基于PSO的变结构变时滞自校正控制

针对变结构、变时滞被控对象,将粒子群优化(PSO)算法与广义最小方差相结合,采用实时自校正过程对其进行控制,提出基于PSO自校正控制器算法.该算法应用隐式辨识方式,可减少辨识计算量,通过跟踪误差来改变辨识精度.以工业上典型的一阶、二阶和三阶系统的结构变化并伴随着有时滞突变的复杂被控对象进行仿真,并和基于最小二乘的传统自校正控制方法比较得知,在运用PSO自校正控制器的控制下,系统输出量与期望输出之间的方差趋于更小,控制跟随性和鲁棒性均较好.仿真结果表明该自校正控制器的有效性与应用价值.     

基于变分模态分解改进方法的滚动轴承故障特征提取

针对滚动轴承早期故障振动信号信噪比低、故障特征提取困难的问题,提出了基 于多相关-变分模态分解(MC-VMD)的滚动轴承故障诊断方法。首先对多加速度传感器采集到的 信号进行多相关处理以突出故障信号特征;然后通过VMD 自适应地将信号分解成多个本征模 态分量(IMFs),运用谱峭度法和包络解调对相关峭度较大的分量进行分析;最后通过包络谱识 别出滚动轴承的工作状态和故障类型。将该方法应用到滚动轴承故障实例数据中,实验结果表 明,该方法可有效提取滚动轴承故障特征频率信息。     

VMD和混合深度学习框架融合的短期风速预测

风速预测是影响风电场效率和稳定性的重要因素.文中基于风速的时空特征,融合变分模态分解(VMD)和混合深度学习框架进行短期风速预测,即VHSTN (VMD-based hybrid spatio-temporal network).其中,混合深度学习框架由卷积神经网络(CNN)、长短时记忆网络(LSTM)以及自注意力机制(SAM)组成.该算法对原始数据清洗后,采用VMD将多站点风速的时空数据分解为固有模态函数(intrinsic mode functions, IMF)分量,去除风速数据的不稳定性;然后针对各IMF分量,应用底部的CNN抽取空域特征;再用顶层LSTM提取时域特征,之后用SAM通过自适应加权加强对隐藏特征的提取并得到各分量的预测结果;最后合并获得最终预测风速.在数据集WIND上进行实验,并和相关典型算法对比,实验结果表明了该算法的有效性和优越性.     

融合GA优化算法的数字孪生模型在石油旋转机械诊断中的应用

为根据模态信号频率水平确定石油旋转机械当前故障行为所属类别,实现对机械设备故障行为的准确诊断,针对融合GA优化算法的数字孪生模型在石油旋转机械诊断中的应用展开研究。定义GA算法优化规则,并在此基础上,建立数字孪生模型,再联合相关故障行为数据,完成对石油旋转机械运行数据的聚类运算,实现基于数字孪生模型的石油旋转机械运行数据聚类处理。计算运行数据损失情况,通过模态分解描述性样本的方式,将核心诊断信息重新耦合在一起,联合求解所得的超参数指标,定义具体的数据样本集中训练模式,实现对石油旋转机械的诊断。实验结果表明,上述诊断方法的应用,对于每一类故障行为模态信号频率的诊断都属于该信号的标准频率数值区段之内,符合100%精准诊断机械故障行为的应用需求,在准确诊断石油旋转机械故障行为方面的可行性能力较为突出。     

基于BEMD的Canny算子边缘检测算法

提出一种基于二维经验模态分解（BEMD）的Canny算子边缘检测算法,通过BEMD将图像分解成多层本征模函数,利用Canny算子对各分量进行边缘检测,并有选择地逐层重构出图像边缘,在灰度图像集中进行测试。实验结果表明,与传统算法相比,该算法能够获得较好的检测性能。     

基于内禀模态奇异值分解和支持向量机的故障诊断方法

提出了一种基于内禀模态(Intrinsic mode functions,简称IMFs)奇异值分解和支持向量机(Support vector machine,简称SVM)的故障诊断方法.采用经验模态分解(Empirical mode decomposition,简称EMD)方法对旋转机械故障振动信号进行分解,将得到的若干个内禀模态分量自动形成初始特征向量矩阵,然后对该矩阵进行奇异值分解,提取其奇异值作为故障特征向量,并进一步根据支持向量机分类器的输出结果来判断旋转机械的工作状态和故障类型.对齿轮振动信号的分析结果表明,即使在小样本情况下,基于内禀模态奇异值分解和支持向量机的故障诊断方法仍能有效地识别齿轮的工作状态和故障类型.     

基于粒子群优化支持向量机的石油需求预测

在能源问题的研究中,石油需求的准确预测对于我国经济管理部门制定石油生产与进口计划、安排相关行业生产计划以及调整产业结构具有非常重要意义。为了实现石油需求准确预测,采用实时准确算法,提出基于粒子群优化支持向量机(PSO-SVM)的石油需求预测方法,PSO-SVM中采用粒子群优化算法优化SVM参数,以获得较优的SVM预测模型。并以我国1990~2007年石油需求数据进行测试与分析,计算实验结果表明,在石油需求预测中,PSO-SVM比BP有着更高的预测精度,为实际需求提供依据。     

基于深度学习和层次语义模型的极化SAR分类

针对复杂场景的极化合成孔径雷达（Synthetic aperture radar,SAR）图像,堆叠自编码模型能够自动学习高层特性,有效表示城区、森林等复杂地物的结构,然而,却难以保持图像的边界和细节.为了克服该缺点,本文结合深度自编码器和极化层次语义模型（Polarimetric hierarchical semantic model,PHSM）,提出了新的无监督的极化SAR图像分类算法.该方法根据极化层次语义模型,将复杂的极化SAR图像划分为聚集、匀质和结构三大区域.对聚集区域,采用堆叠自编码模型进行高层特征表示,并构造字典得到稀疏特征进行分类;对匀质区域,采用层次模型进行分类;对于结构区域,进行线目标保留和边界定位.实验结果表明,该算法通过不同的分类策略优势互补,能够得到区域一致性好且边界保持的分类结果.     

A newly-designed fault diagnostic method for transformers via improved empirical wavelet transform and kernel extreme learning machine

In order to solve the problems of unsatisfactory diagnosis performance and unstable model of conventional fault diagnosis methods for transformers, a new approach based on improved empirical wavelet transform (IEWT) and salp swarm algorithm (SSA) optimized kernel extreme learning machine (KELM) is proposed in this study. Firstly, IEWT is used to adaptively decompose the vibration signal to obtain a set of empirical wavelet functions (EWFs). Secondly, the first n-order components with high correlation coefficient are collected. Thirdly, the mean value, variance, kurtosis, refine composite multiscale entropy (RCMSE), and time-frequency entropy(TFE) of these n-order components are calculated to construct a fusion feature vector. Finally, a two-level diagnostic model based on SSA-KELM is established. The first-level of it is applied to identify normal and abnormal states, and the second-level is selected to identify fault categories in the abnormal states. The proposed method can effectively diagnose the existing fault categories in the training set and accurately identify the unknown categories of faults. Experimental results show that the proposed method can efficiently extract features of different vibration signals and identify the faults, with an average classification accuracy of 96.25%. It is better than other methods, such as wavelet packet energy spectrum analysis-KELM and EWT-fisher.     

基于EMD和LS-SVM的非平稳振动信号趋势预测

镇动信号的趋势预测是设备状态监测与故障诊断中的一个重要内容。随着运行设备的非线性、非平稳特点越来越明显,传统的数学建摸预报方法已不能满足设备的复杂化和现代化要求。提出了一种基于经验模式分解EMD（Empirical Mode Decomposition）和最小二乘支持向量机LS-SVM（Least Square Support Vector Machine）的新模型。首先,运用 EMD 将趋势时间序列自适应地分解成一系列不同尺度的本征模式分量IMF（intrinsic mode function）;其次,对每个本征模式分量,采用合适的核函数和超参数构造不同的LS-SVM 进行预测;最后对各分量的预测值进行拟合得到最终的预测值。仿真实验表明,此方法与单一的LS-SVM预测法相比,具有较高的精度和较强的推广能力。     

多切面分类改进独立成份与支持向量机集成故障诊断方法

本文采用多切面分类方法改进独立成份(ICA)与支持向量机(SVM)集成诊断方法. 在高维独立成份特征空间中采用多切面分类方法在不同切面上分别建立SVM故障分类模型. 对不同切面的分类情况进行故障识别, 改善ICA--SVM集成故障诊断性能. 将ICA--MSVM集成故障诊断方法对动态执行器基准平台(DAMADICS)的19种阀门故障模式进行仿真验证, 结果表明改进的ICA--MSVM方法有效地提高了故障诊断精度.     

基于二次奇异值分解和VPMCD的故障诊断方法

奇异值分解( SVD)在信号分析时需限定主特征值的数量,影响了故障识别的准确性。为此,提出一种新的故障诊断方法。利用奇异值曲率谱自适应选择有效的奇异值进行信号重构,对重构信号实现二次SVD处理,产生相同数量的正交分量,然后求解各正交分量的能量矩,构造特征向量,并采用变量预测模型的分类识别方法分析特征向量,从而建立故障识别模型。将该方法应用于实际轴承的故障诊断,实验结果表明,轴承在正常和故障状态下,该方法的综合识别精度达到97.5%,高于常规基于SVD和支持向量机的方法8.75%。     

IMF复杂度特征在心音信号分类识别中的应用

为提高非线性、非平稳心音信号特征提取的准确性和分类识别的高效性,提出一种基于固有模态函数（Intrinsic Mode Function,IMF）复杂度和二叉树支持向量机（Binary Tree Support Vector Machine,BT-SVM）的心音分类识别方法。对心音进行经验模式分解（Empirical Mode Decomposition,EMD）,得到若干反映心音本体特征的平稳IMF分量;利用互相关系数准则对其筛选,计算所选IMF分量的复杂度值为信号的特征;将其组成特征向量输入到BT-SVM进行分类识别。临床数据仿真结果表明,该方法能有效提取心音特征,与传统识别方法相比,具有训练时间短,识别率高等优点。     

A novel neural-network approach of analog fault diagnosis based on kernel discriminant analysis and particle swarm optimization

Kernel principal component analysis (KPCA) and kernel linear discriminant analysis (KLDA) are two commonly used and effective methods for dimensionality reduction and feature extraction. In this paper, we propose a KLDA method based on maximal class separability for extracting the optimal features of analog fault data sets, where the proposed KLDA method is compared with principal component analysis (PCA), linear discriminant analysis (LDA) and KPCA methods. Meanwhile, a novel particle swarm optimization (PSO) based algorithm is developed to tune parameters and structures of neural networks jointly. Our study shows that KLDA is overall superior to PCA, LDA and KPCA in feature extraction performance and the proposed PSO-based algorithm has the properties of convenience of implementation and better training performance than Back-propagation algorithm. The simulation results demonstrate the effectiveness of these methods.