基于证据理论的航空发动机早期故障诊断方法

在分析航空发动机早期故障特点和数据融合的基础上,将证据理论应用于发动机故障征兆级别的数据融合中,提出了构造基本信任指派函数的方法,从而得到了更准确的早期故障征兆.在此基础上,应用模糊聚类分析方法,依据最大隶属度原则得到发动机早期故障源.该方法考虑了发动机早期故障征兆不明确、不精确、不肯定等特点,应用模糊测度来表示征兆,更符合发动机早期故障的实际情况.      

航空发动机滑油综合监控中的磨损故障融合诊断研究

单一的滑油光谱监控手段容易漏报航空发动机磨损故障.根据滑油光谱监控和自动磨粒检测互补的特点,在某型航空发动机上实施滑油综合监控,应用Dempster-Shafer(D-S)证据理论实现发动机磨损故障的融合诊断,并开发出基于上述监控方法和信息融合诊断的滑油监控专家系统.通过对实际诊断案例进行分析,结果表明:提出的滑油综合监控和融合诊断方法可有效解决该型发动机轴承故障预报的难题.      

基于多Agent卫星遥测数据实时监测与诊断技术

为了提高根据遥测数据进行卫星故障诊断的速度与精度,提出了集成多信号模型诊断Agent、模糊诊断Agent以及专家系统诊断Agent等多Agent监测与诊断系统。多信号模型诊断Agent,采用模糊阈值进行监测,并引入可信度因子对Deb原实时诊断推理方法做了改进,解决了Deb方法可能因虚警而导致的诊断结果冲突的问题。模糊诊断Agent采用Mamdani算法,能给出部件故障的可能性。专家系统诊断Agent采用基于规则的产生式系统,同时采用加权不确定推理解决了规则的不确定性问题。研究了3种诊断Agent的协作方式,采用D-S证据理论对各Agent的诊断结果进行决策融合,给出故障元件的置信区间。通过某卫星仿真遥测数据验证,该集成诊断系统充分利用了各种诊断方法的优点,诊断精度高且速度快(一般诊断时间小于0.3秒,PIII800/256M计算机),适用于卫星地面站对卫星遥测数据进行自动实时在线监测与诊断推理。     

基于证据理论的模糊信息融合及其在目标识别中的应用

信息融合系统中的不确定性信息常常表现为模糊性和随机性信息。提出了一种在证据理论框架下实现模糊信息融合的方法。该方法首先基于随机集理论刻画模糊信息的隶属函数,获得了模糊观测下具有概然特性的似然函数,该似然函数表示在收集的模糊信息下确定为某一目标的可能性,在数值上表示了传感器信息对某一命题支持的程度,利用似然函数确定传感器输出的基本概率指派,最后利用Dempster-Shafer组合规则实现多传感器信息融合。     

基于证据理论的潜艇舱室综合环境质量评价

以我国核潜艇舱室环境为研究对象,开展综合环境质量评价研究.经分析确定与潜艇舱室环境质量相关的影响因素主要包括温度、湿度、空气污染物、颗粒状污染物、微生物及噪声.为克服上述多评价因素之间的多项性和不确定性,提出采用基于D-S(Dempster-Shafer)证据理论的潜艇舱室综合环境质量评价方法.该方法是在层次分析法的基础上,引入证据理论,利用D-S合成公式对不同权重的多个专家评价信息进行合成.该方法能够有效综合多个不同权威评价专家的不确定性评价意见,提高评价结果可信度.      

证据推理冲突问题研究

证据推理是一种重要的人工智能方法,广泛应用于数据融合、数据挖掘和智能决策。但 Dempster组合规则对于高冲突情况的处理不是十分合理的。首先研究了几种组合规则的改进方法和造成其缺陷的机理,给出一类组合规则的改进方法,基于有无先验给出两类算法。仿真结果表明新的证据推理组合规则在处理冲突方面的性能得到了明显的改进。     

基于证据理论的覆盖决策信息系统约简的数值刻画

决策为划分的覆盖决策信息系统的特征选择理论和方法日趋成熟。但在数据采集的过程中,有些数据集存在对象的决策缺失或决策不能完全确定情况,那么将决策刻画为覆盖更加合理。而决策为覆盖的覆盖决策信息系统特征选择的研究却很少见。本文讨论决策为覆盖的覆盖决策信息系统的特征选择,利用证据理论中的信任函数和似然函数给出覆盖决策信息系统约简的等价刻画,从而给出求约简的算法,并以实例说明该方法的有效性。     

基于D-S证据理论的发动机部件性能降级量化融合研究

针对多方法计算所得发动机部件性能降级无法直接应用Dempster-Shafer(D-S)证据理论融合的问题,提出一种实现降级参数量化融合的方法。以一段时间内计算结果作为样本,融合性能模型输出结果和神经网络输出结果,通过划分区间统计样本落入区间的频率构造基本概率赋值(BPA),从而实现性能降级的量化融合。对比了独立区间划分法和嵌套区间划分法两种BPA构造方法的融合结果,得出了嵌套区间划分法构造BPA具有更适合量化融合的主要结论。     

基于证据网络因果分析的空中目标意图识别

目标意图及时准确的估计对战场指挥决策具有重要的影响。考虑到战场环境复杂多变,其检测数据、信息、知识具有较高的随机性和认知不确定性,本文面向目标意图知识推理,基于结构因果模型,利用证据网络在不确定性处理方面的推理优势,提出了一种基于证据网络因果效应分析的空中目标意图识别方法。该方法通过d-分离检验构建兼容信息特性与意图多样性的因果证据网络模型,使模型同时考虑领域知识和数据间的条件独立关系,并将认知不确定性内嵌于推理引擎中,推理实现不确定战场环境下空中目标意图估计。此外,基于提出的因果证据网络模型和干预算子计算目标意图与属性之间的因果效应,挖掘目标意图估计蕴含的因果逻辑关系。仿真分析表明：本文提出的方法能够同时处理随机不确定性与认知不确定性,克服了传统意图识别方法缺乏因果分析的缺陷,是对目标意图和战场态势要素的深层次认知,实现了意图识别的“由果溯因”和“由因识果”。     

D-S证据理论在多传感器数据融合中的应用

近年来,许多领域都在进行多传感器数据融合技术的研究。多传感器数据的属性融合有很多算法,最常用的算法是贝叶斯决策检验法,国际上已提出将证据理论用于数据融合,但在这方面的理论基础还不完善。本文研究了证据理论在多传感器数据融合中的应用。Ｄｅｍｐｓｔｅｒ－Ｓｈａｆｅｒ方法是对Ｂａｙｅｓ决策检验法的推广,证据理论比概率论满足更弱的公理系统,并且在区分不确定与不知及精确反映证据收集过程等方面显示了很大的灵活性。文中阐述了Ｄ－Ｓ证据理论的数学性质,给出了可信度公理及Ｄ－Ｓ综合规则,并进行了计算机仿真实验,实验结果说明这种判决方法非常实用,用于数据融合算法非常有效