close
Стены

Диагностика двигателя с помощью теории доказательств Демпстера-Шафера

Диагностика двигателя — типичная проблема с несколькими сенсорами . Он включает в себя использование информации с несколькими датчиками, таких как вибрация, звук, давление и температура , для обнаружения и идентификации неисправностей двигателя. С точки зрения теории доказательств информация, полученная от каждого датчика, может рассматриваться как доказательство, и, как таковая, диагностика двигателя на основе нескольких датчиковможно рассматривать как проблему слияния доказательств.

В этой статье мы исследуем использование теории доказательств Демпстера-Шафера для диагностики двигателя цена спб как инструмента для моделирования и слияния мультисенсорных данных, имеющих отношение к качеству двигателя. Мы представляем предварительный обзор фактических данных по теории и объяснить , как проблема диагностики двигателя мульти-датчик может быть оформлена в контексте этой теории, с точкой зрения неисправностей кадра проницательности, массовых функций и правил для объединения частей доказательств.

Мы вводим два новых метода повышения эффективности массовых функций при моделировании и объединении доказательств. Кроме того, мы предлагаем правило для принятия рациональных решений в отношении качества двигателя, и представить критерий для оценки эффективности предлагаемой системы слияния информации. Наконец, мы сообщаем о тематическом исследовании, чтобы продемонстрировать эффективность этой системы в решении неточных информационных сигналов и конфликтов, которые могут возникать среди датчиков.

Диагностика неисправностей — это процесс отслеживания ошибки с помощью ее симптомов, применения знаний и анализа результатов испытаний. Точная диагностика неисправностей в сложных инженерных системах требует получения информации через датчики, обработки информации с использованием передовых алгоритмов обработки сигналов и извлечения необходимых функций для эффективной классификации или идентификации неисправностей.

Идентификация неисправностей и последующие корректирующие действия могут повысить производительность и снизить затраты на техническое обслуживание в различных промышленных приложениях. Методы машинного обучения, включающие извлечение признаков, выбор функций и классификацию неисправностей, предлагают системный подход к диагностике неисправностей и могут использоваться в автоматизированных или беспилотных условиях.

Они все чаще используются в промышленных секторах, таких как производство, автомобилестроение, судостроение и аэрокосмическая промышленность, чтобы максимально увеличить время безотказной работы оборудования и минимизировать затраты на техническое обслуживание и эксплуатацию.