基于排气噪声的柴油机气阀故障诊断

通过对柴油机气阀机构七种状态下的排气噪声信号建立AR模型,以AR模型的自回归参数作为故障识别的特征向量,建立基于极限学习机的柴油机气阀故障诊断模型,并与反向传播神经网络算法、径向基网络算法和基于支持向量机的诊断模型相比较。试验结果表明,排气噪声信号可用于柴油机气阀故障的诊断,且基于极限学习机的诊断模型与其他三种算法的分类正确率均可达到95 %以上,但在学习速度上,极限学习机具有明显的优势。     

改进决策的带异常样本1-SVM算法及应用

针对正常类样本多、异常类样本缺乏问题,基于异常样本加入能提高分类能力及分类精度考虑,提出改进决策的带异常样本1-SVM算法,并用于机械设备异常状态检测。用两类样本同时训练1-SVM模型可改善1-SVM算法对异常样本的描述能力;通过调整决策边界提高1-SVM算法的分类精度。柴油机气阀机构故障检测实验结果表明,该算法对正常类及故障类样本的识别率均高于标准1-SVM算法及带异常样本的1-SVM算法。     

基于ICS-LSSVM的包装机械动力机轴承的故障识别

目的针对包装机械设备中动力机轴承的故障诊断识别率低的问题,提出一种基于参数寻优的故障识别方法。方法首先通过主元分析算法对包装设备动力机的振动数据进行主成分特征提取,减少各数据间的相关性,然后采用LSSVM对各类数据样本进行故障识别。为了克服LSSVM惩罚因子和核函数参数易出现局部最优、收敛精度差等问题,提出一种ICS算法优化LSSVM的状态参数,提高包装机械动力机轴承故障诊断的识别率,以实测糖果厂包装机械振动数据为例验证所提方法的有效性。结果实验结果表明,在包装机械动力机轴承故障类别确定的情况下,算法能够高精度地识别各类动力机故障。结论该算法实现了分类器参数的自适应选择,为提高包装机械动力机轴承故障诊断的识别率提供了可靠的方法。     

柴油机缸盖振动信号分形特征研究

针对柴油机振动信号的非线性特征,将小波变换与分形理论结合;由此进行缸盖振动信号的分析及故障特征的提取,进而对柴油机气阀间隙异常故障进行诊断。随后计算信号小波包频带盒维数、小波变换模极大及信号的多重分形谱。结果表明,这种将分形维数和多重分形谱的结构作为系统的衡量指标和故障的表征参数,使诊断结果简单、现实可行。     

基于小波函数的核主元特征约简方法研究

提出一种基于小波核函数的核主元特征约简方法,核函数是核主元分析的关键,将Mexican hat小波函数引核主元分析中,以增强核主元分析的非线性映射能力.用转子在正常、油膜涡动、不平衡和径向碰摩状态下的实验数据对该方法进行了检验,比较了主元分析、核主元分析与小波核主元分析的效果.结果表明,小波核主元分析方法能有效地区分转子故障模式,更适合于故障诊断中的非线性特征约简.     

柴油机振动监测及故障诊断系统

简述了柴油机活塞-缸套磨损、气阀间隙异常、排气门漏气和主轴承磨损故障的振动诊断机理,介绍了基于上述机理的自行研制的柴油机振动监测仪的硬件设计和软件功能,该仪器利用PC104总线、高速同步采集、异步FIFO和DOS编程环境等技术,经测试能实现船舶柴油机的实时在线诊断。     

核函数参数优化及其在故障分类器中的应用

针对基于支持向量机的故障分类器的参数优化问题,讨论了基于数据分布的支持向量机核函数参数优化的原理,提出了一种简化算法.依据简化算法实现了故障分类器的参数优化,并应用于汽轮发电机组的故障分类.测试结果表明,通过这种参数优化方法可以提高故障分类器的分类能力,并且具有算法简单、优化效率高等优点,但其通用性有待进一步提高.     

推料四杆机构参数优化与运动精度分析研究

目的 对于四杆机构在包装推料应用中,其运动轨迹与理论要求差别较大,不能很好地满足高精度包装产品需求的问题,拟采用改进蚁群算法来优化四杆机构几何参数。方法 引入二维坐标系建立四杆机构几何参数,通过数学关系式推导运动轨迹点的坐标方程式。分析四杆机构几何参数变量,构造多目标优化误差函数,添加四杆机构运动约束条件。引用改进蚁群算法对四杆机构几何参数进行多目标优化,采用数学软件Matlab对优化结果进行误差仿真验证。结果 仿真结果表明,四杆机构参数优化后,横向和纵向的平均误差、均方根误差降低,横向的平均误差和均方根误差分别降低了55.9%和59.1%,纵向的平均误差和均方根误差分别降低了56.7%和53.5%。结论 采用改进蚁群算法优化四杆机构几何参数,提高了四杆机构在包装中的定位精度。     

基于有监督核函数主元分析的故障状态识别

介绍一种有监督核函数主元分析算法(SupervisedKernelPrincipalComponentAnalysis,SKPCA),通过将样本类内差和类间差融入总体方差中,从而达到更好的分类目的.在齿轮故障诊断实验中,采用SKPCA提取故障信号的非线性特征,实验结果表明SKPCA相比KPCA前两个主元贡献更为集中,故障识别结果更为理想.     

基于MMSE和ABCSVM的液压泵故障模式识别

为了更好地实现液压泵的故障模式识别,对液压泵故障特征提取方法和模式识别方法进行研究。针对多尺度熵算法存在的在尺度因子较大时时间序列较短而导致各尺度样本熵表征液压泵故障状态性能较差的问题,提出了改进的多尺度熵算法,通过对液压泵实测信号分析验证了所提出的改进多尺度熵的良好性能。针对液压泵故障状态与故障特征之间的非线性关系,采用支持向量机算法建立液压泵的故障模式识别模型,并提出采用人工蜂群优化算法对支持向量机模型参数进行优化。基于改进多尺度熵和蜂群优化参数的支持向量机实现液压泵故障模式识别,通过对比分析验证了所提出的液压泵故障模式识别方法的良好性能。     

提升KPCA方法特征抽取效率的算法设计

在PCA基础上发展出的KPCA方法能抽取样本的非线性特征分量。然而, 基于KPCA的特征抽取需计算所有训练样本与待抽取特征的样本间的核函数, 因此, 训练集的大小制约着特征抽取的效率。为了提高效率，假设特征空间中变换轴可由一部分训练样本(节点)线性表出，并设计了改进的KPCA算法(IKPCA)。该算法抽取某样本特征时，只需计算该样本与节点间的核函数即可。实验结果显示，IKPCA在对应较好性能的同时，具有明显的效率上的优势。     

基于核主成分分析及支持向量机的水轮机叶片裂纹源定位

结合核主成分分析(KPCA)以及支持向量机对水轮机转轮叶片裂纹源的声发射信号进行定位。结果表明,利用核主成分分析提取的特征参数进行定位的精度高于原始参数的定位精度,即输入9个特征参数时,支持向量机在叶片区域的识别率为100%,在裂纹源对焊缝距离的支持向量回归分析中的最大误差为20cm。因而结合KPCA和支持向量机对复杂的大尺寸结构进行定位是一种较好的方法,既减少了输入信号的维数,又提高了定位精度。     

基于Volterra级数和KPCA的旋转机械故障诊断方法研究

提出了一种基于Volterra级数和核函数主元分析（KPCA）的故障诊断方法。在提出的方法中,首先利用量子粒子群优化（QPSO）算法辨识出正常、转子裂纹、转子碰摩、基座松动四种状态下的Volterra级数,然后将Volterra核函数作为特征向量输入到KPCA进行训练识别。实验结果表明,提出的方法是有效的,在只考虑一阶Volterra核不能进行很好地识别时,可以从二阶、三阶Volterra核上来区分。     

Hidden feature extraction for unstructured agricultural environment based on supervised kernel locally linear embedding modeling

An online hidden feature extraction algorithm is proposed for unknown and unstructured agricultural environments based on a supervised kernel locally linear embedding (SKLLE) algorithm. Firstly, an online obtaining method for scene training samples is given to obtain original feature data. Secondly, Bayesian estimation of the a posteriori probability of a cluster center is performed. Thirdly, nonlinear kernel mapping function construction is employed to map the original feature data to hyper-highdimensional kernel space. Fourthly, the automatic determination of hidden feature dimensions is performed using a local manifold learning algorithm. Then, a low-level manifold computation in hidden space is completed. Finally, long-range scene perception is realized using a 1-NN classifier. Experiments are conducted to show the effectiveness and the influence of parameter selection for the proposed algorithm. The kernel principal component analysis (KPCA), locally linear embedding (LLE), and supervised locally linear embedding (SLLE) methods are compared under the same experimental unstructured agricultural environment scene. Test results show that the proposed algorithm is more suitable for unstructured agricultural environments than other existing methods, and that the computational load is significantly reduced.The full text can be downloaded at https://link.springer.com/article/10.1007/s40436-018-0227-8     

基于小波包变换与核主成分分析的铣削颤振识别

提出一种基于小波包变换（wavelet packets transform, WPT）与核主成分分析（kernel principal component analysis,KPCA）的颤振识别方法。铣削颤振会抑制或增强某些频段内的信号,利用四层小波包分解与重构,得到16个频段内的重构信号,获得各重构信号的面积,并进行归一化处理,完成铣削颤振特征向量的选择。继而通过对比基于主成分分析（principal component analysis,PCA）与核主成分分析的特征提取方法的特征提取效果,选取KPCA对特征向量进行降维处理,最后以降维后的数据作为最小二乘支持向量机分类器的输入对铣削状态进行识别。结果表明,在小样本的情况下仍能有效、准确地对铣削状态进行分类,分类准确率达95.0 %。     

基于核主分量分析的经验模式分解及其工程应用

若信号的信噪比较小,经验模式分解不能正确分解出基本模式分量,分量中含有伪分量。根据此种情况,提出一种核主分量分析与经验模式分解相结合的方法。该方法首先建立信号相空间,利用核主分量分析方法提取相空间的核主分量,然后利用投影逆过程将得到的核主分量逆向投影回原相空间,从而重建信号相空间。最后对重建的相空间所对应的信号作经验模式分解。此方法可以有效消除噪声和冗余对经验模式分解的影响,提高经验模式分解的适应能力保证分解的有效性,确保其能够分解出正确的基本模式分量。通过工程实例进一步验证了该方法的可行性。     

基于KPCA-WOA-ELM的爆破飞石距离预测

为提高爆破飞石距离预测的精度和效率，构建了一种基于核主成分分析法（KPCA）和鲸鱼算法（WOA）优化的极限学习机（ELM）爆破飞石距离预测模型。以国内某露天煤矿爆破工程为例，选取影响爆破飞石距离的7个因素。通过KPCA对影响因素间非相关性关系进行降维，提取出包含原始信息95.76%的4个主成分作为模型输入。然后,采用WOA对ELM进制参数寻优，避免了局部最优解问题。结果表明，KPCA-WOA-ELM模型的平均相对误差、均方根误差R_MSE、决定系数R²和平均绝对误差R_MAE分别为4.271%、6.681、0.985和6.413，均优于对比模型。说明该模型可实现对爆破飞石距离的准确预测，为确定爆破作业中的爆破安全区提供依据。     

基于曲波域与核主成分分析的人脸识别

针对小波变换不能充分描述人脸曲线特征的缺点,本文提出一种基于曲波域与核主成分分析(KPCA)的人脸识别算法.采用多尺度、多方向的曲波(Curvelet)变换提取图像特征,不仅具有更高的逼近精度和更好的稀疏表达能力,而且其变换系数能有效表示沿曲线的奇异性.进一步使用核主成分分析(KPCA)将曲波特征系数投影到更具表达力的...     

基于EMD与GA-PLS的特征选择算法及应用

针对振动信号非平稳性和特征优化选择的问题,提出一种基于EMD和GA-PLS的特征选择算法。在该算法中,首先,采用EMD方法将振动信号分解成多个固有模态函数(Intrinsic Mode Function, IMF),对IMF分量建立自回归（AR）模型,以AR模型系数和残差作为初始特征向量,然后,遗传算法与偏最小二乘法相结合(GA-PLS)的算法对初始特征向量进行筛选得到新的特征向量,最后,以新的特征向量为输入,建立分类器,用来识别手动换向阀的工作状态和判断故障类型。实验结果表明,采用该特征选择算法能准确地选择出特征,并能应用于手动换向阀的故障诊断     

Computationally efficient neuro-dynamic programming approximation method for the capacitated re-entrant line scheduling problem

This paper presents a computationally efficient neuro-dynamic programming approximation method for the capacitated re-entrant line scheduling problem by reducing the number of feature functions. The method is based on a statistical assessment of the significance of the various feature functions. This assessment can be made by combining the weighted principal components with a thresholding algorithm. The efficacy of the new feature functions selected is tested by numerical experiments. The results indicate that the feature selection method presented here can extract a small number of significant features with the potential capability of providing a compact representation of the target value function in a neuro-dynamic programming framework. Moreover, the linear parametric architecture considered holds considerable promise as a way to provide effective and computationally efficient approximations for an optimal scheduling policy that consistently outperforms the heuristics typically employed.