改进多目标蚁群算法在动态路径优化中的应用

为对城市动态车辆路径进行优化,设计一种具有贪婪转移准则的改进多目标蚁群算法。对蚂蚁执行多目标迭代局部搜索,在多个邻域上优化解或产生新的帕累托解。使用SUMO和NS2仿真软件,并用TraNS软件进行交互,对西安市区500组不同出发点和终点数据进行测试。结果表明,与两种传统优化算法相比,计算复杂度略有增加,但求解旅行时间明显缩短(平均少10%左右);与三种最新优化算法对比,在不同迭代次数和不同车辆数量条件下,虽然收敛速度不全都最快,但求解旅行时间均为最短(平均少5%左右)。该算法能更好满足行车时间硬要求,规避交通拥堵,能较好应用于动态车辆路径优化问题。     

基于EMD和AR奇异值的柴油机故障诊断

针对柴油机振动信号的非平稳特性和在现实条件下难以获取大量故障样本的实际情况,提出一种经验模态分解(Empirical Mode Decomposition,EMD)、自回归(Auto Regression,AR)模型和支持向量机(Support Vector Machine,SVM)相结合的柴油机故障诊断方法.运用经验模态分解方法对柴油机失火及气阀机构不同工况下的缸盖振动信号进行分析,计算各个内禀模态函数(Intrinsic Mode Functions,IMF)的AR模型参数向量以此组成初始特征向量矩阵,再计算此初始特征向量矩阵的奇异值,并将其作为支持向量机的输入特征向量以判断柴油机的工作状态和故障类型.试验结果表明:该方法在小样本情况下也具有较高的精度和较强的泛化能力.     

基于EMD复杂度特征和SVM的轴承故障诊断研究

针对滚动轴承振动信号的非平稳特性和在现实条件下难以获取大量故障样本的实际情况,提出一种经验模态分解、复杂度测量分析和支持向量机相结合的故障诊断方法.运用经验模态分解方法对其去噪信号进行分析,利用互相关系数准则对固有模式分量进行筛选,再计算所选分量的复杂度以组成故障特征向量,并将其作为支持向量机的输入以识别滚动轴承的故障...     

基于EMD-SVD模型和SVM滚动轴承故障模式识别

针对滚动轴承振动信号的非平稳特性和在现实条件下难以获取大量故障样本的实际情况,提出一种经验模态分解、奇异值分解、Renyi熵和支持向量机相结合的故障诊断方法。运用经验模态分解方法对其去噪信号进行分析,利用互相关系数准则对固有模式分量进行筛选,再对所选分量重构相空间得到吸引子轨道矩阵;对矩阵进行奇异值分解求取奇异值,再计算这些奇异值的Renyi熵以组成故障特征向量,并将其作为支持向量机的输入以识别滚动轴承的故障类型。最后,利用实际滚动轴承试验数据的诊断与对比试验验证了该方法的有效性和泛化能力。     

基于二维奇异值分解的多元时间序列相似匹配方法

多元时间序列(Multivariate Time Series,MTS)广泛应用于医学、经济、多媒体等领域。针对其相似模式匹配问题,该文提出一种基于2维奇异值分解(Two-Dimensional Singular Value Decomposition,2DSVD)的匹配方法。2DSVD是经典奇异值分解的扩展,能准确地描述MTS的本质特征。首先对MTS进行2DSVD分解;然后将MTS按行、列组成的协方差矩阵的主特征向量结合原MTS矩阵组成其模式表示矩阵,并借助Euclid范数来度量两个特征模式矩阵之间的相似程度,进而进行多元时间序列的模式匹配。最后通过与直接欧氏距离法、主成分分析、趋势距离、基于点分布特征4种相似匹配方法对3种不同数据规模的数据集进行对比实验,验证了所提方法刻画多种数据规模的多元时间序列特征的有效性和高效性。     

多传感器信息融合在滚动轴承故障诊断中的应用

针对单一传感器在滚动轴承故障诊断中存在故障识别率不高,敏感特征不易提取,诊断系统可靠性差等问题,提出了采用多传感器特征层、决策层信息融合的故障诊断方法.对振动信号采用经验模式分解(EMD)、小波包和局部均值分解(LMD)方法进行处理并提取特征向量,构建支持向量机分类器.经过特征层交叉诊断,得到初步诊断结果,在决策层采用D-S证据理论进行决策融合.试验表明:该方法可以提高滚动轴承故障识别率.     

随机拓扑结构下多智能体系统的平均一致性*

利用马尔可夫收敛准则、图的Laplace矩阵谱特性和欧氏度量的极值,对一类具有随机拓扑结构的离散时间多智能体系统平均一致性问题进行了深入讨论。引入完好概率矩阵的概念,建立随机拓扑结构下离散时间系统的一致性算法,应用马尔可夫过程收敛相关结论及伴随算子,从欧氏度量极值的角度证明了系统可达到渐近平均一致,并得出了所需满足的条件,该条件放宽了对系统连通性的要求。最后,采用六个智能体组成的多智能体系统进行计算机仿真,对理论的正确性进行了验证。     

EEMD的非平稳信号降噪及其故障诊断应用

针对往复机械振动信号的瞬时非线性、非平稳特性,提出一种基于总体平均经验模式分解(Ensemble Empirical Mode Decomposition,EEMD)与过零率分析相结合的自适应降噪方法,并与能量矩、支持向量机(Support Vector Machine,SVM)结合应用于故障诊断。利用EEMD对非平稳振动信号进行自适应的分解,有效抑制经典经验模式分解的可能出现的模式混叠现象,再以所得的各固有模式分量(Intrinsic Mode Function,IMF)的过零率作为噪声评判准则,重构过零率阈值范围内的非噪声分量以实现信号降噪。另外,计算非噪声分量的能量矩作为故障特征提输入二叉树支持向量机实现的柴油机故障诊断验证了该方法有效性。     

基于EMD和样本熵的滚动轴承故障SVM识别

针对滚动轴承振动信号的非平稳特性和在现实条件下难以获取大量故障样本的实际情况,提出一种经验模态分解、非线性动力学方法—样本熵和支持向量机相结合的故障诊断方法。运用经验模态分解方法对其去噪信号进行分析,利用互相关系数准则对固有模式分量进行筛选,再计算所选分量的样本熵以组成故障特征向量,并将其作为支持向量机的输入以识别滚动轴承的状态。利用实际滚动轴承试验数据的诊断与对比试验验证了该方法的有效性和泛化能力。     

面向电子系统间歇故障的改进RPN计算框架

针对经典风险优先值(risk priority number,RPN)方法的数学缺陷、要素缺陷和研究对象缺陷,分析了经典RPN方法存在这些缺陷和不足的原因,提出了一种面向电子系统间歇故障的RPN改进计算方法。该方法采用五态Markov模型进行故障致损次数O的估算,采用DEMATEL方法进行故障位置、机理、模式的相关性/影响性分析,采用马氏距离对RPN一次排序结果中的相同序号进行二次排序,较好的解决了经典RPN方法取值不是连续整数、对3个主要要素S、O、D取值的微小变化敏感等问题。最后,采用某海基设备电子系统的间歇故障案例来力证了改进RPN计算框架的有效性,可清晰区分不同间歇故障的危险级且更为客观,取得较好效果。