很好地完成故障传感器的检测和分离⊥作。 本文采用RBNN进行信息融合识别。 样本数据经过PCA降维处理后,计算得到低维特征向量5结束语 TK,组成低维特征矩阵TK。TK=TK+TK1+…+TK 本文将传感器采集的现场数据经过PCA模型处理后输入 TK∈R(i=0,1,…,n)是第i种故障类型特征向量,是选RBF神经网络,网络输出作为决策层证据理论的初始证据,进 取的主元个数、是变量个数。然后训练RB神经冈络作为分行证据组合规则融合计算,得到每个传感器状态的信任度。这 类认别网络,通过对测量数据的低维特征向量的分类认别结果种两级融合方法有效地解决了基于Ds推理方法的计算组合 进行DS融合计算,得到每一个传感器的信任分配区间,即可爆炸问题,充分利用各个主元模型对测量数据的主元分析数据 判断各个传感器的状态。 之间的冗余和互补信息,分离出故障传感器 4PCA与D-S理论结合原理及诊断 将此方法应用到瓦斯传感器的故障检测中,诊断结论可信 度提高,不确定性降低,实例仿真结果验证了此方法的可行性 Dempster- Shafer让据理论是对经典概率论的进一步扩充,参考文献 其在处理由不知道所引起的不确定性时,采用信任函数而不是「1付克昌基于结构优化的传感器故障诊断方法及其应用研究 慨率作为度量,其最大特点是对不确定信息的描述采用“区间 LD」.杭州:浙江大学,2007 估计”而不是“点估计”的方法,在区分不知道与不确定以及精2]胡暾,赵哲身,郑救,基于主元分析的传感器故障检测与诊所[J 确反映证据收集方面显示出很大的灵活性。 仪表技术,2005(6):30 但是DS理论方法在故障诊断中需要合成处理多个信31黄孝彬,牛征,牛玉广利用主元方法进行传感器故障检测的行为 分析[冂].传感技术学报,2003.16(4):420-424 息源提供的关于故障的各种证据,当数据维数过大时,会使证 [4]王其罕,程久龙.瓦斯传感器的故障模式与诊断方法研究[J].煤 据的产生异常困难。一般来说,产生证据的各类算法的复杂度 炭科学技术,2006,34(11):34-36. 缒着测量维数和递推步数的增大呈几何级数增加,会产生组合[5]李尔国,佘全寿。一种基于RBF神经网络的传感器故障诊断方法 爆炸的情况。 [J].华东理工大学学报,2002,6(28):641 为此将PCA与DS证据理论相结合,利用PCA方法分析[6]于DS理论的故障诊断融合算法及应用研究[J自动化仪表, 处理正常数据∫6和各种故障数据f(i=1,2,…,n),从而得到 2010,31(1):23-25,29 相应的低维特征矩阵TK(i=0,1,…,n)以此训练分类识别网 [7] LIGHT W A. Some aspect of radial basis function appruximaliun in 络。如果有故障发生,则对测量数据分别用正常主元模型 approxim ation theory, spline function and applications[ C 1//Proc of the nato Aduanced Study Institute. Boston: Kluwer Academic Pub P℃CA和故障主元模型PCA(i=1,2,…,n)进行主元分析,得 shers,1992:163-190. 到各个主元模型下的低维特征矩阵t(i=0,1,2,…,n),然后 [8] DUNLA R, QIM SJ. Joint diagnosis of process and sensor faults using 进行网络识别,其结果作为D-S证据理论的证据,再进行融合 principle component analysis[ J. Control Engineering Practice 处理,最终分离故障传感器”。 1998,6(4):457-469

...展开详情
试读 3P 论文研究-基于主元分析和D-S证据理论的传感器故障诊断与应用.pdf
立即下载 低至0.43元/次 身份认证VIP会员低至7折
    抢沙发
    一个资源只可评论一次,评论内容不能少于5个字
    上传资源赚积分,得勋章
    最新推荐
    论文研究-基于主元分析和D-S证据理论的传感器故障诊断与应用.pdf 10积分/C币 立即下载
    1/3
    论文研究-基于主元分析和D-S证据理论的传感器故障诊断与应用.pdf第1页

    试读已结束,剩余2页未读...

    10积分/C币 立即下载 >