基于多传感器的神经网络和D-S证据理论在故障诊断中的应用

摘要：

为提高滚动轴承故障诊断的准确性, 本文提出了一种基于多传感器神经网络和D-S证据理论的故障诊断方法, 并通过包含3个传感器的监测数据融合对模型进行了验证.首先, 利用两个加速度传感器和一个声传感器采集滚动轴承的振动信号和噪声信号.其次, 分别对两个加速度传感器的振动信号进行总体经验模态分解(Ensemble Empirical Mode Decomposition, EEMD)得到各固有模态函数(Intrinsic Mode Function, IMF)分量, 并提取各IMF分量的能量特征作为子网络1和子网络2的输入参数;同时, 对声传感器的噪声信号进行小波包分解提取各频段能量特征作为子网络3的输入参数;3个子网络的局部诊断结果归一化处理得到各自独立的证据体, 对冲突证据加权修正并运用D-S证据理论进行决策级的信息融合得出最终的故障诊断结果.实验结果表明: 该方法可有效提高滚动轴承故障诊断的准确率, 降低故障诊断的不确定性.

关键词：多传感器、D-S证据理论、滚动轴承、故障诊断、信息融合

所属期刊栏目：31

分类号：TP206+.3(自动化技术及设备)

资助基金：国家自然科学基金资助项目51465022

在线出版日期：2017-08-02（万方平台首次上网日期，不代表论文的发表时间）

页数：共8页

页码：290-297