基于Auto MPG数据集的贝叶斯网络分类器建模及性能分析

基于实现实例集分类任务的朴素贝叶斯网络分类器、增强朴素贝叶斯网络分类器、树形朴素贝叶斯网络分类器、无监督贝叶斯网络分类器和条件贝叶斯网络分类器的建模方法,利用从UCI数据库中选取的Auto MPG数据集对5类贝叶斯网络分类器的分类效果进行实验比较,根据实验结果分析该5类贝叶斯分类器的性能和特征,验证模型的有效性。     

基于Auto MPG数据集的贝叶斯网络分类器建模及性能分析

基于实现实例集分类任务的朴素贝叶斯网络分类器、增强朴素贝叶斯网络分类器、树形朴素贝叶斯网络分类器、无监督贝叶斯网络分类器和条件贝叶斯网络分类器的建模方法,利用从UCI数据库中选取的Auto MPG数据集对5类贝叶斯网络分类器的分类效果进行实验比较,根据实验结果分析该5类贝叶斯分类器的性能和特征,验证模型的有效性。     

基于磨削声与电流的砂带磨损状态识别

为实时监测砂带磨损状态,采用基于磨削声信号与电流信号的监测方案。首先,利用时域分析方法与小波包分析方法提取砂带磨损信号特征,通过朴素贝叶斯方法融合两种信号,从而识别砂带磨损状态;其次,为提高砂带磨损状态识别准确率,针对朴素贝叶斯方法的分类特性,改进了一种基于Fisher判别率与互信息的信号特征选择方法。实验结果表明,利用基于Fisher判别率与互信息方法能够挑选出可分性好同时特征间相关性弱的信号特征,基于朴素贝叶斯的砂带磨损状态识别方法能够准确地识别砂带磨损状态。     

基于流向图和非朴素贝叶斯推理的滚柱轴承故障程度识别

针对流向图分类推理能力较弱、计算成本较高的问题,提出一种基于流向图和非朴素贝叶斯推理的滚柱轴承故障程度识别方法。提取训练样本中滚柱轴承的故障特征构建标准化流向图,用于直观地表示属性间的因果关系;采用基于征兆属性节点重要度的节点约简算法删除冗余的征兆属性节点,以降低分类推理的计算复杂度;利用基于流向图的非朴素贝叶斯推理算法识别待诊样本中滚柱轴承的状态。通过实验验证了所提方法在直观和准确识别滚柱轴承故障程度方面的有效性。     

基于LSTM-RNN的滚动轴承故障多标签分类方法

为实时监测砂带磨损状态，采用基于磨削声信号与电流信号的监测方案。首先，利用时域分析方法与小波包分析方法提取砂带磨损信号特征，通过朴素贝叶斯方法融合两种信号，从而识别砂带磨损状态；其次，为提高砂带磨损状态识别准确率，针对朴素贝叶斯方法的分类特性，改进了一种基于Fisher判别率与互信息的信号特征选择方法。实验结果表明，利用基于Fisher判别率与互信息方法能够挑选出可分性好同时特征间相关性弱的信号特征，基于朴素贝叶斯的砂带磨损状态识别方法能够准确地识别砂带磨损状态。     

基于贝叶斯分类器的液压泵故障分级诊断方法

矿用液压泵故障种类较多，其分类过程一直存在无明确标签特征量化，导致故障诊断精准性较差的问题。对此提出应用贝叶斯分类器的矿用液压泵故障分级诊断方法，采用动态统计滤波计算矿用液压泵运行过程中的正常数据、噪声数据的特征性相关值，根据噪声和其他数据信息量不同的特点，离散噪声数据以达到过滤的目的。考虑到矿用液压泵故障数据集中存在无特征标签的问题，为避免混淆，划分无特征标签数据状态，计算二者属于同种类别的概率值，并采用损失函数对其进行约束。建立贝叶斯分类器，让已知种类和未知种类的矿用液压泵故障数据集处于同一分类空间，计算二者的先验概率和证据因子，通过概率值诊断待检测数据与已知数据间的属性差异，并利用贝叶斯分类器划分的故障诊断等级实现矿用液压泵故障分级诊断。实验结果表明：所提方法矿用液压泵故障诊断精准度高，不同类型故障的特征捕捉性能强，实用价值高。     

层次朴素贝叶斯分类器构造算法及应用研究

贝叶斯网络分类器是数据挖掘与知识发现领域研究的主要方法之一.层次朴素贝叶斯分类器通过引入潜在节点来实现属性变量间存在聚集的层次关系,提出学习该分类器的构造算法.算法首先借助节点间的条件互信息值来锁定可能聚集节点的范围,然后再通过模拟退火算法来搜索评分较高的模型.层次朴素贝叶斯分类器的结构特点适于构造水质富营养化评价模型,应用于水质预警系统的结果证明该方法可行,并具有较好的适用效果.     

齿轮振动信号滑动递归分析及其应用

采用递归图对齿轮振动信号进行研究,发现不同状态下的齿轮振动信号递归图存在明显差异,分析了这些递归图所表征的传动系统动力学特征。将递归图看作一幅能反映齿轮状态信息的二值图像,用递归率、确定率、层流率、递归时间等递归特征量对该二值图像进行特征描述,分析了递归特征量所代表的系统动力学特征和对应的递归图像特征。采用滑动递归分析对递归图进行分析,以更好地刻画递归图局部特征。应用该方法结合高斯混合模型及最大贝叶斯分类器对采自实验台的齿轮振动信号进行故障分类实验,结果表明应用该特征提取方法可获得较高的故障识别率。     

基于稀疏表示的视觉机器人运动目标跟踪研究*

针对分类器学习常常面临高维数据的问题,借助稀疏表示理论对目标样本多尺度Harr特征进行数据降维,构建朴素贝叶斯分类器进行目标正负样本的学习和更新,选择具有最大分类器响应值的样本作为目标的当前状态,实现了对运动目标的快速而有效的跟踪。实验结果表明该方法适用于机器人运动目标跟踪,在提高实时性的同时能保持一定的鲁棒性。     

条件贝叶斯网络分类器及其在产品故障率等级分类中的应用

针对传统贝叶斯网络分类器模型的不足,提出了一种基于条件贝叶斯网络的分类器模型。通过分析贝叶斯网络模型给定目标变量时各特征变量间的条件独立关系,充分利用其关联关系,为解决分类问题提供了一条有效途径。在此基础上,提出了基于条件贝叶斯网络分类器模型的建模方法用于指导实际模型建立和应用。实例分析结果表明,条件贝叶斯网络与其他的贝叶斯网络分类器及传统的决策树C4.5分类器相比,在提高分类器分类精度的同时降低了网络模型结构复杂度。     

基于特征贡献率的机械故障分类方法

为提高往复压缩机、航空发动机等复杂机械故障分类的准确率，依据特征参数对不同故障的敏感度存在差异的特性，提出一种狄利克雷过程混合模型(Dirichlet process mixture model,简称DPMM)与贝叶斯推断贡献(Bayesian inference contribution,简称BIC)相结合的分析方法。采用DPMM方法自学习机械振动信号高维特征的统计分布模型，并依据BIC理论计算得到各特征参数对模型的贡献率，通过对比观测数据与各类故障数据特征贡献率间的差异实现故障分类。试验结果表明，该方法的平均分类准确率比基于高斯混合模型(Gaussian mixture model,简称GMM)的故障诊断方法的平均分类准确率提高19.29%，比基于Relief算法的故障诊断方法的平均分类准确率提高32.71%，且该方法的时效性高，泛化性能强，能够更有效地进行复杂机械故障分类。     

BGA焊球视觉检测算法及系统设计

为了实现对BGA焊球的自动检测,建立了自动视觉检测系统。对系统所采用的焊球特征进行提取及缺陷识别,基于高斯混合模型的分类器对检测算法进行研究。根据焊球的形状和尺寸特征设计了焊球缺陷识别和分类算法,并以锡多、锡少和毛刺缺陷为例,分析典型缺陷的识别算法。以焊球形状的圆度和特征区域的面积等特征参数为评价标准,构建二维特征空间。在二维特征空间线性组合的基础上,构建基于高斯混合模型的分类器。构建了训练样本集,并对该分类器进行训练,根据训练结果并结合应用实际修正了模型,并采用测试集对该分类器进行测试验证。实验结果表明,焊球缺陷检测算法的准确度为97.06%,漏判率为0%,检测可靠度为100%。该视觉检测系统满足了工程运用中对识别准确度、稳定性、可靠性等方面的要求。     

An Intelligent Fault Diagnosis Method of Multi-Scale Deep Feature Fusion Based on Information Entropy

For a single-structure deep learning fault diagnosis model,its disadvantages are an insufficient feature extraction and weak fault classification capability.This paper proposes a multi-scale deep feature fusion intelligent fault diagnosis method based on information entropy.First,a normal autoencoder,denoising autoencoder,sparse autoencoder,and contractive autoencoder are used in parallel to construct a multi-scale deep neural network feature extrac-tion structure.A deep feature fusion strategy based on information entropy is proposed to obtain low-dimensional features and ensure the robustness of the model and the quality of deep features.Finally,the advantage of the deep belief network probability model is used as the fault classifier to identify the faults.The effectiveness of the proposed method was verified by a gearbox test-bed.Experimental results show that,compared with traditional and existing intelligent fault diagnosis methods,the proposed method can obtain representative information and features from the raw data with higher classification accuracy.     

An improved initialization method of D-KSVD algorithm for bearing fault diagnosis

A novel bearing fault diagnosis method combining feature extraction based on wavelet packets quantifiers and pattern recognition method based on improved initialization method of Discriminative K-SVD (D-KSVD) algorithm is proposed. In D-KSVD algorithm, the representational power of dictionary and discriminative ability of classifier are seriously affected by their initialization values. Therefore, the improved initialization method of D-KSVD is presented and employed for bearing fault diagnosis. The improvement is that during the initialization of training stage, subdictionaries corresponding to each category are trained by K-SVD separately and then the initial dictionary is constructed by cascading the subdictionaries, which can completely represent the characteristics of all categories, and as for the initialization of linear classifier, naive Bayesian classifier is utilized. The experimental results show that under the same parameters the improved D-KSVD has better classification ability compared with traditional D-KSVD and some other classification methods.     

基于LMD和HMM的旋转机械故障诊断

提出了基于局部均值分解（LMD）和隐马尔科夫模型(HMM)的旋转机械故障诊断方法。首先,对故障信号进行局部均值分解,提取瞬时能量作为故障特征向量;然后将故障特征向量输入HMM分类器进行模式识别,输出各状态的似然概率;以最大似然概率所对应的故障状态为诊断结果。通过滚动轴承点蚀故障诊断试验验证了该方法的有效性,并将其与基于EMD-HMM的故障诊断方法进行了比较。结果表明,基于LMD-HMM的故障诊断方法更适用于旋转机械的故障诊断。     

基于LCD和KNNCH分类算法的齿轮故障诊断方法

提出了一种基于局部特征尺度分解(LCD)和核最近邻凸包（KNNCH）分类算法的齿轮故障诊断方法。该方法采用LCD对齿轮原始振动信号进行分解得到若干内禀尺度分量(ISC),然后提取包含主要信息的ISC分量的能量作为特征向量输入到KNNCH分类器,根据其输出结果来判断齿轮的工作状态。实验分析结果表明,所提出的方法能有效地提取齿轮故障特征信息,而且在小样本的情况下仍能准确地对齿轮的工作状态进行识别。同时,与支持向量机(SVM)算法的对比分析结果表明,KNNCH算法能取得与SVM算法相当或更高的正确识别率。     

Fault diagnosis method of rolling bearing using principal component analysis and support vector machine

To effectively extract the fault feature information of rolling bearings and improve the performance of fault diagnosis, a fault diagnosis method based on principal component analysis and support vector machine was presented, and the rolling bearings signals with different fault states were collected. To address the limitation on effectively dealing with the raw vibration signals by the traditional signal processing technology based on Fourier transform, wavelet packet decomposition was employed to extract the features of bearing faults such as outer ring flaking, inner ring flaking, roller flaking and normal condition. Compared with the previous literature on fault diagnosis using principal component analysis (PCA) and support vector machine (SVM), one-to-one and one-to-many algorithms were taken into account. Additionally, the effect of four kernel functions, such as liner kernel function, polynomial kernel function, radial basis function and hyperbolic tangent kernel function, on the performance of SVM classifier was investigated, and the optimal hype-parameters of SVM classifier model were determined by genetic algorithm optimization. PCA was employed for dimension reduction, so as to reduce the computational complexity. The principal components that reached more than 95 % cumulative contribution rate were extracted by PCA and were input into SVM and BP neural network classifiers for identification. Results show that the fault feature dimensionality of the rolling bearing is reduced from 8-dimensions to 5-dimensions, which can still characterize the bearing status effectively, and the computational complexity is reduced as well. Compared with the raw feature set, PCA has a higher fault diagnosis accuracy (more than 97 %), and a shorter diagnosis time relatively. To better verify the superiority of the proposed method, SVM classification results were compared with the results of BP neural network. It is concluded that SVM classifier achieved a better performance than BP neural network classifier in terms of the classification accuracy and time-cost.     

基于随机投影和NB网络的模拟电路故障诊断

针对模拟电路故障诊断中故障类型复杂多样、典型故障信息难以获取以及易受噪声、温度等环境影响的难题,提出一种基于随机投影和朴素贝叶斯网络的模拟电路故障诊断方法。该方法首先提取模拟电路故障信息,并利用随机投影算法降维后获取模拟电路故障特征向量,然后通过朴素贝叶斯分类器诊断模型识别模拟电路各个故障。通过对CSTV滤波器电路、四运放双二次高通滤波器电路和实际Sallen-Key带通滤波器电路的实验结果分析表明,相对于传统的模拟电路故障诊断方法,该方法表现出更优的故障诊断性能,并具有更强的抗干扰能力。     

基于高阶统计特征实值阴性克隆选择算法的轴承故障检测

为解决轴承故障检测领域中异常样本数据不易收集的现实应用问题,提出一种基于实值阴性克隆选择算法(Real-valued negative clone selection,RNCS)的一类轴承故障检测模型。该模型只需要正常样本数据进行训练,利用改进的RNCS生成故障检测器集合以此实现轴承故障检测。该算法通过引入自适应变异算子和克隆成熟度判定算子,能够提高原有算法抗体的检测能力并加快算法收敛速度。为解决因高阶统计特征(Higher order statistics,HOS)信息繁多而无法有效实现智能检测的不足,模型利用HOS特征矩阵分解的奇异值谱为特征进行检测,该方法不仅有效地减少了数据维度及训练时间,同时还降低了噪声影响提高了检测性能。试验中对不同参数选择及不同正常训练样本个数情况下的检测器性能进行了分析,不同检测器个数之间的性能比较也在试验中给出。将建议的方法同原有算法进行比较,试验结果验证了设计思想的正确性和算法的高效检测性能。