基于在线学习神经网络的状态依赖型故障预测

提出外部激励故障和内部激励故障的概念,研究非线性系统状态依赖型故障的预测问题.将非线性系统的故障模型描述成外部激励与内部激励相耦合的一般非线性函数形式,函数的结构未知.通过反向传播(BP)神经网络在线学习故障函数模型实时逼近故障模型,提出基于在线神经网络的状态依赖型故障的预测算法.该算法能够实时地检测故障,对系统状态和故障进行迭代估计和预测.利用系统状态的预测值实时预测了系统的失效时间.故障模型的一般化拓展充分体现了系统状态对故障的影响,增强了算法的实用性.仿真结果验证了该方法的有效性.     

基于Mask R-CNN与改进BP神经网络联合算法的变压器套管红外热故障诊断

为解决传统图像类算法在变压器套管状态诊断时存在的效率低、准确度不高以及复杂背景下变电设备目标识别困难等问题，提出了将Mask R-CNN与改进BP神经网络相结合的套管红外图像状态诊断方法。首先，利用Mask R-CNN解决套管红外图像背景复杂时分割困难的问题；其次，基于灰度特征的特征量提取方案，实现对红外伪彩图特征量的提取；最后，引入粒子群优化BP神经网络（PSO-BP）算法对变压器套管特征进行分类识别。实验结果表明，该方法对红外图像中套管的运行状态具有较好的检测效果，对套管中介质损耗故障、接头故障和漏油故障的故障诊断准确率分别可达100.0%、88.9%和96.3%，平均准确率达到93.518%，优于传统BP算法和支撑向量机（SVM）算法。     

基于改进VMD和自适应BSA优化LS-SVM的刀具磨损状态监测方法

为提高加工过程中刀具磨损状态的识别精度,结合改进的变分模态分解算法(modified variational mode decomposition,MVMD)、自适应回溯搜索算法(adaptive backtracking search algorithm,ABSA)及最小二乘支持向量机(least squares-support vector machine,LS-SVM),提出一种刀具磨损快速识别模型.针对传统信号处理方法存在的模态混叠、噪声敏感等问题,采用瞬时频率均值法预先确定最佳分解模态数,引入降噪型变分模态分解算法进行信号分解;为提高优化效率与自适应性,提出一种改进的自适应回溯搜索算法,通过参数自适应选择提高算法的全局与局部搜索能力;基于自适应回溯搜索算法,采用LS-SVM多分类模型实现了刀具磨损状态的识别.实验结果表明,MVMD可以有效降低噪声、剔除虚假信息,同时验证了ABSA算法具有更强的全局探索和局部寻优能力,使得ABSA优化LS-SVM模型具有更高的准确性.     

LLDE-SVM的滚动轴承故障诊断方法

由于采集到的滚动轴承振动信号含有噪声,以及信号本身的非线性、非平稳特性,为了能够准确的识别出滚动轴承的故障状态,提出了局部线性判别嵌入(LLDE)和支持向量机(SVM)相结合的故障诊断模型。该模型首先采用相空间和流形学习相结合对振动信号进行降噪处理;构建的高维特征空间可以通过LLDE有效的进行降维和特征提取,再通过SVM进行训练构建模型,最后进行故障识别。通过对实验数据进行分析,验证了该方法能够有效地识别出故障类型,可以应用于滚动轴承振动信号的故障诊断。     

QDPSO滚动优化的LS-SVM预测控制研究

针对非线性强时滞系统,传统的预测控制算法难以建立精确模型,其控制精度不高。提出一种基于最小二乘支持向量机(LS-SVM)的非线性模型预测控制算法,该算法通过LS-SVM对非线性系统输入输出数据序列的训练学习,构建其离线的预测模型,然后运用量子粒子群优化(QDPSO)算法来完成整个滚动优化的过程。仿真结果表明基于LS-SVM的非线性模型预测控制比动态矩阵控制具有更好的控制品质。     

EEMD-PE与M-RVM相结合的轴承故障诊断方法

滚动轴承振动信号中包含了大量轴承运行状态信息,但是由于振动信号具有非线性和非平稳性的特点,难以充分提取振动信号中的故障特征,导致现有基于模式识别的轴承故障诊断方法的故障识别准确率较低.为了提高滚动轴承故障识别的准确率,提出了一种基于集合经验模态分解-排列熵(EEMD-PE)特征提取与多分类相关向量机(M-RVM)相结合的轴承故障诊断方法.首先,该方法利用EEMD对非线性和非平稳信号的自适应分解能力,将轴承故障信号分解为一组包含故障特征的本征模态函数(IMFs).然后,利用排列熵提取由EEMD分解得到的IMFs中的故障特征,并组成特征向量.最后,采用EEMD-PE对不同故障状态下的训练样本集进行特征提取,组成特征向量集对M-RVM分类器进行建模,以概率输出的形式实现对滚动轴承的故障诊断.实验结果表明:EEMD-PE特征提取方法能够对滚动轴承振动信号的故障特征进行有效提取,M-RVM能够对故障滚动轴承振动信号包含的故障特征进行识别.与现有轴承故障诊断方法相比较,所提出的方法能够提高故障识别准确率,达到99.58%.     

基于LS-SVM的模糊控制器研究

探讨了利用最小二乘支持向量机(LS-SVM)进行模糊控制器分析与设计研究的方法,提出了基于LS-SVM模型的模糊控制算法.该控制器融合了模糊控制与支持向量机的优点,具有不依赖被控对象模型、泛化能力强等特点.仿真结果表明,LS-SVM学习速度快,在小样本情况下具有良好的非线性建模和泛化能力.基于LS-SVM的模糊控制器具有很好的控制性能.     

基于小波分形理论的风电轴承故障识别

针对风电轴承振动特征信号易被环境噪声调制污染、信噪比低、具有非线性和不平稳的特点,利用基于小波分形的故障识别方法对此进行了研究.采用小波包分解,利用互信息法和Cao算法分别确定了相空间的延迟时间和嵌入维数,根据不同频带的关联维数变化确定风电轴承的工作状态.该方法不依赖于风力机工作的动力学模型,对整体系统信息状态变化敏感.通过现场实验证明,该方法较好地解决了风电轴承故障难以识别的问题,为更加细致地研究风电轴承振动信号提供了重要参考.     

基于LM-BP神经网络的机床伺服系统故障诊断

针对故障复杂、传统维修方法较难实现快速、准确的故障定位问题,在克服传统BP神经网络进行故障诊断存在问题的基础上,引入基于LM-BP的神经网络方法,对机床伺服系统进行故障诊断和分析。设计了一种基于LM-BP神经网络的机床故障诊断方案,应用3层BP神经网络,建立机床伺服系统LM-BP神经网络故障诊断模型,实现在一个复杂的非线性动力系统中,根据设备运行参数的变化调整分类过程,准确判断故障及其位置。实验结果表明,LM-BP神经网络较传统BP神经网络能更精确地诊断机床运行中伺服系统的故障和预测机床运行中伺服系统出现的故障类型。     

基于WPT-SVD和GA-BPNN的混凝土结构损伤识别

针对基于压电波动法检测混凝土结构损伤离散性大的问题,提出基于小波包-奇异值分解(WPT-SVD)和遗传算法优化的BP神经网络(GA-BPNN)模型的损伤识别方法.该方法深度挖掘结构开裂损伤信号时频域变化特征,构建信号特征与损伤的对应关系,可以有效地识别结构损伤位置和程度.在混凝土结构表面粘贴压电传感器测得损伤信号,对损伤信号进行WPT分解,以获得多维时频矩阵.采用SVD对不同损伤状态下的时频矩阵进行降维,构建具有较高损伤敏感性的特征向量.建立具有自适应学习能力的GA-BPNN,实现结构的损伤识别.试验验证表明,压电信号奇异值可以作为损伤特征参量,主要频段的奇异值随着损伤的发展而下降,归一化奇异值向量距与损伤情况呈现3阶段对应关系. GA-BPNN较BPNN能够更好地表征信号特征与损伤间的关联性,识别结果更加稳定且精确度高,结构损伤位置和程度的识别精确度分别达到95.19%和94.47%.     

粒子群算法优化BP神经网络的指纹识别技术

指纹识别技术是当今应用最广泛的生物识别技术之一。在指纹识别过程中,图像处理、特征提取、匹配等过程数据量庞大,计算比较烦琐。BP神经网络具有良好的自学习能力、强大的分类能力和容错能力,将其应用到指纹识别中是可行的。为改进BP神经网络计算速度较慢,梯度下降法不能处理一些不可微传递函数的问题,采用粒子群算法对BP算法进行优化,提高了指纹识别的速度和准确度。     

BP神经网络在数字识别方面的应用

介绍了一种ＢＰ神经网络数字识别方法，分析了从特征提取、网络模型建立、训练到识别结果的整个过程．由于运用特征提取，加快了网络的训练速度，也使网络更加健壮．通过实验，证明数字识别效果良好．     

基于小波分析和BP神经网络的图像特征提取

提出一种基于小波分析与神经网络复合模型的图像特征提取方法.利用二维离散小波变换对图像信号进行滤波和边缘提取,作为图像的输入量供BP网络识别分析.构建了3层BP神经网络模型对图像特征进行识别,采用模糊加权算子的模糊化分层,特征提取模板提取图像中的不同特征,输出层采用均方差权值输出.通过对由50幅图像组成的训练集合进行训练和实验验证,结果表明,本方法的分辩误差率在4%以内.     

基于支持向量机的MSPC方法及其应用

针对传统多变量统计过程控制（MSPC）方法在故障检测、故障原因分析和故障识别中的难点，提出了多元特征提取方法与基于支持向量机（SVM）的一类分类器设计、特征选择以及多类分类器设计方法相结合的一种完整的MSPC新方法.该方法在故障检测中可去除特征满足特定分布的假设前提，并可确定多个统计量的控制限；在故障原因分析中综合考虑故障对于各个变量大小的影响以及变量变化对于故障分类的重要性，提高了关键变量选择的准确性；并且故障识别是基于SVM对故障特征分类的优良特性，避免了传统判别法中经验准则的引入.上述方法在标准仿真平台Tennessee Eastman过程上结合主元分析（PCA）进行了应用，结果显示了其优越性.     

EMD遗传神经网络方法

针对BP(back propagation)神经网络搜索速度慢、容易陷入局部最小的缺陷,提出了经验模态分解(EMD)遗传神经网络方法,首先用对带噪的信号进行分解,得到信号的各阶本征模函数分量,每个本征模函数分量对应着一个能量不同的频段,即一种故障特征,将各频段能量的特征向量作为优化神经网络的输入样本;其次用遗传算法对神经网络的初始权值和阈值进行优化.利用EMD遗传神经网络方法对滚动轴承多类故障信号进行分析,可提高故障识别能力.     

卷积神经网络多变量过程特征学习与故障诊断

为提取复杂多变量过程的有效特征,提高故障诊断性能,提出一种基于卷积神经网络（convolutional neural network,CNN）特征学习的多变量过程故障诊断模型. 将高维过程信号归一化处理转为图像信号,多层卷积滤波器与子采样滤波器交替构成的轻量级CNN网络通过多个卷积核与图像进行卷积,采用本地连接和权重共享,滤除过程噪声和干扰信息,从而获得过程数据的高层抽象化表达. 通过Softmax层有监督的微调方式学习故障特征完成故障诊断. 利用以田纳西过程为代表的多变量非线性过程验证了模型的有效性,与经典分类器和近几年流行的深度神经网络进行对比, 结果表明:将高维过程信号转为图像信号输入CNN提高了多变量过程的故障诊断精度;通过t-SNE方法对模型提取的特征进行可视化分析,说明模型强大的特征提取能力;将模型提取的特征作为传统分类器的输入时,故障识别准确率显著提升,进一步说明有效的特征提取有利于提高故障诊断的准确度和可靠性;与无监督学习方式相比,模型通过标签能获取更有效、稳定和抽象化的数据特征.     

基于最佳小波包基的边海防声目标识别

针对于将声音识别技术应用于边海防目标的识别,提出了一种新的基于最佳小波包基的特征提取方法。具体方法是首先根据边海防声音信号的频率分布特征,对这些信号进行有选择地多尺度小波包分解,获取最佳小波包树,然后将相应的最佳小波包基的能量值归一化后作为特征向量,再将这些特征向量输入BP神经网络训练,用训练好的神经网络对边海防声音信号进行识别。仿真结果表明:在噪声条件下,利用此特征提取方法,识别率达到94%,比基于小波包分解的特征提取方法的识别率高出6个百分点。     

FastICA遗传神经网络算法

针对反向传播（BP）算法和基于负熵固定点迭代快速独立分量分析（FastICA）方法各自的优缺点,提出了FastICA遗传神经网络算法,对滚动轴承进行故障识别.首先对信号进行FastICA分离,得到振动信号故障信息的独立分量,每个独立分量对应着相应的能量,将各个独立分量的能量构成特征向量;其次利用遗传算法对BP神经网络的初始权值和阈值进行优化,得到遗传神经网络;最后将特征向量作为遗传神经网络的输入样本进行故障识别.利用该方法对滚动轴承多类故障信号进行识别,提高了故障识别能力.