CN103776654B - 多传感器信息融合的故障诊断方法 - Google Patents

多传感器信息融合的故障诊断方法 Download PDF

Info

Publication number
CN103776654B
CN103776654B CN201410059572.7A CN201410059572A CN103776654B CN 103776654 B CN103776654 B CN 103776654B CN 201410059572 A CN201410059572 A CN 201410059572A CN 103776654 B CN103776654 B CN 103776654B
Authority
CN
China
Prior art keywords
sensor
fusion
information
fault
error
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Expired - Fee Related
Application number
CN201410059572.7A
Other languages
English (en)
Other versions
CN103776654A (zh
Inventor
王金玉
吴冈
何艳
王涛
周丽丽
高凤娇
陈庆文
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Institute of Automation of Heilongjiang Academy of Sciences
Original Assignee
Institute of Automation of Heilongjiang Academy of Sciences
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Institute of Automation of Heilongjiang Academy of Sciences filed Critical Institute of Automation of Heilongjiang Academy of Sciences
Priority to CN201410059572.7A priority Critical patent/CN103776654B/zh
Publication of CN103776654A publication Critical patent/CN103776654A/zh
Application granted granted Critical
Publication of CN103776654B publication Critical patent/CN103776654B/zh
Expired - Fee Related legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Landscapes

  • Testing Or Calibration Of Command Recording Devices (AREA)
  • Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)

Abstract

多传感器信息融合的故障诊断方法。本发明方法:对于带一组传感器的离散随机系统,分别对单个传感器应用Kalman滤波方法,得到相应的滤波器、误差方差,计算最优标量权重,得到最小方差意义下的最优标量加权系数,再将每单个传感器采用标量加权信息融合,得到融合后的滤波器、融合误差方差;建立含有扰动和故障信号的多传感器系统,分别对单个传感器采用Kalman滤波方法设计滤波器,计算误差方差和残差,得到最小方差意义下的最优标量加权系数,再将每单个传感器采用标量加权信息融合,得到融合后的滤波器、融合误差方差和残差,分析误差残差产生的影响,从而判断传感器的故障。本发明用于多传感器信息融合的故障诊断。

Description

多传感器信息融合的故障诊断方法
技术领域:
本发明涉及一种多传感器信息融合的故障诊断方法。
背景技术:
随着现代科技的迅速发展,生产系统也日益朝着大型化、复杂化及高度自动化的方向发展,因此系统故障问题也变得越来越重要,一旦系统的某个部分出现故障,往往就会导致某个设备甚至整个系统无法正常运行,不仅会带来严重的经济损失,而且还伴随着一定的危险性。一个现代化的生产系统正常运行所需要的维修费用和停机损失,占据成本的较大比重,因此故障检测与及时处理越来越成为一个重要的问题。如1983年前苏联切尔贝利核电站发生的泄漏事故。2005年中石油吉林石化公司爆炸事故造成多个装置报废或停产。受爆炸事故影响,松花江发生重大水污染事故,污染带长约80公里,哈尔滨全城停水4天。仅哈尔滨的直接损失就在15亿左右,间接损失在几百亿。因此现代石化工业对设备运行的安全性和可靠性提出了越来越高的要求,加强设备检测、安全评价和故障诊断以保证其安全可靠运行,消除隐患和事故是十分迫切的问题。
多传感器信息融合技术是上世纪80年代形成和发展的一种自动化信息综合处理技术。由于充分利用了多源数据的互补性及电子计算机运算的高速性和智能性,大大提高了信息处理结果的质量。随着应用系统日益扩大,所需的功能也越来越复杂,使用传感器的种类也相应的增多。原来的单一传感器检测技术已不能满足要求,于是有了多传感器融合技术。在多传感器系统中,信息表现为大容量,多样性以及复杂性,因此多传感器信息融合技术已成为一个重要的研究领域。
在故障诊断中结合多传感器信息融合技术有着广阔的应用前景。一方面,随着故障诊断系统日益庞大化和复杂化,传感器的数目和类型急剧增多,从单传感器形成了多传感器,再到传感器群,传感器的不同组合可以提供设备的不同部位、不同类型的信息,而传统的故障诊断方法也只是对机器状态信息中的一种或几种信息来进行分析,而从中提取有关的机器行为特征信息,因此,多传感器能更全面的分析故障信息。虽然单一传感器取得的信息虽然有时可以判断出机器故障,但在许多情况下得出的诊断结果并不可靠,只有从多方面获得关于同一对象的多维信息,并加以综合利用,这样才能对设备进行更加可靠更准确的诊断。另一方面,在故障诊断中,故障的形成原因是非常复杂的,不同的故障可以以同一征兆的形式表现出来。比如,轴承松动、不对中、不平衡等等都会引起旋转机械转子的异常震动,因此只有综合利用这些特征信息才有可能诊断出转子的故障。最后,在故障诊断中,由于传感器的测量误差、系统噪声以及诊断对象的不确定性等原因,由单一传感器取得的信息往往是不完整的、不精确和模糊的。
发明内容:
本发明的目的是提供一种多传感器信息融合的故障诊断方法。
上述的目的通过以下的技术方案实现:
一种多传感器信息融合的故障诊断方法,该方法包括如下步骤:采用Kalman滤波方法进行单传感器的局部状态估计,然后进行多传感器的标量加权算法信息融合,其方法如下:对于带多个传感器的离散随机系统,分别对单个传感器应用Kalman滤波方法,得到相应的滤波器、误差方差,计算最优标量权重,得到最小方差意义下的最优标量加权系数,再将每单个传感器采用标量加权信息融合,得到融合后的滤波器、融合误差方差;
然后,进行基于Kalman滤波的多传感器故障诊断,其方法如下:建立含有扰动和故障信号的多传感器系统,分别对单个传感器采用Kalman滤波方法设计滤波器,计算误差方差和残差,得到最小方差意义下的最优标量加权系数,再将每单个传感器采用标量加权信息融合,得到融合后的滤波器、融合误差方差和残差,分析误差残差产生的影响,从而判断传感器的故障。
所述的多传感器信息融合的故障诊断方法,通过一组传感器对被测对象进行信息采集,然后进行信息处理,通过Kalman滤波方法滤除噪声干扰,并对信号进行状态估计,对得到的一组传感器估计信号,再通过标量加权算法进行信息融合,综合各个传感器信息,从而得到信息更全面的传感器状态信号,最后通过状态估计与实际信号之差得到残差从而进行故障诊断,进而做出进一步的故障处理;
通过一组传感器进行多个数据源的信号采集,通过Kalman滤波方法分别对每个传感器采集来的信号进行局部状态估计,最后通过标量加权算法得到单独传感器的加权权重,并利用这个权重对N个传感器进行信息融合,赋予不同传感器不同的影响因子,从而更全面的分析利用状态信号。
所述的多传感器信息融合的故障诊断方法,通过计算机对采集来的信号进行Kalman滤波处理,分别对每个传感器的状态进行估计。通过标量加权算法的计算,得到不同传感器的标量加权权重,在计算机的融合中心进行信息的融合,将不同传感器的信息综合利用,得到融合后的状态;将估计状态与实际状态进行比较,得到残差,从而通过计算机仿真,得到故障检测,通过结果推理对检测到的故障做进一步的诊断处理;
在正常状态下,检测的残差是近似为零的,说明设备处于正常的工作状态;当检测到有残差,也就是真实值同估计值存在偏差,就说明故障存在,设备出现了异常。
所述的多传感器信息融合的故障诊断方法,通过传感器的信息采集、计算机融合处理及人机操作界面多媒体显示三部分的结合,进行故障评估计算,从而对设备故障检测处理;
在计算机融合处理中心,首先对单个传感器进行信息处理,采用Kalman滤波方法对局部状态进行估计,然后对估计的状态采用标量加权算法进行信息融合,提高传感器的精度,增加有效信息的数量,并通过仿真验证算法的有效性,得到融合后的估计信息精度高于单个传感器的估计精度。在此基础上,通过状态的真实值与估计值之差计算得到残差,通过残差检测实现故障检测;
在多媒体显示部分,通过融合处理中心信息融合后的估计状态和实际状态由人机界面查看,以便于实时观察及历史数据的查询,通过仿真计算得到的残差数值显示到多媒体界面,并在出现异常时停机并报警。
有益效果:
1.本发明在传统的状态空间模型中加入故障信息,设计Kalman滤波器,在有效的进行状态估计前提下,通过残差检验进行故障诊断,多方面采集故障信息,使得同一故障的不同特征得到充分的使用分析,更加快速的找出故障,基于多传感器的故障信息融合,提高了故障诊断的精度。结合多传感器信息融合进行故障诊断,提高故障诊断的效率,能够更全面的采集故障信息,充分的分析并预测故障的发生,对实际的应用有着实用性和有效性。
在信息采集部分,使用的传感器可以是相同的也可以是不同的。可以是相同的传感器对同一信号进行采集,这是因为不同的传感器精度不同,综合多个传感器信息可以提高采集的精度,这适用于一些精度要求高的系统。也可以采用不同的传感器对不同的信号进行采集,当然,这些信号都是可能同时引起故障的原因,例如,轴承松动、不对中、不平衡等等都会引起旋转机械转子的异常震动,因此只有综合利用这些特征信息才有可能诊断出转子的故障。
本发明的优点是根据以下论证得到的:新近文献给出了一种标量加权融合算法,与一般的矩阵加权相比它是一种次优融合准则,但由于它只需计算加权标量系数,避免了计算加权矩阵,从而减小了计算量。特别是当系统状态维数较高时,可明显减小计算负担。且它仍能在总体上改善每个局部估计,因而它具有工程应用价值。为使叙述简单下面省略时间t。
引理1 设为对n维随机向量z的L个无偏估计,记估计误差为,且(ij)相关,误差方差和互协方差阵分别为,则标量加权最优(线性最小方差)信息融合无偏估计为
. (1)
其中最优融合标量系数 如下计算
(2)
其中向量,,矩阵相应的最优信息融合估计的误差方差阵为
, (3)
且有关系
推论1当估计误差不相关时,即,则标量加权最优融合估计为式(1),其中最优系数为
, , (4)
相应的最小融合方差阵为
. (5)
一、多模型多传感器标量加权最优信息融合Kalman滤波器
考虑带L个传感器的多模型离散随机系统
(6)
(7)
(8)
其中:为第i个子系统的状态,为第i个子系统的观测,白噪声分别为第i个子系统的系统噪声和观测噪声,为适当维数的常阵。是待估计的状态向量,它通常为的公共状态分量所构成的向量,且
假设1 (t)是带零均值的相关白噪声,即
(9)
其中是Kronecker delta函数。且
假设2初始状态与白噪声相互独立,且
(10)
本文目标是基于观测,寻求最优标量权重,最后求得状态向量z(t)的标量加权最优(线性最小方差)信息融合Kalman滤波器
引理2 多模型多传感器系统(6),(7)在假设1,2下,第i个子系统有最优Kalman滤波器
(11)
(12)
(13)
(14)
(15)
(16)
其中:为第i个子系统的滤波估计,为滤波增益,为滤波误差方差阵。
定理1 多模型多传感器系统(6),(7)在假设1,2下,第i个与第j个子系统之间有如下递推的Kalman滤波误差互协方差阵
(17)
其中:为第i个与第j个子系统之间的滤波误差互协方差阵,初值为
证:由Kalman滤波器有第i个子系统滤波误差为
(18)
其中:为新息,
代入上得
(19)
又因为
(20)
将(19)式代入(20)式.因为所以
记号表示正交,则可引出(17)式成立。证毕。
定理2 多模型多传感器系统(6)~(8)在假设1,2下,有最优标量加权信息融合Kalman滤波器
(21)
其中:标量加权系数由引理1中的(2)式求,且最小融合方差由(3)式计算,基于第i个子系统的局部滤波器和局部滤波误差互协方差阵由下式计算:
(22)
(23)
其中i=j时,即为滤波误差方差阵。第i个子系统的滤波器,局部滤波误差方差阵和互协方差阵,分别由(11),(16),(17)式计算。
证:对(8)式两边同时取在线性流形(上的射影运算引出式(22)。再由(8)和(22)引出(23)成立。证毕。
基于多传感器信息融合的故障诊断如下:
在传统的状态空间模型中加入故障干扰,得到如下(25)和(26)式含有扰动和故障的多传感器系统:
(25)
(26)
其中:是状态向量,是观测向量,分别为系统的系统噪声和第i个传感器的观测噪声,且是适当维数的矩阵。下标i表示第i个传感器,L表示传感器个数。
采用增广的方法得到新系统方程
(27)
(28)
其中:
然后对新的系统方程进行Kalman滤波器的设计,得到相应的滤波器和滤波误差,并进行标量加权融合,最后进行残差检验。
残差公式表示如下:
(29)
结果分析:在不存在故障时,系统应满足状态方程式,即的无偏估计,所以残差是零均值高斯白噪声向量;当传感器发生故障,那么系统就不再满足状态方程式,因此残差均值不再为零。故对系统测量信号的均值作假设检验,即可判决传感器是否有故障。
仿真研究如下:
考虑3模型3传感器跟踪系统
其中:T为采样周期,状态分别为目标在时刻tT的位置、速度和加速度。假设是相关高斯白噪声,且满足如下关系
已知是带零均值、方差为的高斯白噪声。是带零均值、方差各为的独立的高斯白噪声,且独立于。在仿真中取采样周期T=0.1, ,取200个采样数据。
仿真结果如图6-9所示。
在图6和图7中的实线代滤波融合误差曲线,其它三条虚线分别代表各子系统滤波误差曲线。由图可看出融合误差明显小于单个估计误差。图8和图9中实线亦代表滤波融合估计曲线,虚线代表子系统滤波估计曲线。
附图说明:
附图1是本发明的原理图。通过传感器的信息采集、计算机融合处理及人机操作界面多媒体显示三部分的结合,进行故障评估计算,从而对设备故障检测处理。
在信息采集部分,使用的传感器可以是相同的也可以是不同的。可以是相同的传感器对同一信号进行采集,这是因为不同的传感器精度不同,综合多个传感器信息可以提高采集的精度,这适用于一些精度要求高的系统。也可以采用不同的传感器对不同的信号进行采集,当然,这些信号都是可能同时引起故障的原因,例如,轴承松动、不对中、不平衡等等都会引起旋转机械转子的异常震动,因此只有综合利用这些特征信息才有可能诊断出转子的故障。
在计算机融合处理中心,首先对单个传感器进行信息处理,采用Kalman滤波方法对局部状态进行估计,然后对估计的状态采用标量加权算法进行信息融合,提高传感器的精度,增加有效信息的数量,并通过仿真验证了算法的有效性,得到融合后的估计信息精度高于单个传感器的估计精度。在此基础上,通过状态的真实值与估计值之差计算得到残差,通过残差检测实现故障检测。
在多媒体显示部分,通过融合处理中心信息融合后的估计状态和实际状态可以由人机界面查看,以便于实时观察及历史数据的查询,通过仿真计算得到的残差数值显示到多媒体界面,并在出现异常时停机并报警。通过信息融合从而实现精度更高的故障检测。
附图2是本发明的标量加权信息融合故障诊断方法的原理图。通过(不同种类的或者相同的多个)传感器对被测对象进行信息采集,通过N个传感器进行信息处理,通过Kalman滤波方法滤除噪声干扰并对信号进行有效的状态估计,对得到的N个传感器估计信号,再通过标量加权算法进行信息融合,综合各个传感器信息,从而得到信息更全面的传感器状态信号,最后通过状态估计与实际信号之差得到残差从而进行故障诊断,进而做出进一步的故障处理。
附图3是本发明的信息融合原理图。通过多个传感器进行多个数据源的信号采集,通过Kalman滤波方法分别对每个传感器采集来的信号进行局部状态估计,最后通过标量加权算法得到单独传感器的加权权重,并利用这个权重对N个传感器进行信息融合,赋予不同传感器不同的影响因子,从而更全面的利用状态信号。
附图4是本发明的标量加权信息融合故障诊断系统设计框图。通过传感器对设备的状态进行检测,这里的传感器可以是相同的也可以是不同的。可以是相同的传感器对同一信号进行采集,这是因为不同的传感器精度不同,综合多个传感器信息可以提高采集的精度,这适用于一些精度要求高的系统。也可以采用不同的传感器对不同的信号进行采集,当然,这些信号都是可能同时引起故障的原因,例如,轴承松动、不对中、不平衡等等都会引起旋转机械转子的异常震动,因此只有综合利用这些特征信息才有可能诊断出转子的故障。
通过计算机对采集来的信号进行Kalman滤波处理,分别对每个传感器的状态进行估计。通过标量加权算法的计算,得到不同传感器的标量加权权重,权重可以更加精确的表示不同传感器的影响程度。在计算机的融合中心进行信息的融合,将不同传感器的信息综合利用,得到融合后的状态。将估计状态与实际状态进行比较,得到残差,从而通过计算机仿真,得到故障检测,通过结果推理对检测到的故障做进一步的诊断处理。
在正常状态下,检测的残差是近似为零的,说明设备处于正常的工作状态;当检测到有残差,也就是真实值同估计值存在偏差,就说明故障存在,设备出现了异常。在传统的采集检测信号中加入多传感器信息融合,提高了信号采集精度,更加快速实时的进行故障检测。
附图5是本发明的多传感器信息融合故障诊断方法流程图。
附图6是标量加权融合滤波器与各子系统滤波器位置的滤波误差方差比较图。
附图7是标量加权融合滤波器与各子系统滤波器速度的滤波误差方差比较图。
附图8是标量加权融合滤波器与各子系统滤波器位置的滤波器比较图。
附图9是标量加权融合滤波器与各子系统滤波器速度的滤波器比较图。
具体实施方式:
实施例1:
一种多传感器信息融合的故障诊断方法,该方法包括如下步骤:采用Kalman滤波方法进行单传感器的局部状态估计,然后进行多传感器的标量加权算法信息融合,其方法如下:对于带多个传感器的离散随机系统,分别对单个传感器应用Kalman滤波方法,得到相应的滤波器、误差方差,计算最优标量权重,得到最小方差意义下的最优标量加权系数,再将每单个传感器采用标量加权信息融合,得到融合后的滤波器、融合误差方差;
然后,进行基于Kalman滤波的多传感器故障诊断,其方法如下:建立含有扰动和故障信号的多传感器系统,分别对单个传感器采用Kalman滤波方法设计滤波器,计算误差方差和残差,得到最小方差意义下的最优标量加权系数,再将每单个传感器采用标量加权信息融合,得到融合后的滤波器、融合误差方差和残差,分析误差残差产生的影响,从而判断传感器的故障。
实施例2:
根据实施例1所述的多传感器信息融合的故障诊断方法,通过一组传感器对被测对象进行信息采集,然后进行信息处理,通过Kalman滤波方法滤除噪声干扰,并对信号进行状态估计,对得到的一组传感器估计信号,再通过标量加权算法进行信息融合,综合各个传感器信息,从而得到信息更全面的传感器状态信号,最后通过状态估计与实际信号之差得到残差从而进行故障诊断,进而做出进一步的故障处理;
通过一组传感器进行多个数据源的信号采集,通过Kalman滤波方法分别对每个传感器采集来的信号进行局部状态估计,最后通过标量加权算法得到单独传感器的加权权重,并利用这个权重对N个传感器进行信息融合,赋予不同传感器不同的影响因子,从而更全面的分析利用状态信号。
实施例3:
根据实施例1或2所述的多传感器信息融合的故障诊断方法,通过计算机对采集来的信号进行Kalman滤波处理,分别对每个传感器的状态进行估计。通过标量加权算法的计算,得到不同传感器的标量加权权重,在计算机的融合中心进行信息的融合,将不同传感器的信息综合利用,得到融合后的状态;将估计状态与实际状态进行比较,得到残差,从而通过计算机仿真,得到故障检测,通过结果推理对检测到的故障做进一步的诊断处理;
在正常状态下,检测的残差是近似为零的,说明设备处于正常的工作状态;当检测到有残差,也就是真实值同估计值存在偏差,就说明故障存在,设备出现了异常。
实施例4:
根据实施例1或2或3所述的多传感器信息融合的故障诊断方法,通过传感器的信息采集、计算机融合处理及人机操作界面多媒体显示三部分的结合,进行故障评估计算,从而对设备故障检测处理;
在计算机融合处理中心,首先对单个传感器进行信息处理,采用Kalman滤波方法对局部状态进行估计,然后对估计的状态采用标量加权算法进行信息融合,提高传感器的精度,增加有效信息的数量,并通过仿真验证算法的有效性,得到融合后的估计信息精度高于单个传感器的估计精度。在此基础上,通过状态的真实值与估计值之差计算得到残差,通过残差检测实现故障检测;
在多媒体显示部分,通过融合处理中心信息融合后的估计状态和实际状态由人机界面查看,以便于实时观察及历史数据的查询,通过仿真计算得到的残差数值显示到多媒体界面,并在出现异常时停机并报警。

Claims (1)

1.一种多传感器信息融合的故障诊断方法,其特征是: 该方法包括如下步骤:采用Kalman 滤波方法进行单传感器的局部状态估计,然后进行多传感器的标量加权算法信息融合; 首先,对于带一组传感器的离散随机系统,分别对单个传感器应用Kalman 滤波方法,得到相应的滤波器、误差方差,计算最优标量权重,得到最小方差意义下的最优标量加权系数,再将每单个传感器采用标量加权信息融合,得到融合后的滤波器、融合误差方差;
然后,进行基于Kalman 滤波的多传感器故障诊断, 其方法如下:建立含有扰动和故障信号的多传感器系统,分别对单个传感器采用Kalman 滤波方法设计滤波器,计算误差方差和残差,得到最小方差意义下的最优标量加权系数,再将每单个传感器采用标量加权信息融合,得到融合后的滤波器、融合误差方差和残差,分析误差残差产生的影响,从而判断传感器的故障;
通过一组传感器对被测对象进行信息采集,然后进行信息处理,通过Kalman 滤波方法滤除噪声干扰,并对信号进行状态估计,对得到的一组传感器估计信号,再通过标量加权算法进行信息融合,综合各个传感器信息,从而得到信息更全面的传感器状态信号,最后通过状态估计与实际信号之差得到残差从而进行故障诊断,进而做出进一步的故障处理;
通过一组传感器进行多个数据源的信号采集,采用Kalman 滤波方法分别对每个传感器采集来的信号进行局部状态估计,最后通过标量加权算法得到单独传感器的加权权重,并利用这个权重对N 个传感器进行信息融合,赋予不同传感器不同的影响因子,从而更全面的分析利用状态信号;
通过计算机对采集来的信号进行Kalman 滤波处理,分别对每个传感器的状态进行估计,通过标量加权算法的计算,得到不同传感器的标量加权权重,在计算机的融合中心进行信息的融合,将不同传感器的信息综合利用,得到融合后的状态;将估计状态与实际状态进行比较,得到残差,从而通过计算机仿真,得到故障检测,通过结果推理对检测到的故障做进一步的诊断处理;
在正常状态下,检测的残差是近似为零的,说明设备处于正常的工作状态;当检测到有残差,也就是真实值同估计值存在偏差,就说明故障存在,设备出现了异常;
通过传感器的信息采集、计算机融合处理及人机操作界面多媒体显示三部分的结合,进行故障评估计算,从而对设备故障检测处理;
在计算机融合处理中心,首先对单个传感器进行信息处理,采用Kalman 滤波方法对局部状态进行估计,然后对估计的状态采用标量加权算法进行信息融合,提高传感器的精度,增加有效信息的数量,并通过仿真验证算法的有效性,得到融合后的估计信息精度高于单个传感器的估计精度; 在此基础上,通过状态的真实值与估计值之差计算得到残差,通过残差检测实现故障检测;
在多媒体显示部分,通过融合处理中心信息融合后的估计状态和实际状态由人机界面查看,以便于实时观察及历史数据的查询,通过仿真计算得到的残差数值显示到多媒体界面,并在出现异常时停机并报警。
CN201410059572.7A 2014-02-21 2014-02-21 多传感器信息融合的故障诊断方法 Expired - Fee Related CN103776654B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201410059572.7A CN103776654B (zh) 2014-02-21 2014-02-21 多传感器信息融合的故障诊断方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201410059572.7A CN103776654B (zh) 2014-02-21 2014-02-21 多传感器信息融合的故障诊断方法

Publications (2)

Publication Number Publication Date
CN103776654A CN103776654A (zh) 2014-05-07
CN103776654B true CN103776654B (zh) 2016-08-31

Family

ID=50569161

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201410059572.7A Expired - Fee Related CN103776654B (zh) 2014-02-21 2014-02-21 多传感器信息融合的故障诊断方法

Country Status (1)

Country Link
CN (1) CN103776654B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108205311A (zh) * 2018-01-14 2018-06-26 山东科技大学 一类事件触发传输时变系统基于未知输入观测器技术的故障估计方法

Families Citing this family (27)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104376206B (zh) * 2014-11-14 2018-05-08 浙江工业大学 基于传感器网络的大规模反应釜分布式故障诊断方法
CN105445022B (zh) * 2015-11-17 2017-11-14 中国矿业大学 一种基于双树复小波变换‑熵特征融合的行星齿轮故障诊断方法
DE102015223253A1 (de) 2015-11-25 2017-06-01 Minimax Gmbh & Co. Kg Verfahren zum Bestimmen von Schwellenwerten einer Zustandsüberwachungseinheit für eine Brandmelder- und/oder Löschsteuerzentrale sowie Zustandsüberwachungseinheit und System damit
CN105807631B (zh) * 2016-03-08 2019-02-12 北京工业大学 基于plc仿真的工控入侵检测方法和入侵检测系统
CN107180162A (zh) * 2017-06-30 2017-09-19 上海德衡数据科技有限公司 一种基于gpb算法的运维多模态决策系统架构
CN107391450A (zh) * 2017-06-30 2017-11-24 上海德衡数据科技有限公司 一种基于gpb算法的运维多模态决策系统原型
CN107992801B (zh) * 2017-11-10 2021-11-30 中国船舶重工集团公司第七一九研究所 一种振动设备的故障诊断方法及系统
CN108573271B (zh) * 2017-12-15 2022-06-28 上海蔚来汽车有限公司 多传感器目标信息融合的优化方法及装置、计算机设备和记录介质
CN108052126A (zh) * 2018-01-04 2018-05-18 广州海睿信息科技有限公司 一种多传感器融合的大棚卷帘机智能控制系统和方法
US10468062B1 (en) * 2018-04-03 2019-11-05 Zoox, Inc. Detecting errors in sensor data
CN108985373B (zh) * 2018-07-12 2021-09-14 中国人民解放军陆军炮兵防空兵学院郑州校区 一种多传感器数据加权融合方法
CN108960334B (zh) * 2018-07-12 2021-09-14 中国人民解放军陆军炮兵防空兵学院郑州校区 一种多传感器数据加权融合方法
CN109298291A (zh) * 2018-07-20 2019-02-01 国电南瑞科技股份有限公司 一种基于全景信息的弧光故障识别装置及方法
CN109350017B (zh) * 2018-12-13 2021-07-13 温州医科大学 一种基于多传感器阵列的生命体征监测装置及方法
CN109579915A (zh) * 2018-12-25 2019-04-05 佛山科学技术学院 一种工业数据采集传感器数据融合方法及装置
CN109977627B (zh) * 2019-05-10 2023-05-16 江南大学 一种网络化多传感器融合故障检测方法
CN110389971A (zh) * 2019-06-28 2019-10-29 长春工程学院 一种基于云计算的多传感器数据融合方法
CN110497245B (zh) * 2019-08-12 2021-04-16 大连理工大学 基于空间频率连续性原则的直线轴运动误差检测方法
CN110987267B (zh) * 2019-12-23 2022-04-22 佳讯飞鸿(北京)智能科技研究院有限公司 转辙机应力信号检测装置和方法及电子设备
CN111238725A (zh) * 2020-02-18 2020-06-05 中南大学 电空制动系统压力传感器的故障诊断方法、装置及系统
CN111829508B (zh) * 2020-07-24 2022-02-08 中国人民解放军火箭军工程大学 一种基于新息的容错联邦滤波方法及系统
CN112445240A (zh) * 2020-11-26 2021-03-05 广东电网有限责任公司 一种自动巡线方法和自动巡线无人机
CN112560974B (zh) * 2020-12-22 2021-12-31 清华大学 一种信息融合、车辆信息获取方法及装置
CN113810906B (zh) * 2021-02-24 2024-04-16 浙江工业大学 一种针对网络化伺服电机的传感器攻击估计方法
CN113219347A (zh) * 2021-04-27 2021-08-06 东软睿驰汽车技术(沈阳)有限公司 一种电池参数测量方法及装置
CN113344072B (zh) * 2021-06-02 2023-04-07 上海蓝色帛缔智能工程有限公司 基于gpb算法的运维多模态决策方法、系统及云端服务器
CN115442823B (zh) * 2022-08-15 2023-07-04 黑龙江大学 一种多传感器系统的全局最优分布式融合估计方法及系统

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPS6022211A (ja) * 1983-07-18 1985-02-04 Toshiba Corp 故障診断装置
CN101408487B (zh) * 2008-10-28 2011-06-29 常州赛杰电子信息有限公司 基于无线传感器网络的桥梁结构安全状态应急监测及预警方法与系统
CN101696907A (zh) * 2009-10-28 2010-04-21 上海电机学院 基于同源信息融合的风力发电机状态监测系统及方法

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108205311A (zh) * 2018-01-14 2018-06-26 山东科技大学 一类事件触发传输时变系统基于未知输入观测器技术的故障估计方法
CN108205311B (zh) * 2018-01-14 2020-12-18 山东科技大学 一类事件触发传输时变系统基于未知输入观测器技术的故障估计方法

Also Published As

Publication number Publication date
CN103776654A (zh) 2014-05-07

Similar Documents

Publication Publication Date Title
CN103776654B (zh) 多传感器信息融合的故障诊断方法
CN104048675B (zh) 一种基于高斯过程回归的组合导航系统故障诊断方法
CN112597696B (zh) 一种基于极限学习机原理的锅炉四管泄漏预警方法
CN109186813A (zh) 一种温度传感器自检装置及方法
CN112799898B (zh) 基于分布式故障检测的互联系统故障节点定位方法及系统
CN109858104A (zh) 一种滚动轴承健康评估与故障诊断方法及监测系统
CN103776480A (zh) 基于多次移动平均的微小故障检测方法和装置
CN103983452B (zh) 利用混合域特征向量和灰色关联分析对行星齿轮箱进行故障模式识别的方法
CN113834657A (zh) 一种基于改进mset及频谱特征的轴承故障预警及诊断方法
CN101859146A (zh) 一种基于预测滤波和经验模态分解的卫星故障预测方法
CN104343709B (zh) 一种检测风机故障的装置及方法
CN113485302A (zh) 基于多元时序数据的车辆运行过程故障诊断方法及系统
CN109165632A (zh) 一种基于改进d-s证据理论的设备故障诊断方法
CN112632845B (zh) 基于数据的小型反应堆在线故障诊断方法、介质及设备
CN111964909A (zh) 滚动轴承运行状态检测方法、故障诊断方法及系统
CN104615123B (zh) 基于k近邻的传感器故障隔离方法
Gao et al. Fault diagnosis of rolling bearings based on improved energy entropy and fault location of triangulation of amplitude attenuation outer raceway
CN104408322A (zh) 综合多源故障概率似然信度的旋转机械设备故障诊断方法
CN104102726A (zh) 基于层次聚类的改进k均值聚类算法
CN106959397A (zh) 一种用于高铁逆变器的微小故障诊断系统的设计方法
CN103853144B (zh) 基于采油生产数据的现场传感器故障检测方法
CN104142680A (zh) 一种基于鲁棒输入训练神经网络的多传感器故障诊断系统及方法
CN106441843A (zh) 一种旋转机械故障波形识别方法
CN103646013A (zh) 一种基于协方差矩阵范数逼近的多重故障重构方法
Jung et al. Analysis of fault isolation assumptions when comparing model-based design approaches of diagnosis systems

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
C10 Entry into substantive examination
SE01 Entry into force of request for substantive examination
C14 Grant of patent or utility model
GR01 Patent grant
CF01 Termination of patent right due to non-payment of annual fee

Granted publication date: 20160831

Termination date: 20170221

CF01 Termination of patent right due to non-payment of annual fee