基于自适应粒子群算法和支持向量机的控制图模式识别

针对目前多品种、复杂化的生产趋势,提出了一种基于自适应变异的粒子群算法（AMPSO）和支持向量机（SVM）的控制图失效模式识别的方法。利用SVM小样本学习能力,设计一对一的SVM多分类器进行控制图模式识别,并利用AMPSO算法优化SVM核函数的参数。通过对10种控制图模式(6种基本模式和4种混合模式)的20维特征仿真数据对该方法进行检验,并通过与BP、SVM、PSO SVM识别方法的对比分析。仿真试验表明该方法有效提高了控制图模式的识别精度,达到9814%,而BP仅有75%,为控制图在线实时识别提供了一种可行的途径。      

工程结构体系可靠度分析的最新研究进展

主要失效模式的识别是结构体系可靠度分析的难点和关键。该文首先综述了主要失效模式识别的国内外研究现状及存在的缺陷;然后针对传统失效模式识别方法主要依靠工程经验确定约界阈值、难以兼顾计算效率和计算精度的问题,介绍了一种结构体系可靠度分析的自适应动态约界法;同时,针对传统失效模式识别方法的路径依赖性所带来的计算量大、识别效率不高等缺陷,介绍了一种结构体系可靠度分析的无路径依赖性方法;最后通过算例分析,验证了这两种方法的有效性和适用性。     

结构可靠性优化求解的解耦融合策略

在工程结构的可靠性优化过程中,求解的效率和精度是优化方法的关键。该文提出一种针对解耦优化的融合策略。所提方法在优化迭代解耦所用的失效概率函数为前几次迭代设计点构建的局部失效概率函数的加权融合形式。在对原可靠性优化问题进行解耦后,结合序列近似优化方法进行迭代求解。相比于常规的仅使用当次局部建立的失效概率函数而言,所提融合策略最大限度利用了各次迭代中产生的信息用于优化解耦求解,能够提高失效概率函数的近似精度,从而间接达到减少迭代次数和计算量的目的。最后给出了屋架和十杆结构的可靠性优化算例,验证该文方法的正确性和可行性。     

结合SVM和改进证据理论的多信息融合故障诊断

为了综合合理利用设备多个方面特征信息来提高故障诊断的准确性,提出一种结合支持向量机(Support vector machine,SVM)和改进证据理论的多信息融合故障诊断方法。该方法通过混淆矩阵获取各SVM局部诊断证据对各故障模式的可靠度,赋予不同的权重系数,并对由各SVM局部诊断硬输出判决矩阵构造出的基本概率分配进行加权处理,从而实现SVM和改进证据理论在多信息融合故障诊断中的有效结合。实验结果表明,各SVM局部诊断证据的加权融合处理能够显著降低各局部诊断间的冲突,所提方法可以有效提高故障诊断的准确率。     

基于失效概率积分和马尔可夫链模拟的可靠性灵敏度分析

可靠性灵敏度可以被表达为失效概率对基本随机变量分布参数的偏导数的形式,利用失效概率为基本变量的联合概率密度函数在失效域上的积分表达式,并且利用马尔可夫链能够高效模拟感兴趣区域样本的性质,一种针对单个失效模式和系统多个失效模式的可靠性灵敏度分析方法被提出。由于可靠性参数灵敏度可以表达为一个与联合概率密度函数相关的函数在失效域中的数学期望的形式,所提方法采用马尔可夫链来高效模拟失效域中的样本,进而采用样本均值替代总体均值的方法来得到可靠性灵敏度的估计值。与已有的基于Monte-Carlo模拟的可靠性灵敏度分析方法相比,所提方法在保证计算精度的基础上计算效率有显著提高,尤其是针对小失效概率的可靠性灵敏度分析问题。该算例充分说明了所提方法的合理可行性。     

基于改进卷积神经网络的动态过程质量异常模式识别北大核心

为实时识别动态过程质量异常模式,提出了基于改进卷积神经网络的在线识别方法。根据动态过程数据流的特点构建一维卷积神经网络识别模型。通过改进卷积神经网络损失函数提升模型在不平衡分类问题下的识别准确率。为减少实验次数和节约计算资源,利用正交试验法对改进后的卷积神经网络进行参数优化。以某铅酸蓄电池涂板过程为例验证了所提模型的有效性。实验结果表明:所提方法在处理不平衡样本问题时表现出了良好的识别能力,能够有效应用于动态过程质量异常模式的在线识别。     

基于粗集的改进对向传播网络结构损伤识别

为了有效地利用结构健康监测系统冗余、互补、不确定的信息进行健康状况评估,提出了一种将粗集和改进对向传播神经网络(RCPN)有机地结合在一起的损伤识别新方法。它先用粗集进行数据处理以降低数据的不确定性和空间维数,然后用RCPN进行损伤识别。为了验证所提方法的有效性,对1个框架结构的单损伤和多损伤模式进行了识别,并重点研究了噪声、神经网络模型、不同数据处理方法的影响。研究发现,所提方法不仅可以降低数据的空间维数,减少神经网络的训练与检验时间,而且具有较好的损伤识别精度和鲁棒性。     

考虑状态模糊性时广义失效概率计算的矩方法

针对失效状态和安全状态具有模糊性的广义可靠性分析问题,提出了一种广义失效概率计算的矩方法。所提方法首先将广义失效概率的积分区域依据功能函数的取值离散化,在离散化的积分区域中,极限状态函数对模糊失效域的隶属函数近似保持为常数,从而将模糊可靠性问题转化为一般的随机可靠性问题,进而可以利用近似的矩方法求得广义失效概率。该文给出了所提方法的实现步骤和原理,算例结果表明所提方法对于中低维问题具有很高的精度和效率。     

中心修正投影结合IGWO-SVM的滚动轴承故障分类方法

针对滚动轴承故障分类中全局信息损失和模态识别精度低的问题,提出一种中心修正投影算法(center modified projection, CMP)结合改进的灰狼算法(improved grey wolf optimization, IGWO)优化支持向量机(support vector machine, SVM)的滚动轴承故障分类方法。首先,融合样本高维空间全局分布信息和样本局部信息提出CMP降维算法,利用CMP的信息保留能力,实现轴承信号特征矩阵降维;其次借助钟形收敛曲线不同阶段下降速度的差异性特点以及前进式搜索和包围式搜索模式优化灰狼算法收敛性能,并利用IGWO实现SVM参数的自主寻优;最后采用优化后的SVM进行轴承故障分类识别。该方法充分结合了CMP的特征信息保留能力和SVM的小样本分类性能,有效减弱特征冗余成分对诊断结果的影响。多组对比试验表明,所提方法能有效的去除冗余成分,较好的保留样本空间分布信息,具有较好的分类性能。     

支持向量机及在马铃薯分级中的应用

本文针对马铃薯分级手段落后,分级精度不高的问题,研究了采用基于结构风险最小化原理的支持向量机方法对模式类的识别能力,构造了对应的SVM识别过程和算法,该方法易于实现,且能够找到模式间的最优分类超平面,泛化能力明显提高。最后采用两种核函数,将SVM用于马铃薯分级识别以提取马铃薯外部特征与马铃薯级别之间的映射关系,从而实现模糊性的识别。实验结果表明,此方法对解决马铃薯识别问题具有良好的适应性和实用性。     

基于自适应深度卷积神经网络的发射车滚动轴承故障诊断研究

作为发射车的关键组成部件,滚动轴承的工作环境复杂,故障诊断困难。提出一种自适应深度卷积神经网络,针对传统CNN诊断方法存在的计算效率较低、参数调试需人工经验指导等问题,采用粒子群优化算法确定CNN模型结构和参数,应用主成分分析法将故障诊断特征学习过程可视化,评估其特征学习能力。将提出方法应用于发射车滚动轴承故障诊断,对比标准CNN、SVM、ANN诊断方法,10种工况的诊断结果表明,提出方法诊断精度高且鲁棒性好。     

自动化包装生产线电机无传感器驱动故障诊断

目的 为了解决自动化包装生产线针对电机驱动故障诊断复杂化和精度低的问题,提高复杂生产环境下电机运行的稳定和人员的安全,提出一种基于XGBoost特征重构和神经网络预测电机驱动故障的精准预测方法.方法 首先通过XGBoost算法运用一部分训练数据构建特征树,随后将剩余训练数据输入XGBoost算法得到重构的特征,然后再运用One-hot编码,将重构特征映射到欧式空间,进一步放大特征的差异,最后输入经过参数调整的神经网络模型中完成故障预测.结果 相较于未经XGBoost特征构建的神经网络模型,文中提出的结构在数据测试集随机分割的验证集和测试集上均取得了接近100％的分类精度,验证了模型的有效性和稳定性.结论 较好地实现了针对自动化包装生产线电机驱动故障的无传感器高精度诊断,有利于提高复杂生产环境下的电机稳定性和人员安全性.     

基于DS–PCA模型的包装设备滚动轴承故障诊断方法研究

目的 针对包装设备长期连续工作的工作特性,对其滚动轴承的常见失效故障进行分析,提出一种基于DS–PCA模型的滚动轴承故障诊断方法,构建滚动轴承DS–PCA故障诊断模型,实现包装设备中滚动轴承的在线故障诊断。方法 先运用DS证据理论对采集到的滚动轴承径向振动数据和轴向振动数据进行融合,使得信息具有整体完备性,同时对采集信号进行决策规则下的去噪处理,剔除干扰噪声信息;然后利用主成分分析法(PCA)将融合后的振动信号数据进行Q与T²的统计量计算,并通过对故障轴承振动信号的Q与T²统计量计算,确立故障时的经验阈值;最后,依据实时统计量与经验阈值对比,判断滚动轴承是否发生故障。结果 通过对西储大学公开的滚动轴承试验数据分析计算,得到滚动轴承故障诊断准确率达到94%。结论 该方法满足包装设备故障诊断的要求,其应用将有利于提升包装企业的生产质量和效率。     

气动肌肉的最小二乘支持向量机迟滞模型

针对传统迟滞模型存在的待辨识参数多、参数辨识过程复杂和辨识精度低等问题,采用最小二乘支持向量机对气动肌肉的位移/气压迟滞开展建模研究。通过非线性映射将原始数据空间映射到高维空间,将原系统的非线性问题变成高维空间中的线性问题,借助于最小二乘法求解该线性方程组,从而提高其求解速度及收敛精度。在气动肌肉迟滞特性实验的基础上,采用所建数学模型,与经典的PI模型进行对比。结果表明,采用最小二乘支持向量机建立的数学模型具有更高的建模精度,均方差和平均误差相比PI模型分别减小了99.21%和99.1%,该方法可为后续气动肌肉的迟滞补偿控制提供有效的手段。     

基于IITD模糊熵与随机森林的滚动轴承故障诊断方法

针对滚动轴承故障微弱振动信号特征提取后难以识别的问题,提出基于改进的固有时间尺度分解(IITD)和模糊熵(FE)输入随机森林(RF)模式识别的滚动轴承故障诊断方法。首先,利用轴承试验台采集正常、滚动体故障、内圈故障、外圈故障等4种状态下轴承的振动信号;通过IITD分解将采集到的振动信号分解成一组固有旋转分量(PRC),然后选取表征故障主要信息的有效分量计算其模糊熵值并构建特征向量,输入到随机森林分类器模型进行识别分类。实验数据分析结果表明,该方法可以有效地实现滚动轴承故障类别的诊断。     

EMD和平滑伪Wigner-Ville谱熵的轴承故障诊断

提出一种基于经验模态分解(EMD)和平滑伪Wigner-Ville分布 (SPWVD) 谱熵的滚动轴承故障诊断的方法。EMD方法充分保留信号本身的非线性和非平稳特征,在信号的滤波和去噪中具有较大的优势,SPWVD谱熵用于定量刻画轴承不同状态下振动信号的时频能量分布,将二种算法相结合应用于不同工作状态滚动轴承,并设计最小二乘支持向量机(LS-SVM)智能模型,实现轴承状态和故障类型的自动分类和识别。通过SPWVD谱熵与谱峭度法的对比,验证了SPWVD谱熵的有效性。实验表明此方法能够有效地提取轴承故障的特征信息,提高轴承故障诊断率。     

基于特征优选和GA-SVM的滚动轴承智能评估方法

针对滚动轴承等旋转机械设备零部件的退化状态识别问题,研究并提出一种基于支持向量机(support vector machine,SVM)的智能评估方法。对于在线持续输出的轴承振动信号,采用时域方法和集成经验模态分解(ensemble empirical mode decomposition,EEMD)能量熵提取轴承特征,并基于相关性、单调性和鲁棒性进行特征选择。综合考虑三个指标,计算选择准则,得到最终的退化特征。针对SVM参数选择困难问题,使用遗传算法(genetic algorithm,GA)优化SVM参数,确定参数最优值。定义轴承性能退化指标,用三种不同故障类型的轴承数据训练模型。分别输入不同故障的轴承全寿命周期数据,得到轴承故障的类型和性能退化曲线,确定早期故障点,并对方法进行对比和验证。实验表明,模型故障诊断平均准确率为97.69%,性能退化评估曲线结果准确,早期故障检测能力强。     

基于相空间重构改进算法的混沌奇异谱分析及应用

针对混沌奇异谱分析嵌入维数和延迟时间不确定性问题,提出相空间重构的改进算法。利用补充准则E2(m)进行联合判断,同时对Cao算法进行了改进,给出了一种改进的嵌入维数的稳定性准则。嵌入维数利用改进的Cao算法,能够快速准确地确定嵌入维数m的值,具有准确性和高效性;用基于符号分析的极大联合熵求取延迟时间的方法,减少计算量和误差。通过数值验证对比实验验证了该方法的优越性。将该方法在滚动轴承早期故障识别中应用,结果表明:混沌奇异谱可以清楚看出不同故障信号的图形分布,实现对机械故障信号的特征提取。为机械故障早期诊断提供一种新的有效途径。     

基于K-means聚类与概率神经网络的模拟电路故障诊断方法

模拟电路已广泛应用于航空电子系统,模拟电路的失效会影响系统的功能,引起系统故障,甚至引发灾难性的安全事故。为快速准确地实现模拟电路的故障诊断,该文引入概率神经网络方法,并针对传统概率神经网络方法中的诊断准确性、诊断效率问题,提出基于K-means与概率神经网络的模拟电路故障诊断方法,定义聚类有效性指标,采用K-means聚类分析与有效性指标分析相结合的方式,选取聚类中心作为模式层神经元训练概率神经网络模型,从而降低模型的复杂程度,大大减少故障诊断时间。最后,以有源滤波电路为对象,通过与传统概率神经网络方法以及随机概率神经网络方法的对比分析,验证该文方法在故障诊断准确性以及故障诊断效率上的优越性能。     

基于Bayesian估计的整体和局部信息融合的损伤识别

在结构损伤识别中,如何充分利用整体和局部传感器测试得到的信息来增加结果的准确性是一个值得研究的问题。该文提出基于Bayesian 理论的结构整体局部信息融合的损伤识别方法。首先根据Bayesian理论建立了关于频率、位移模态和应变模态结构损伤的概率模型,静态应变信息提供了Bayesian理论的先验信息,使该概率模型充分利用了各种传感器信息;然后为了减少计算量,采用分步损伤识别的方法,在采用模态应变能指标初步定位损伤范围的基础上,用该文提出的逐个单元消去法定位损伤单元。最后对20 跨刚桁架模型进行试验研究证明了该方法的有效性,并且比较考虑与不考虑应变传感器信息的损伤识别结果。