隨著工業(yè)化革命以及科學(xué)技術(shù)的發(fā)展,工業(yè)裝備的結(jié)構(gòu)趨于精密化,部件之間的耦合性增高。當(dāng)工業(yè)裝備處于生產(chǎn)運(yùn)行的狀態(tài)時(shí),某個(gè)環(huán)節(jié)或者部件出現(xiàn)故障,可能會導(dǎo)致整個(gè)生產(chǎn)鏈的斷裂,從而產(chǎn)生巨大的經(jīng)濟(jì)損失甚至是人身安全問題。而工業(yè)裝備的故障預(yù)測技術(shù)能夠提前發(fā)現(xiàn)故障,因此,工業(yè)裝備的故障預(yù)測具有實(shí)際的工程意義。但是傳統(tǒng)的故障預(yù)測模型需要大量的數(shù)據(jù),且僅利用單傳感建立預(yù)測模型是無法利用工業(yè)裝備運(yùn)行期間全部的有效信息,因此提出一種基于灰色預(yù)測模型、神經(jīng)網(wǎng)絡(luò)算法以及證據(jù)理論的多傳感器信息分層融合技術(shù)以實(shí)現(xiàn)工業(yè)裝備的故障預(yù)測,相關(guān)工作如下:1.針對灰色預(yù)測模型中存在用于建模的傳感器檢測數(shù)據(jù)序列光滑性不高、灰色預(yù)測模型背景值構(gòu)造方式過于簡單以及傳統(tǒng)預(yù)測模型無法滿足系統(tǒng)動態(tài)的發(fā)展的需求等問題,通過研究模型的預(yù)測精度、原始序列的類型以及函數(shù)變換的三者關(guān)系,提出以反正弦函數(shù)對震蕩的傳感器監(jiān)測序列進(jìn)行平滑處理;提出以曲線面積的積分法代替?zhèn)鹘y(tǒng)的背景值構(gòu)造方式;將新陳代謝與傳統(tǒng)預(yù)測模型相結(jié)合,滿足系統(tǒng)的動態(tài)發(fā)展需求。最后的數(shù)值實(shí)驗(yàn)分別驗(yàn)證了改進(jìn)方法的可行性。2.以灰色預(yù)測模型的建模序列作為BP神經(jīng)網(wǎng)絡(luò)融合算法的輸入訓(xùn)練集,...

【文章頁數(shù)】：65 頁

【學(xué)位級別】：碩士

【文章目錄】：
摘要
Abstract
第一章 緒論
    1.1 課題研究背景及意義
    1.2 故障預(yù)測技術(shù)研究狀況
    1.3 多傳感器信息融合技術(shù)研究現(xiàn)狀
    1.4 論文主要研究內(nèi)容與結(jié)構(gòu)安排
第二章 多傳感器信息融合技術(shù)綜述
    2.1 多傳感器信息融合技術(shù)的基本概念
        2.1.1 基本概念
        2.1.2 多傳感器信息融合的體系結(jié)構(gòu)
        2.1.3 多傳感器信息融合的層次結(jié)構(gòu)
    2.2 多傳感器數(shù)據(jù)處理
        2.2.1 多傳感器數(shù)據(jù)一致性處理
        2.2.2 多傳感器數(shù)據(jù)特征提取
    2.3 多傳感信息的分層融合預(yù)測模式
    2.4 本章小結(jié)
第三章 基于特征層的單傳感器信息融合的故障預(yù)測模型
    3.1 基于傳感器特征值的灰色故障預(yù)測算法
    3.2 灰色預(yù)測算法的優(yōu)缺點(diǎn)以及改進(jìn)方法
        3.2.1 灰色預(yù)測模型優(yōu)缺點(diǎn)分析
        3.2.2 基于函數(shù)變換的灰色預(yù)測模型原始序列光滑處理
        3.2.3 基于背景值重構(gòu)的灰色預(yù)測模型改進(jìn)
        3.2.4 基于新陳代謝的動態(tài)灰色預(yù)測模型的構(gòu)建
    3.3 單傳感器多特征信息融合的結(jié)構(gòu)模型及算法確定
        3.3.1 特征層信息融合的結(jié)算法確定
        3.3.2 基于BP神經(jīng)網(wǎng)絡(luò)的特征層融合算法
        3.3.3 BP神經(jīng)網(wǎng)絡(luò)融合算法存在的問題
        3.3.4 BP神經(jīng)網(wǎng)絡(luò)融合算法的改進(jìn)
    3.4 基于改進(jìn)的BP神經(jīng)網(wǎng)絡(luò)在特征層信息融合中的應(yīng)用
    3.5 本章小結(jié)
第四章 基于決策層的多傳感器信息融合故障預(yù)測模型
    4.1 工業(yè)裝備運(yùn)行信息融合的不確定性
    4.2 D-S證據(jù)理論基本原理
        4.2.1 D-S證據(jù)理論的基本定義
        4.2.2 D-S證據(jù)理論的融合規(guī)則
        4.2.3 基于D-S證據(jù)理論信息決策層融合的基本過程
    4.3 D-S證據(jù)理論優(yōu)缺點(diǎn)分析
    4.4 D-S證據(jù)理論的改進(jìn)
        4.4.1 基本概率分配函數(shù)構(gòu)造方式改進(jìn)
        4.4.2 組合規(guī)則的改進(jìn)
    4.5 基于改進(jìn)的D-S證據(jù)理論算例分析
    4.6 本章小結(jié)
第五章 基于多傳感器信息融合的工業(yè)裝備故障預(yù)測
    5.1 實(shí)驗(yàn)場景
    5.2 傳感器測量數(shù)據(jù)處理及特征提取
        5.2.1 傳感器一致性檢驗(yàn)
        5.2.2 傳感器特征值提取
    5.3 工業(yè)裝備故障預(yù)測過程
        5.3.1 D-S證據(jù)理論識別框架的確定
        5.3.2 證據(jù)體及其基本概率分配值的確定
        5.3.3 基于D-S證據(jù)理論的決策融合及分析
    5.4 本章小結(jié)
第六章 總結(jié)與展望
    6.1 總結(jié)
    6.2 展望
參考文獻(xiàn)
攻讀學(xué)位期間主要的研究成果
致謝



本文編號：3759444