论文部分内容阅读
在典型机械零部件的故障诊断中,往往由于各种设备故障征兆的复杂性和多样性,仅靠单一的诊断方法难以全面确切地确定故障类型及性质,所以需要借助于多传感器信息融合的方法提高诊断精度。本文采用BP 神经网络与D-S 证据理论相结合的方法进行复杂设备故障诊断。首先利用改进的BP 神经网络诊断结果来建立证据推理的诊断模型,然后利用D-S 证据理论方法对于故障类型进行进一步诊断,以提高诊断的准确性。将该方法应用于实际滚动轴承故障诊断中,通过对实测信号的分析诊断,说明这种方法比单独采用BP 神经网络诊断精度有显著提高。