简述破碎机BP网络与D-S证据理论相结合的综合诊断模型

 在破碎机用D-S证据理论进行各征兆域神经网络输出结果的局部信息融合时，在系统中将单通道输出直接转化为证据推理模型，即将神经网络的单通道输出经过归一化处理，直接作为各焦点元素的基本概率分配，从而避免了构造基本概率分配函数的复杂性，然后破碎机用D-S证据理论的组合规则逐次合并各通道的诊断信息，得到该征兆域独立的局部诊断结果。

具体方法如下：

1．破碎机BP网络多测点诊断

为了全面精确检测破碎机的故障情况，对表给出的五种故障状态各提供4个样本，构成了20个样本的样本集。采用神经网络来对这20个样本进行仿真。2．破碎机D-S证据理论决策融合诊断将神经网络的计算结果转化为证据推理模型，设信任函数Bel1，对应于第一测点的判断结果，信任函数Bel2对应第二测点的判断结果，两个信任函数的焦点元素都是A1，A2，…，A10，这些不同的故障模式构成了分辨框，即Bel1、Bel2有共同的分辨框。河南颚式破碎机将神经网络的训练误差作为不确定因素，将网络输出节点的输出作归一化处理，作为各焦点元素的基本概率值，利用数据融合的办法，将4个测点的数据综合考虑，用D-S合并规则进行合并，得出表中的最后结果非常理想。总体上看，表中单测点用于表征样本类型的量与1的差约在10-2量级上，而表中多测点的融合结果表征样本类型的量与1的差约在10-5量级上，同时干扰项由原来10-2量级变为10-6量级。说明根据融合之后的数据进行诊断决策把握要大得多，诊断决策的可信度能够大幅度提高。河南颚式破碎机：http://www.hxjq.com/