一种新的优化方法—遗传算法及其应用

遗传算法是一种新的概念优化方法，在工程中已引起广泛重视。本文对遗传算法的原理及应用进行了阐述，探讨了存在的问题，并提出了一些今后的研究方向。     

一种基于多方法的多传感器数据融合算法研究

提出了一种基于多方法的多传感器数据融合算法,分批估计融合求得单传感器最优估计值,然后依据权值最优分配原则进行分组自适应加权融合处理.通过对多热电偶测温的实测数据分析表明,与算术平均值法、单传感器分批估计和自适应加权相结合的算法以及单传感器分批估计和多传感器分批估计相结合的算法相比,绝对误差分别降低3.52℃,1.28℃和1.227℃,相对误差分别降低0.294％,0.107％和0.102％.     

一种基于聚类的滚动轴承故障诊断方法

近年来,机器学习技术在故障智能诊断领域得到了广泛的应用,聚类作为最主要的无监督学习技术在基于机器学习的故障智能诊断中占有重要的地位。滚动轴承故障诊断中,传统的频谱分析法通常采用共振解调技术,但当内圈、滚动体或多点故障时,产生复合调制,从解调谱线很难分辨故障类型。针对此,提出了一种新的基于模糊聚类的滚动轴承故障诊断方法,该方法以模糊Fisher准则为聚类目标,通过对待测样本与已知状态样本数据聚类,求得待测样本隶属度,进而判断滚动轴承的故障类型。实验结果表明该方法是有效的。     

基于聚类优化的非负矩阵分解方法及其应用

针对不断增加的机电系统运行状态信息,传统的特征提取和选择方法已无法满足需求。根据非负矩阵分解典型算法的特点,基于非负矩阵分解的聚类特性,提出了一种面向故障诊断的分解方法。通过分类能力和迭代效率的对比分析,选择了相关性约束和稀疏性约束的改进型交替最小二乘迭代算法,确定了低维嵌入维数及迭代初始化方法,在UCI测试数据集和TEP系统的特征选择应用中验证了该方法的有效性。     

基于遗传算法的旋转机械故障诊断方法融合

针对任何单一性质故障特征、单一诊断方法难以实现在整个故障状态空间上准确诊断的局限性,提出基于遗传算法的旋转机械融合诊断方法。该方法能有效利用各种不同性质故障特征和不同诊断方法,使其发挥各自的优点,从而提高诊断的准确率。针对不同特征利用遗传算法将神经网络诊断和人工免疫诊断方法融合起来,使每一个诊断方法都在其优势空间区域发挥作用,使用小波包能量特征和双谱特征对两种诊断方法训练后,用遗传算法优化诊断融合权值矩阵对旋转机械进行实例诊断结果表明,该融合诊断方法能有效地提高故障诊断的准确率,并能提高诊断系统的鲁棒性。     

一种新的混合球壳形数据聚类方法

模糊C-球壳聚类算法(FCSS)广泛应用于模式识别与机器学习领域。传统FCSS算法采用梯度法和交替寻优策略来求解,因此对初始值比较敏感,往往只能得到模型的局部极值点,从而影响聚类的效果,甚至使所采用的方法失效。将粒子群优化算法(PSO)、遗传算法(GA)与传统FCSS算法相结合,得到一种有效的混合球壳聚类算法PSO-GA-FCSS,数值实验结果表明新算法的性能优于FCSS算法、遗传算法与FCSS相结合的算法GA-FCSS以及粒子群算法与FCSS相结合的算法PSO-FCSS。     

面向单元重构的一种设备选择与聚类方法

建立了设备选择的目标模型,根据2个聚类定量指标,构造了设备聚类的目标函数,设计了并行遗传算法的编码方法和操作算子,对上述问题进行求解。     

火电机组信息融合故障诊断方法及其发展

简要叙述了火力发电机组信息融合故障诊断技术的发展情况,介绍了信息融合的基本概念,总结了在火电机组融合诊断中常用的一些融合方法,包括多种融合方法相结合的形式,重点提到了一种新的信息融合定量诊断方法——信息熵,并预测了火电机组融合诊断今后的发展方向     

基于故障机理与数理融合的一种诊断方法研究

基于故障机理的设备诊断方法在生产实践中有广泛应用，但该方法依靠人的知识和经验，自动化和智能化诊断能力不足。介绍一种基于故障机理与数理融合的诊断方法，将设备的故障机理模型与数理分析模型进行融合，改善了基于故障机理诊断方法的诊断能力，提高了设备诊断的智能化应用水平。在炼化企业的机泵故障诊断中进行了研究与应用，取得了较好的应用效果。     

基于一种改进聚类算法的雷达导引头产品功能模块划分方法研究

提出了我国飞航导弹雷达导引头产品的系列化和快速设计的要求,指出导引头产品的模块化设计是实现该要求的重要手段;采用一种改进的聚类算法来实现导引头产品功能模块的划分,该算法是将划分方法中的k-平均算法结合导引头设计的实际过程进行改进,形成k-最短距离算法;给出了雷达导引头产品功能模块间的相异度评价准则。以雷达导引头的目标跟踪模块为例验证了该算法的正确性和实用性。     

C-均值聚类算法在变速箱故障诊断中的应用

通过一个实例,介绍了动态聚类法中C-均值算法在变速箱故障诊断中的具体应用。分析表明,使用C-均值算法对故障数据进行聚类分析,不需要模式的先验知识,且分类结果正确率较高,简便实用。     

基于优化分簇贝叶斯网的转子振动故障诊断

针对柴油发动机的充电发电机结构及振动的复杂性导致其转子振动故障具有多层次性、耦合性和随机性,以及故障信息不完整性等特点,提出了一种基于振动频谱分析和贝叶斯网络的转子振动故障诊断方法。该方法将故障源和故障现象根据专家经验数值化表示并离散化,运用改进的优化分簇算法,构建特定振动故障类型的贝叶斯诊断网络,利用贝叶斯网络推理算法诊断出故障概率分布,并利用具体的故障证据、设定值对该方法进行验证。仿真及实验结果表明,该方法能在故障信息不完整情况下,依据不完整证据信息更新各网络节点的概率状态,实现对不确定信息的推理和估计,得到较好的诊断结果,提高了转子振动故障的诊断准确度。     

ASTFA-BSS方法及其在齿轮箱复合故障诊断中的应用

自适应最稀疏时频分析（adaptive and sparsest time-frequency analysis,ASTFA）方法以分解得到的单分量个数最少为优化目标,以单分量的瞬时频率具有物理意义为约束条件,使得到的分量更加合理;结合盲源分离,提出了一种基于ASTFA的盲源分离方法并应用于齿轮箱复合故障诊断中。该方法首先利用ASTFA将单通道源信号进行分解,然后利用占优特征值法进行源数估计,根据源数重组观测信号,最后对观测信号进行盲源分离得到源信号的估计。实验结果表明,该方法可以有效地对齿轮箱复合故障信号进行分离进而实现齿轮箱的复合故障诊断。     

基于时间信息融合的振动故障诊断方法

由于依靠一个状态的数据进行融合诊断存在误诊和漏诊的可能性,提出了一种基于时间信息的融合诊断方法,以小波分析和概率模型为分析手段,给出了基于时间信息融合的具体算法,并定义了故障定量判别的指标——故障度.通过转子故障模拟试验得到了大量数据,对故障实例的计算以及振动信号的分析结果表明,故障度能够有效地区分故障类别,提高了诊断的准确性.     

基于PCA与蚁群算法的机械故障聚类诊断方法

针对现代机械复杂化、智能化的特点,为快速准确地诊断出设备故障,提出了基于PCA与蚁群算法的机械故障聚类诊断新方法。定义了聚类准确率判别因子,对主元的选取进行自适应调整,利用基于高斯径向基核函数的主元分析方法实现了故障特征提取。以蚁群算法解决旅行商问题为原型,定义了城市圈,改进蚁群算法实现了双重寻优,把故障聚类转化为蚁群算法最擅长的寻求最优解问题,将改进的蚁群算法用于故障特征样本的聚类。实例分析证明了该方法的有效性。     

汽轮机故障诊断的粒子群优化加权模糊聚类法

针对模糊C-均值算法在汽轮机故障诊断中的不足,提出了粒子群优化加权模糊聚类分析的方法.首先,采用基于样本相似度的特征加权方法对样本特征及样本进行加权,以适应各种复杂分布的样本;然后,利用粒子群算法优化加权模糊聚类的特征权值和聚类目标函数,并依据聚类有效性指标自适应确定最佳聚类数及聚类结果.试验结果表明,该方法具有收敛速度快和全局收敛的特点,有效降低了汽轮机故障诊断的误分类率,诊断结果可靠.     

改进时频分析和特征融合在内燃机故障诊断中的应用

针对基于内燃机振动信号的故障识别诊断问题,首先提出一种基于阈值筛选的变分模态分解(VMD)、玛基诺-希尔时频分布(MHD)的时频分析方法,该方法针对Cohen类时频分布存在的交叉干扰项问题,通过阈值筛选法确定VMD算法的分解层数,从而将内燃机振动信号分解成一系列单分量模态信号,然后对单分量信号进行MHD时频表征及线性叠加得到时频聚集性优良、物理意义明确的振动信号时频谱图。再通过局部非负矩阵分解(LNMF)对时频图像特征进行提取,将提取的特征与振动信号时域参数进行特征融合,得到融合特征向量。对支持向量机(SVM)采用改进粒子群优化算法进行参数优选,然后对特征向量进行训练和测试,实现了内燃机的故障识别诊断。将该方法应用于内燃机气门间隙故障8种工况下缸盖振动信号的识别诊断试验,结果表明,该方法能够对不同工况振动信号进行有效识别分类。通过参数优选,最高识别率达到了99.17%,同时对比传统的最近邻分类器的分类结果,证明了该方法的优越性。     

设备故障诊断中的信息融合技术

简要综述了数据集成与信息融合的一般过程及融合结构。针对故障诊断过程，在数据融合与规则融合基础上，提出了灰色融合和模糊融合两种信息融合方法，并给出了并行决策融合模型。     

基于信息融合的齿轮箱故障诊断技术研究

对齿轮箱的故障诊断和信息融合进行了简要概述,将信息融合技术和D-S证据推理运用于齿轮箱的故障诊断中,提出了一种可行有效的融合方法.     

基于混沌与模糊聚类的机械故障自动识别

针对大型设备旋转部件故障模式复杂难以识别的特点,给出一种基于混沌与模糊最大似然估计(Fuzzy maximum likelihood estimates,FMLE)聚类相结合的机械故障自动识别方法。利用混沌振子在非平衡相变对小信号非常敏感,而对噪声和高频信号具有强免疫力的特点,可检测出微弱的周期故障特征信号的频率信息,并将其作为故障特征矢量输入模糊聚类分类器进行聚类分析。同时针对传统的模糊C均值(Fuzzy center means,FCM)聚类算法只适用于球形或者类球形数集分布的缺陷,将基于最大似然估计的距离测度引入故障特征聚类中,实现对不同形状、大小和密度的故障数据集模糊聚类,达到对机械故障自动识别的效果。试验及工程实例结果证明了方法的有效性,同时证明FMLE聚类具有更好的聚类效果。