论文部分内容阅读
Dempster-Shafer证据理论作为一种信息融合方法,以其在不确定性信息的表示、度量和组合等方面的优势,已在各类故障的诊断中得到了广泛应用。但是,由于在原有证据融合方法中并没有很好地体现证据之间存在的主次及重要性关系、先验信息和当前信息等关系,也没有适当的机制来表示和度量形如if…then…之类条件信息,因而也就很难利用已有融合方法处理故障诊断中常见的条件型信息。本文针对信息融合故障诊断过程中存在的形如“if…then…”的条件信息进行分析和研究,基于条件事件代数及随机集理论,给出不同条件下能够有效表示、处理及融合条件信息的新方法。全文的主要工作包括以下几个方面:(1)介绍了基于证据理论的信息融合故障诊断框架,对当前证据理论中基本概率赋值函数构造方法及融合决策规则等问题进行了综述。并指出了证据理论及其扩展方法在处理融合诊断、条件信息等问题时存在的不足。(2)提出了基于条件证据理论的故障诊断方法。针对证据理论在故障诊断应用中存在的问题,深入分析已掌握的先验信息对诊断决策的影响,应用条件证据理论融合诊断证据与先验知识,并给出了一种基本概率赋值(BPA,亦即诊断证据)的生成方法。最后通过诊断实例说明了所提方法的有效性。(3)建立了基于模糊规则推理与证据理论的故障诊断方法。在基于模糊推理的故障诊断专家系统中,规则库的不完备常常会引起系统的某些输入产生的输出不可靠和不确定。针对此问题,首先把故障特征信息进行模糊划分,再根据证据的随机集表示及随机集扩展准则将模糊条件输入映射到结论输出,并聚合生成故障命题的基本概率赋值(BPA),以度量由规则库不完备和输入模糊性引起的输出不确定。然后利用Dempster组合规则将多个不完备规则库提供的BPA融合,用融合结果判决故障。最后,过诊断实例验证了所提方法可以有效地提高诊断系统的故障确诊率。(4)开展了基于条件事件的证据更新方法及在故障诊断中的应用研究。在条件事件代数基础上提出应用条件事件概率描述诸如if…then..形式的条件信息,从规则推理的角度阐述证据更新过程;给出了度量条件事件置信度的方法和新的证据更新规则。并根据具体的实验分析了更新方法在故障诊断中的应用。