为解决护理机器人大小便监测采用单一传感器准确性不高而引发误报或漏报的问题,提出了一种BP神经网络和改进的D-S证据理论相结合的多传感器数据融合监测算法,并通过采集的湿度、温度和氨气浓度数据对融合模型进行仿真验证。首先利用BP神经网络对测量数据进行特征级监测,而后用BP网络的输出结果和训练误差获得D-S证据理论的基本信度分配,针对D-S证据理论无法解决证据之间的冲突问题,引入矛盾系数改进D-S证据理论实现决策级的融合监测。仿真结果表明该方法降低了监测的不确定性,实现了异类信息的互补,提高了智能护理机器人排便监测的准确性和可靠性。

针对传统故障模式影响及危害度分析(FMECA)方法主观性强的问题,提出一种基于模糊综合评判和D-S证据理论相结合的改进FMECA方法。该方法首先利用高斯隶属度函数计算专家评估结果的基本概率分配,克服传统方法在定量分析中的不足;其次针对不同专家的评估结果,应用基于矩阵合成的D-S证据理论融合算法,实现专家间评估结果的有效融合;并运用层次分析法确定影响因素的权重,进而求得各故障模式的危害度。最后以动车组牵引传动系统为例进行该系统危害度分析,结果表明系统故障模式的危害度评估结果符合实际情况。与传统方法相比,该方法在一定程度上提高了评估结果的客观性,为牵引传动系统结构优化和维修决策方案的制订提供有价值的参考。

D-S证据理论可以有效地处理不确定信息,是有效的数据融合方法之一,但在证据高度冲突时,其归一化过程会产生有悖常理的结果。针对这个问题,国内外的学者提出了许多不同的改进方法,基本上可分为两类：修改组合规则和修改融合模型。在此总结分析了相关的国内外典型文献的改进思想,并进行系统条理的分析,为证据理论的发展和改进提供了有价值的参考。

随着科学技术的不断进步,无损检测技术现已广泛应用于产品质量、设备使用与维护过程中的安全检测方面。目前,应用比较广泛的无损检测技术有超声、红外、射线、涡流及生发检测等。

提出一种基于D-S证据理论和模糊理论的工业机器人健康状态评估方法。建立考虑部分健康指标、运行指标及性能指标的工业机器人健康评估体系。利用模糊层次分析法处理不确定概念中的模糊性得到评估指标的隶属度,将它作为D-S证据理论的初始概率分布并修正;将修正的概率分布应用D-S融合规则融合,获得机器人健康状态评估结果;通过实例验证该健康评估方法的正确性。结果表明:该方法可为机器人的监测和故障诊断提供参考。

针对传统单一燃气调压器故障诊断模型存在诊断精度较低和结果误判别率高等问题,提出一种经验小波变换(EWT)与改进D-S证据理论结合的故障诊断方法,对燃气调压器故障状态进行诊断。使用EWT对传感器采集数据进行预处理并计算各分量能量熵,将其作为以广义回归神经网络、Elman神经网络和灰关联熵分析3种模型为基础构建的混合诊断模型的输入变量。根据D-S证据理论建立3个模型的基本信度函数,实现故障信息的决策融合,并引入证据关联系数法对证据体决策重要度和冲突问题加权修正。实验结果表明:EWT与改进D-S证据理论模型的故障诊断准确率达95.0%,在平均误差、均方误差、最大误差百分比等方面均优于单一的广义回归神经网网络、Elman神经网络和灰关联熵分析模型。

旋转机组日益趋向于自动化、大型化、高速化,其组成与结构变得越来越复杂。然而,通常在负载大、转速高等复杂工况下,以及长时间运行的过程中极易造成齿轮箱关键零部件的损坏。在复杂工况下及时发现故障、预测故障的发展趋势是旋转机组故障诊断的关键。针对旋转机组齿轮箱在复杂工况下面临的诊断难题,提出一种多传感器与D-S证据理论相结合的故障诊断方法。实例表明该方法可以有效解决齿轮箱存在的故障问题,确保旋转机组安全、可靠、正常地

从D-S证据理论的基本概念和融合推理方法出发构造了符合故障诊断特点的基本可信度分配建立了多故障特征信息融合诊断框架并将其应用于液压泵故障诊断实例表明该方法能有效提高诊断可信度充分显示了该诊断方法的有效性。

针对液压系统出现故障隐蔽性强、可变性强的问题给出基于修正的D2S(Dempster2Shafer)证据理论的多传感器时空域信息融合方法。通过测试待诊断部分的压力、温度、流量并结合经验值得到各部分信度函数分配根据D2S组合、决策规则对多个传感器多个测量周期的时空域信息进行融合识别出故障部分。实验表明:该方法在证据高度冲突时仍有效果并有效防止了指数爆炸现象算法简单能准确定位故障。

介绍了D-S证据理论的基本概念、基本理论,讨论了基于D-S证据理论信息融合的故障诊断方法,并将其应用于液压泵故障诊断中。结果表明,基于D-S证据理论的信息融合诊断方法可以充分利用多个传感器信息的冗余性与互补性,实现比单一传感器神经网络诊断更为准确和可靠的诊断结果。