一种基于鲁棒FCM算法的故障诊断方法

为提高传统FCM算法应用于故障诊断时的容噪能力.通过修正样本点权值,引出了一种替代欧氏距离范数的新距离函数,采用高斯核函数证明了该函数是一种距离尺度,分析r距离范数对噪声数据的表现,建立了基于该距离尺度的鲁棒FCM聚类算法并给出了算法步骤,IRIS数据和样本数目差异数据实验证明了提出的算法较传统算法具有更好的鲁棒性.最后将此算法用于机载武器系统的故障识别实验,结果表明,本文给出的方法较传统FCM方法在故障诊断中能有效克服数据特征影响,具有更高的诊断精度.     

应用相关近邻局部线性嵌入算法的高光谱遥感影像分类

传统的局部线性嵌入（LLE）算法需用欧氏距离度量近邻,但欧氏距离只表示两点间的直线距离,在高维空间中不一定能反映数据间的真实空间分布,导致近邻选取不稳定。针对此问题,本文提出了相关近邻（CN）LLE（CN-LLE）和相关最近邻分类（CNN）算法。提出的算法首先利用相关系数度量数据间的近邻,实现更准确的局部重构,提取鉴别特征;然后用CNN对低维嵌入特征进行分类。在KSC和Indian Pine高光谱遥感数据集上的地物分类实验结果表明：本文提出的CN-LLE+CNN算法比LLE、LLE+CNN和CN-LLE等算法的总分类精度提升了2.11%~11.55%,Kappa系数提升了0.026~0.143。由于该算法增加了近邻为同类的概率,便于更有效地提取同类数据的鉴别特征,且有更好的稳定性,故能更有效地实现高光谱遥感数据的地物分类。     

相似样本选择方法在SVM发酵建模中的应用

针对基于动态时间规整(DTW)发酵过程局部建模时相似样本选择未考虑样本权重对建模的影响,基于加权欧氏距离,提出了一种样本相似度度量方法。首先在分析亲和度的基础上将亲和度引入到加权欧式距离中,然后将其转化成相似度度量函数并应用到大肠杆菌发酵过程相似样本选择中,最后结合局部支持向量机建立发酵产物的在线预测模型。实验结果表明,与基于其他相似度度量函数的支持向量机模型相比较,该模型有着更高的预测精度、更好的泛化能力,而且预测时间也明显缩短。     

改进高斯过程回归的高光谱空谱联合分类算法

针对高斯过程回归在高光谱图像分类中计算量较大、分类精度较低等问题,提出一种基于改进高斯过程回归的高光谱空谱联合分类算法。算法以最大方差为指标选取样本的子集缩小高斯过程回归参数求解的计算范围,采用平方根矩阵分解法对新添加样本进行模型结果预测,有效提升运算效率;算法以空间-光谱特征信息为基础,在像元近邻空间中重新定义邻域像元空-谱关联距离,将融入空间近邻信息的空-谱关联距离作为权值来度量邻域像元相似性,加大同类地物归为近邻的概率,从而提高地物分类的精度。在Indian Pines和Pavia University两组高光谱数据集上进行仿真实验,实验结果可知,与其他同类算法横向相比,本文提出的改进算法在总体分类精度、平均分类精度和Kappa系数等评价指标至少提高了2.3%,1.4%和1.07%,与改进前的模型算法纵向对比可知,本文提出的改进算法在取得较高总体分类精度的同时,大幅降低了算法的运行时间。     

基于时空相似性的即时学习在线建模

流程工业数据具有较大的时变性以及非线性,传统的离线模型难以应对实际生产过程中的工况变化,而即时学习是在线建模的有效方法。已有研究对即时学习的相似度度量方法大多只侧重于样本的空间距离,忽略了工业数据时序性的特点。为此,提出基于时空相似性的即时学习建模方法。首先,将样本点延拓成样本序列,结合动态时间规整计算样本间的时序距离。其次,提出时空相似性度量准则,通过对时序距离和空间距离进行非线性加权,构建时空相似性度量指标。最后,提出基于时空相似性的即时学习在线建模方法。将所提算法应用于公共数据集及聚酯纤维聚合过程,拟合优度分别达到了91.6%和98.6%,实验结果验证了算法的有效性和优越性。     

基于人工蜂群算法的KPCA特征优化提取

采用KPCA进行特征提取时,其核函数参数对轴承故障特征的可分性影响很大,直接影响轴承故障诊断的准确率,而使最优的核参数难以选取。针对这一问题,采用人工蜂群算法与KPCA相结合,提出了基于人工蜂群算法的KPCA核参数优化选取方法,并实现了滚动轴承故障特征的优化提取。试验结果表明,该方法能够最大程度提高故障样本的可分性和SVM模型的分类精度;同时通过对比分析遗传算法、粒子群算法及人工蜂群算法的优化结果,验证了该方法具有更好的寻优能力。     

一种自动的非封闭曲面三维重建方法

为了精确实现非封闭曲面的三维重建,提出一种基于曲面三角面片周长的阈值分割方法,首先计算泊松算法生成曲面的三角面片周长选取采样点,然后通过比较样本点与原始输入点之间的欧氏距离自动计算阈值对生成曲面进行分割.实验结果表明,该算法能准确有效地去除伪封闭曲面而不影响原生成曲面的精度,且算法复杂度低、时间效率高、鲁棒性强.     

基于类间可分性度量和SVM的多故障分类算法

由于基于支持向量机(Support Vector Mechine,简称SVM)的多类分类算法的分类器结构对故障分类效果有直接影响,首先提出一种在高维特征空间基于核函数的J<,b>*/J<,w>*类间可分性度量准则,然后根据可分性度量结果用min-max原则来构造支持向量机分类器结构.通过对滚动轴承4类故障测试样本的分类试验结果表明,采用该方法构建的分类器其分类效果明显优于任意确定的二叉树结构分类器,有更高的故障识别率.     

基于最优分数阶傅里叶变换的模拟电路故障特征提取新方法

模拟电路故障诊断中故障特征提取是关键技术之一,为获得有效的故障特征信息,研究提出一种基于最优分数阶傅里叶变换(FRFT)的模拟电路故障特征提取方法.该方法把在原始数据空间中可分性差的特征数据映射到合适的分数阶空间,用类内类间距离作为判据,通过遗传算法确定分数阶p值,找出在分数阶Fourier域内类内类间距离最大的故障特征,然后用PCA降维和神经网络分类诊断.实验表明该方法能增强不同故障模式的可分性,提高了诊断结果的准确率.     

面向领域自适应的部分最优传输高光谱图像分类

针对高光谱遥感图像分类时有标注的源域训练数据与无标注目标域数据分布不一致的问题,提出基于部分最优传输的无监督领域自适应方法,实现对处于不同数据分布的高光谱遥感地物像素级分类。利用深度卷积神经网络将样本映射到潜在高维空间,根据部分最优传输理论建立样本传输方案,最小化域间分布差异,构建适配模型。采用类感知采样技术和质量分数因子自适应调整策略,促进域间类别对齐,建立全局最优传输。在两组公开高光谱遥感图像数据集上进行实验,从总体分类精度OA（%）、类别平均分类精度AA（%）、分类一致性检验Kappa（×100）等3个评价指标对像素分类结果量化比较。实验结果显示,在两组迁移任务上,相较于仅使用源域数据的基线模型,总体分类准确率分别提升2.21%和2.75%,相较于原始最优传输策略提升1.71%和2.01%,表明模型能够有效提升高光谱遥感影像中像素级地物的分类精度。     

MODIFIED LAPLACIAN EIGENMAP METHOD FOR FAULT DIAGNOSIS

A novel method based on the improved Laplacian eigenmap algorithm for fault pattern classification is proposed. Via modifying the Laplacian eigenmap algorithm to replace Euclidean distance with kernel-based geometric distance in the neighbor graph construction, the method can preserve the consistency of local neighbor information and effectively extract the low-dimensional manifold features embedded in the high-dimensional nonlinear data sets. A nonlinear dimensionality reduction algorithm based on the improved Laplacian eigenmap is to directly learn high-dimensional fault signals and extract the intrinsic manifold features from them. The method greatly preserves the global geometry structure information embedded in the signals, and obviously improves the classification performance of fault pattern recognition. The experimental results on both simulation and engineering indicate the feasibility and effectiveness of the new method.     

基于自组织映射的齿轮箱状态监测可视化研究

提出了一种自组织映射网络训练结果的可视化方法——距离映射法,该方法通过计算出竞争层神经元权矢量与输入模式的相似度,并综合考虑神经元的网格分布,把输入矢量降维映射到二维平面。结合该方法研究了自组织映射网络在齿轮箱故障识别和状态监测中的应用。与U－矩阵法相比,该方法能更加清楚地将齿轮正常、裂纹和断齿状态的特征数据映射到二维平面的不同区域,将齿轮箱状态聚类分开,特征数据在平面上的映像点轨迹变化趋势直观反映了齿轮箱工作状态的变化,便于及时监测识别出齿轮的早期故障及其变化趋势。     

基于支持向量机的车用燃料电池系统故障诊断

为了提高车用燃料电池系统的安全可靠性和可维护性,考虑到其大量完整的故障样本难以获取,提出了一种基于二叉树多分类器的支持向量机故障诊断方法.首先,以自主研发的60 kW车用燃料电池系统为研究对象,分析了其故障机理和特征;然后,融合15种故障征兆参数并进行归一化预处理作为支持向量机的输入,以14种典型故障作为输出,选取径向基核函数并利用粒子群优化算法对支持向量机的惩罚参数和核函数参数进行优化,利用310组样本数据对其进行训练,通过90组测试样本测试实现了其典型故障的识别;最后,将支持向量机和神经网络分别在不同训练样本数下的故障诊断性能进行了对比.仿真结果表明,支持向量机具有较好的故障正判率和泛化能力,可有效用于车用燃料电池系统的多故障诊断.     

基于FrFT-FD和KPCA模拟电路故障特征提取方法

为获得有效的故障特征信息,提出一种基于分数阶傅里叶变换分形维的模拟电路故障特征提取方法。首先,把原始数据空间中的特征数据映射到不同的分数阶空间,分别计算不同分数阶次下故障响应信号的分形维数;然后,采用核主元分析进一步对候选特征实施降维;最后,将优化后的特征向量作为故障特征,利用神经网络进行分类诊断。仿真结果表明,本方法能很好地获取不同故障响应信号的细微差异,增强不同故障模式的可分性,提高故障诊断准确率。     

Supervised locally linear embedding projection (SLLEP) for machinery fault diagnosis

Following the intuition that the measured signal samples usually distribute on or near the nonlinear low-dimensional manifolds embedded in the high-dimensional signal space, this paper proposes a new machinery fault diagnosis approach based on supervised locally linear embedding projection (SLLEP). The approach first performs the recently proposed manifold learning algorithm supervised locally linear embedding (SLLE) on the high-dimensional fault signal samples to learn the intrinsic embedded multiple manifold features corresponding to different fault modes, and map them into a low-dimensional embedded space to achieve fault feature extraction. For dealing with the new fault sample, the approach then applies local linear regression to find the projection that best approximates the implicit mapping from high-dimensional samples to the embedding. Finally fault classification is carried out in the embedded manifold space. The ball bearing data and rotor bed data are both used to validate the proposed approach. The results show that the proposed approach obviously improves the fault classification performance and outperform the other traditional approaches.     

网格曲面上测地B样条曲线交互操作与重用

针对现有曲面上自由曲线设计重用方法的不足,提出一种流形网格曲面上曲线几何变换方法,达到曲线重用与再设计的目的。网格曲面上的曲线用测地B样条表示,具有与欧氏空间中传统B样条相一致的明确数学模型;引入对数映射理论将给定的源曲线控制顶点映射到切空间,获得它们的法坐标,按照曲线迁移前后控制顶点法坐标保持不变的原则,建立曲线迁移前后控制顶点的对应关系,实现类似于欧氏空间中的平移、旋转和缩放等几何变换。以网格曲面上离散对数映射理论为基础,将欧氏空间中的对称定义拓展到曲面空间,提出曲面上曲线的广义镜像概念并给出具体的算法实现。法坐标很好地保持了控制顶点之间的测地距离和相对位置关系,因而也保证了曲线迁移重用过程中的形状保持性。试验结果表明,所介绍方法健壮、有效,能满足曲面上曲线的交互设计要求。     

Supervised locally tangent space alignment for machine fault diagnosis

How to deal with the high-dimensional and nonlinear data is a challenging problem for fault diagnosis. An unsupervised locally tangent space alignment (LTSA) has recently proven to be an effective unsupervised manifold learning algorithm for high-dimensional data analysis. In this paper, a supervised expansion of LTSA (named S-LTSA) is proposed, which takes full advantage of class label information to improve classification performance. Based on S-LTSA, a novel machine fault diagnosis approach is proposed to deal with the high-dimensional fault data that contain multiple manifolds corresponding to fault classes. The experiment results with bearing fault data show that the proposed approach outperforms the other fault pattern recognition approaches such PCA, ICA, LDA and LTSA.     

散乱点云局部形貌标架量化及特征识别方法

针对散乱点云特征识别结果存在噪声及特征遗漏的问题，提出一种基于曲面局部形貌标架的点云特征识别方法。基于点云局部中轴对样点的隔离作用，剔除样点欧氏邻域内的非测地邻域点，为曲面构造优化的局部样本模型。析取局部离散样本中的准共法截线点对集合，构造散乱点云的局部形貌标架。基于标架夹角的差异性，对曲面样本形貌进行量化分析，区分平滑、边界、棱边及尖角等特征区域，实现对中心样点属性的稳健判别。实验结果表明，该方法适用于不同采样密度的点云，可显著降低点云特征识别结果中的噪声点规模，且能有效减少特征遗漏现象。