改进的证据理论在发电机故障诊断中的应用——基于随机集

"基于随机集的证据理论的改进在发电机故障诊断中的应用 (2012年)" 这篇2012年的论文关注的是在多传感器信息融合处理中的故障诊断问题，特别是针对发电机系统的故障识别。传统的证据理论在处理含有冲突证据时可能会导致不准确的诊断结果。论文提出了一种创新的方法，即利用随机集理论来改进传统的Dempster-Shafer(D-S)证据理论，以解决这个问题。 在证据理论中，D-S证据理论是一种用于处理不确定性和不完整信息的框架，它允许将来自不同来源的证据进行合并。然而，当这些证据存在冲突时，D-S证据理论的简单结合规则可能导致错误的决策。论文作者引入了两个关键概念来改进这一理论：基于证据本身的可信度权重和基于证据相似度的可信度权重。 首先，基于证据本身的可信度权重考虑了每个证据的内在可信程度。这种方法旨在更准确地评估每个传感器提供的信息的质量，从而在融合过程中给予高质量证据更大的权重。 其次，基于证据相似度的可信度权重则是通过度量不同证据之间的相似性来确定它们的相对重要性。这有助于在证据冲突时减少误导性的合并结果，使得系统能够更好地处理不一致的数据。 将这些改进后的证据调整方法应用到发电机故障诊断中，结果显示，与传统D-S证据理论相比，新方法能更精确地识别故障源，从而提高诊断系统的性能和准确性。这一进步对于依赖于多传感器数据的复杂系统，如发电机，具有重要意义，因为它可以减少误诊的可能性，提高系统的稳定性和可靠性。 论文的作者包括徐余法、李月、陈国初和王健，他们分别来自上海电机学院电气学院和华东理工大学信息科学与工程学院。该研究得到了上海市自然科学基金项目、上海市教委重点科研项目、上海市教委重点学科项目以及上海电机学院重点学科项目的资助。 关键词涵盖了信息融合、D-S证据理论、证据相似度和随机集理论，这些都是故障诊断和信息处理领域的核心概念。这篇论文的贡献在于提供了一个实用的解决方案，以解决多传感器信息融合中的证据冲突问题，特别是在发电机组的故障诊断中。