基于多智能体理论实现无线传感器网络的目标监视与追踪的策略

论述了运用多智能体系统的协同控制理论、方法解决无线传感器网络的目标监视与追踪问题的研究策略,阐述了多智能体系统的四类分布式协同策略及三种推理决策策略,介绍了合同网及拍卖方法、动态联盟方法、组织结构设计法、分布式约束满足方法在无线传感器网络中的应用及各种方法的优缺点.理论分析和实践表明,基于多智能体系统的方法是解决无线传感器网络应用问题的有效方法.     

结构损伤诊断不确定性方法研究进展

结构损伤诊断方法经历了由确定性方法到不确定性方法的发展过程。相对于确定性方法,损伤诊断不确定性方法能更有效地考虑和应对损伤诊断过程中的不确定性干扰问题,因此已成为当前结构损伤诊断领域的研究热点。首先回顾结构损伤诊断确定性方法的研究成果和给出确定性方法面临的挑战;在此基础上,主要介绍基于概率统计和基于数据融合的两类损伤诊断不确定性方法的研究进展,并分析各种方法的优点和不足;最后阐述当前结构损伤诊断面临的挑战与亟待解决的问题,并对其发展方向进行展望。     

基于结构振动损伤识别技术的研究现状及进展

对目前关于结构振动损伤识别技术的基本方法、研究现状及进展进行了回顾与总结。对基于结构振动响应和系统动态特性参数进行损伤识别方法的特点进行了简单的评述，介绍了智能诊断方法在损伤识别中的应用，并提出了结构损伤识别的发展趋势和研究方向。     

基于主成分分析及多维高斯贝叶斯的超声流量计故障智能诊断方法

提出了基于多维高斯贝叶斯模型的设备故障智能诊断流程,包括数据的筛选与结构化分析、数据的降维、模型的构建、诊断结果的检验与分析等。研究表明采用主成分分析方法进行降维时,不同的诊断对象在降维参数的选择方面存在较大差别,诊断效果因诊断对象和样本数量的不同而有所差异。利用公开发表的超声波流量计数据库对流程进行验证。结果显示:针对B型流量计进行280次、C型流量计进行550次智能故障诊断,故障状态的首选正确识别率分别达到99.3%和95.1%,较k-最近邻(KNN)聚类分析算法有一定的优势。     

基于效用评估的设备智能诊断多Agent动态融合方法

;为解决由于设备故障的复杂性而带来的对智能诊断过程的高适应性要求,提出了根据实际情况,进行基于效用评估的设备智能诊断多Agent动态融合诊断方法.建立了适应性强的、有利于实现高准确性、高速诊断的基于诊断时间和诊断准确率的效用评估算法与基于效用评估的动态融合流程.实例表明,该方法有利于系统实现高效率的智能诊断.     

水下机械手动力学研究综述

水下机械手是作业型水下机器人的首选配置装备,其具有运动灵活、抗干扰性强等优点,获得了国内外学者的广泛关注。针对水下机械手的功能、结构特征、动力学性能及控制方法,现已有大量学者开展研究,其中动力学分析是研究核心,但目前缺乏对其的系统性总结。为此,聚焦于水下机械手动力学的研究方法与技术,首先对水下机械手用于不同水下作业时的功能和设计特征进行了总结;然后对水下机械手的动力学建模方法进行了分类和比较,主要包括基于误差补偿的动力学建模方法和基于水动力学模型的动力学建模方法;最后对惯性及黏性水动力学模型的构建方法进行了详细描述。通过对比不同的水下机械手动力学建模方法,指出了未来可研究的新方向。研究结果可为后续的水下机械手研究提供一定参考。     

传感层反馈型机内测试系统模型分析和验证

虚警率较高是制约机内测试(Built-in Test,BIT)技术发展与应用的关键问题之一.为降低虚警率,从BIT系统的信息处理流程和虚警率的数学模型两方面分析了传感层不确定性对虚警率的影响,阐述了基于传感器系统可靠性模型的传感层动态不确定性分析和计算方法;在BIT系统中嵌入传感数据证实模块,提出了传感层反馈型BIT系统模型;对新模型和原模型的输出数据不确定性及虚警率进行了分析和验证.结果表明:传感层反馈型BIT系统模型可以有效降低传感层输出数据的不确定性和虚警率.     

DFT的装配车间生产物流策略仿真与研究

针对某汽车部件的实际装配生产,运用离散事件仿真的方法对基于需求流动技术(DFT)的装配生产物流策略进行了研究.在分析该汽车部件装配生产流程的基础上,确定eM-Plant仿真软件中的建模对象与装配生产系统中实体对象的对应关系,使用面向对象的方法建立了相应的离散事件仿真模型.在模型中分别实施基于推式生产方式的物流策略和基于DFT的物流策略,以该汽车部件的平均日产量为绩效指标,比较了两种物流策略对装配生产的影响.     

地下管线的轴向动态失稳分析

本文基于实际震害，提出了地下管线两类轴向动态失稳模型──梁型动态失稳模型和壳型动态失稳模型，并对两类失稳现象进行了分析。模型将地下管线分别假定为埋于弹性半无限空间中的长梁和圆柱薄壳，土－管线相互作用采用平面动应变与静态Ｍｉｎｄｌｉｎ解相结合的方法求得。最后，以我国实际的城市地下煤气管线和长距离输油管线为例进行了参数研究，得出了一些有益的结论，解释了震害的成因。     

复杂系统故障诊断中的两类关键技适

复杂系统故障诊断中的一些关键技术问题一直制约诊断技术的发展．本文对其中的两类典型的关键技术（性能衰退预测技术、故障定位技术）进行了介绍和分析．简要总结分析了复杂系统故障诊断当前的研究现状．提出了复杂系统故障诊断中的两类关键技术（性能衰退预测、故障定位）,并给出了适合这两类关键技术的具体方法．结合作者所在课题组的研究,介绍了基于à Trous算法的小波递归预测的小卫星电源系统性能衰退预测技术、基于双级径向基函数（RBF）神经网络的液压伺服系统故障定位技术．研究结果证明了所提出的方法对于这两类典型对象故障诊断的有效性．     

Elementary Analysis on the Technological Features of an Engineering Equipment Facile Diagnosis System

1　ＩｎｔｒｉｄｕｃｔｉｏｎＴｈｅｔｅｃｈｎｏｌｏｇｙｏｆｅｎｇｉｎｅｅｒｉｎｇｅｑｕｉｐｍｅｎｔｆａｕｌｔｄｉａｇｎｏｓｅｓｉｎＣｈｉｎａｅｘｐｅｒｉｅｎｃｅｄｔｈｒｅｅｓｕｃｃｅｓｓｉｖｅｄｅ ｖｅｌｏｐｉｎｇｓｔａｇｅｓ.Ｅａｃｈｓｔａｇｅｈａｓｉｔｓｒｅｐｒｅｓｅｎｔａｔｉｖｅｄｉａｇｎｏｓｉｓｔｅｃｈｎｏｌｏｇｙｔｈａｔｃａｍｅｆｒｏｍｔｈｅｍｕｌｔｉ ｓｕｂｊｅｃｔｉｎｔｅｒｃｒｏｓｓ.Ａｔｔｈｅｂｅｇｉｎｎｉｎｇ ,ｔｈｅｐｒｏｂｌｅｍｏｆｍｏｎｉｔｏｒｉｎｇｔｈｅｒｕｎｎｉｎｇｓｔａｔ…     

悬臂薄板结构损伤状况的神经网络诊断

基于动量法及Levenberg_Marquardt规则BP神经网络算法 ,本文建立了悬臂薄板固有频率与其裂纹深度、位置诊断关系的人工神经网络模型 ;模型仿真结果表明 ,BP神经网络适用于此类损伤无规律对象问题的诊断。     

A study on group decision-making based fault multi-symptom-domain consensus diagnosis

In the field of fault diagnosis for rotating machines, the conventional methods or the neural network based methods are mainly single symptom domain based methods, and the diagnosis accuracy of which is not always satisfactory. In this paper, in order to utilize multiple symptom domains to improve the diagnosis accuracy, an idea of fault multi-symptom-domain consensus diagnosis is developed. From the point of view of the group decision-making, two particular multi-symptom-domain diagnosis strategies are proposed. The proposed strategies use BP (Back-Propagation) neural networks as diagnosis models in various symptom domains, and then combine the outputs of these networks by two combination schemes, which are based on Dempster–Shafer evidence theory and fuzzy integral theory, respectively. Finally, a case study pertaining to the fault diagnosis for rotor-bearing systems is given in detail, and the results show that the proposed diagnosis strategies are feasible and more efficient than conventional stacked-vector methods.     

Medical Diagnosis Using Machine Learning: A Statistical Review

Decision making in case of medical diagnosis is a complicated process. A large number of overlapping structures and cases, and distractions, tiredness, and limitations with the human visual system can lead to inappropriate diagnosis. Machine learning (ML) methods have been employed to assist clinicians in overcoming these limitations and in making informed and correct decisions in disease diagnosis. Many academic papers involving the use of machine learning for disease diagnosis have been increasingly getting published. Hence, to determine the use of ML to improve the diagnosis in varied medical disciplines, a systematic review is conducted in this study. To carry out the review, six different databases are selected. Inclusion and exclusion criteria are employed to limit the research. Further, the eligible articles are classified depending on publication year, authors, type of articles, research objective, inputs and outputs, problem and research gaps, and findings and results. Then the selected articles are analyzed to show the impact of ML methods in improving the disease diagnosis. The findings of this study show the most used ML methods and the most common diseases that are focused on by researchers. It also shows the increase in use of machine learning for disease diagnosis over the years. These results will help in focusing on those areas which are neglected and also to determine various ways in which ML methods could be employed to achieve desirable results.     

包装过程的故障检测与诊断

对于控制复杂、难以精确描述数学模型的包装过程，提出了基于小波变换的故障检测方法，故障诊断能过神经网络来实现。     

医学影像技术保障最佳疗效

随着医学科学的进步,对于治疗很多严重疾病现在已经发明了很有效的药物和手术,但是根据大量统计和研究,发现比药物和手术更重要的是时间,只有在早期诊断和治疗的条件下,药物和手术才能发挥最大的作用,一旦晚了,什么药物和手术都不能达到理想的治疗效果,而早期诊断病变的最有效的方法就是医学影像技术。因此可以说,对于一家医院来讲,缺少任何一个临床科室,医院可以照常运行,但是不能没有医学影像科,本文对此详加阐述。     

应用小波分析提取故障诊断信号的特定频段

在总结小波分析对信号特定频段提取技术(定义方法、组合小波方法、多分辨率分析方法、小波包方法)，以及对这些技术的有效件、适应性进行比较的基础上，通过仿真试验实现了对合成信号的频率分解，达到和FFT相类似的效果，同时，把基于小波分析的频段提取技术应用到旋转机械的故障诊断中，分析结果表明该技术可以有效地实现有用频段的提取和干扰频段的抑制。     

深度学习在机械设备诊断中的应用

传统的机械设备状态监测是根据经验通过提取现场采集的振动信号特征值构建特征空间,采用多种方法对特征值进行聚类、分类,从而实现对设备状态的分类。但这种方法严重依赖于专家经验,并且效果受到信号噪声等众多因素的影响。分别在经典一维和二维卷积神经网络的的基础上,提出两种机械设备智能故障诊断方法,并通过凯斯西储大学轴承数据中心发布的数据集比较两种模型的性能,实验结果表明,基于一维卷积神经网络的智能诊断方法更适用于一维振动信号。将基于一维卷积神经网络的智能诊断方法应用于石化厂的机泵设备,证明其能实现特征自适应提取,可取得较好诊断效果。     

WDBM: Weighted Deep Forest Model Based Bearing Fault Diagnosis Method

In the research field of bearing fault diagnosis, classical deep learning models have the problems of too many parameters and high computing cost. In addition, the classical deep learning models are not effective in the scenario of small data. In recent years, deep forest is proposed, which has less hyper parameters and adaptive depth of deep model. In addition, weighted deep forest (WDF) is proposed to further improve deep forest by assigning weights for decisions trees based on the accuracy of each decision tree. In this paper, weighted deep forest model-based bearing fault diagnosis method (WDBM) is proposed. The WDBM is regard as a novel bearing fault diagnosis method, which not only inherits the WDF’s advantages-strong robustness, good generalization, less parameters, faster convergence speed and so on, but also realizes effective diagnosis with high precision and low cost under the condition of small samples. To verify the performance of the WDBM, experiments are carried out on Case Western Reserve University bearing data set (CWRU). Experiments results demonstrate that WDBM can achieve comparative recognition accuracy, with less computational overhead and faster convergence speed.