磨粒能夠直接反映發動機的磨損過程和磨損狀態,對磨損的準確識別是實現發動機故障診斷和狀態監測的關鍵環節。針對單一的智能方法在磨粒識別中的局限性,提出了一種基于信息融合技術的多模型磨粒智能識別方法。首先,利用灰色關聯度、模糊優選和神經網絡模型對磨粒進行識別,得到3組初始識別結果,歸一化后作為3組基本概率分配函數,利用D-S證據理論對其融合得到最終識別結果。實例計算表明,與單一只能模型相比,提出的識別方法提高了磨粒識別的區分度和準確率。并具有良好的通用性、適應性和容錯性,為發動機磨損磨粒識別提供了一種新的有效方法。
鐵譜分析技術通過對油液中的磨損顆粒進行識別和分析,可以有效監測發動機的運行狀態和磨損故障,如何快速準確地對磨粒進行識別是實現發動機故障診斷和狀態監測的關鍵環節。傳統的磨粒識別,通常由人工完成,其主要缺點是工作量大、精度低、自動化程度差以及對分析人員的經驗和水平要求較高等。近年來,隨著人工智能技術的發展,人們在磨粒智能識別方面已經進行了一些有益的探討和研究,模糊數學、灰色系統、D-S證據理論和神經網絡模型等只能方法已在磨粒識別中得到了應用并取得了一定的成果。
然而發動機磨損磨粒的產生是一個非常復雜的過程,單一的智能方法可能會受到一定的局限,較難獲得理想的效果。解決這一問題的有效辦法是將多種智能識別的方法結合使用,進行有效的融合與集成。