基于分层式证据推理的信息融合故障诊断方法

针对基于信息融合的故障诊断方法中,诊断证据的精细化获取问题和在线诊断信息量受限问题,提出分层式的证据推理(ER)诊断方法.在诊断证据获取过程中,给出故障特征参考值投点方法,按比例求取特征样本点对相邻参考值的相似度,生成点值型参考证据矩阵(REM)和在线故障特征样本的诊断证据,实现了诊断信息的精细化提取;在证据融合过程中,设计分层式ER融合模型.第1层融合中利用k-NN算法找到在线样本的近邻历史样本,然后利用ER规则实现在线样本与近邻历史样本对应证据的融合.在第2层融合中,将多个特征源提供的第1层融合结果再次融合,并根据两层融合所获证据进行故障决策;此外,在分层融合模型中,根据证据之间的欧氏距离构造目标函数及相应的证据重要性权重优化方法.最后,在多功能电机转子试验台上实施了故障诊断实验,与已有单层ER模型诊断结果进行比较,说明所提方法通过提升诊断证据的精确性、增加历史样本扩充诊断信息量,能够有效提升确诊率.     

基于证据K-NN改进算法的水声目标识别

证据分类算法已广泛应用于目标识别当中。针对传统证据K近邻算法在近邻证据组合规则上的局限,研究一种新的基于PCR5规则的证据K近邻改进算法(IEK-NN)。首先在总样本集中随机重复采样来构造多个训练子集;然后在各训练子集中,利用目标数据与其近邻的特征距离来构造基本置信指派;最后利用证据推理中的PCR5规则对近邻证据进行融合,并根据融合结果以及所建立的分类规则判断目标的类别属性。通过水声目标实测数据实验,将IEK-NN与传统的证据近邻分类算法进行对比分析,结果表明新算法能有效提高识别的准确率。     

改进的证据K近邻异常工况检测及应用

大型火力发电系统复杂,诱发异常工况的因素多、难以检测,并且过程数据中故障案例少,有标签的故障样本不完备,难以建立有效的异常工况检测模型。针对这些问题,提出一种基于证据K近邻的异常工况检测方法。首先,基于斜坡系数完成对历史数据稳态工况的划分,便于建立工况模型;然后,基于工况数据的局部密度构建证据体,确定异常工况检测边界;在线应用时,过程数据的异常特性由证据体根据K近邻原则判定。所提方法在模型构建与应用时不需要完备的有标签样本,建模效率高,模型更新维护较为方便。案例分析表明,所提方法与主成分分析(PCA)、基于K近邻的故障诊断(FD-KNN)、证据K近邻(EKNN)方法相比具有较低的误报率和漏报率,具有较好的工程应用价值。     

基于诊断证据静态融合与动态更新的故障诊断方法

提出一种将诊断证据静态融合与动态更新相结合的故障诊断方法.在静态融合阶段,利用Dempster组合规则融合每个时刻的多条局部诊断证据,获取静态融合证据,并给出基于证据距离的故障信度静态收敛指标;在动态更新阶段,基于条件化的线性组合更新规则,利用当前时刻静态融合证据更新历史证据,获取更新后的全局性诊断证据,并给出基于S函数的故障信度动态收敛指标.在两个阶段中,基于静态和动态信度收敛性指标函数,分别给出相应的优化学习方法,获取静态融合中局部诊断证据的静态折扣系数、动态更新中历史与当前证据的更新权重系数等参数的最优值.在最大信度原则下,利用更新后获取的诊断证据做出诊断决策.最后,通过在电机柔性转子实验台上的诊断实验,将所提方法与已有的典型融合诊断方法进行了对比分析,说明所提出的融合诊断方法及其性能指标函数和参数优化方法的有效性.     

基于证据推理规则的信息融合故障诊断方法

本文针对不确定性故障特征信息的融合决策问题,给出基于证据推理(evidence reasoning,ER)规则的故障诊断方法.首先基于故障特征样本似然函数归一化的方法求取各传感器(信息源)提供的诊断证据;从传感器误差以及故障特征对各故障类型辨别能力的差异出发,给出获取诊断证据可靠性因子的方法;给出双目标优化模型训练得到诊断证据的重要性权重,最后利用ER规则融合经可靠性因子和重要性权重修正后的诊断证据,利用融合结果进行故障决策.该方法继承了Dempster-Shafer证据理论处理不确定性信息融合问题的优点,同时克服了它在实际应用中无法区分证据可靠性和重要性的不足,使得所获诊断证据更为客观、可信.最后,通过在多功能电机转子试验台上的故障诊断实验,验证了所提方法的有效性.     

基于信度区间的故障特征约简方法

多源信息融合故障诊断方法可以有效提高设备故障的确诊率,但同时需要使用由不同传感器获取的多种故障特征数据.此时若将所有特征的数据用于诊断,则计算量过大,诊断的实时性差.对此,将证据理论与粗糙集相结合,提出基于信度区间的属性约简定理及相应的故障特征(属性)约简方法,力图利用约简后的重要特征进行快速诊断.利用随机模糊变量和K均值对特征数据进行离散化处理,通过压缩二进制矩阵获取核属性,再将属性的信度区间大小作为迭代约简过程中属性的选取标准,向核属性中添加重要属性,最终获得属性约简结果.最后进行电机转子的特征融合诊断实验,通过与经典的粗糙集简约方法对比验证所提出方法的有效性.     

基于改进近邻标准化主多项式的故障检测研究

针对过程数据的多模态和非线性的特征,提出了改进的局部近邻标准化和PPA结合的过程故障检测方法.首先寻找每个样本的第一近邻样本,再寻找第一近邻样本的局部前k近邻集,用近邻集的均值和标准差进行数据标准化,最后使用主多项式分析(PPA)对标准化处理后的数据建模,计算T2和SPE统计量,并确定控制限进行故障检测.主多项式分析使...     

电路故障个体化诊断仿真研究

研究电路故障诊断,保证系统的安全和效率,由于常见的机器学习电路故障诊断方法,公共的训练集进行训练建模,导致其准确性过低,为提高其预测准确性,利用支持向量机与高维地统计学结合提出了一种电路故障个体化诊断方法。首先通过小波包变换实现信号的能量特征提取;再以高维地统计学确定公用变程;每个待测试样本都以自身为中心,根据公用变程从训练集中选取K个近邻作为训练正样本;最后支持向量机完成个体化诊断并进行仿真。仿真实验表明,支持向量机个体诊断能有效减少训练模型数量,并且电路故障诊断精度达98.55%,远高于其它算法。     

基于改进的K近缺失数据补全

针对化工过程中的数据样本缺失的问题,本文基于改进的K近邻算法对样本数据缺失值补全的方法进行了研究,阐述了K近邻补全算法的基本思路,并针对K近邻补全算法在缺失数据的K个最近邻的选择上可能存在的偏好,提出了一种改进的数据补全算法,有效的解决了K近邻补全算法在近邻选取上的偏向性。根据K近邻补全算法选取的K个近邻数据与缺失数据之间的距离,对K个近邻作加权,使得补全的数据更趋合理。仿真实验证明:改进的K近邻补全算法可以对样本的缺失部分进行更加有效的补全,从而扩展了软测量建模可用的样本数量。     

基于局部保持嵌入–K近邻比率密度的半导体 蚀刻过程故障诊断策略

针对多模态间歇过程存在数据维度高且方差差异较大的特征,提出一种基于局部保持嵌入–K近邻比率密度(NPE–KRD)规则的故障检测方法.首先,利用局部保持嵌入(NPE)方法将原始的高维数据投影到低维空间;其次,在低维空间通过计算样本的密度及其前K近邻密度的均值来建立K近邻比率密度(KRD);最后,根据核密度估计法确定统计量控制限并进行故障诊断. NPE方法既能够在低维空间保持数据局部近邻结构,又能够降低故障检测过程的计算复杂度.通过引入比率密度, NPE–KRD可以降低多模态方差结构差异对故障检测的影响,提高过程故障检测率.通过数值例子和半导体工业过程的仿真实验,并与主元分析、K近邻、局部保持嵌入等方法进行比较,验证了本文方法的有效性.     

KNN-朴素贝叶斯算法的滚动轴承故障诊断

滚动轴承的故障诊断对于提高工业生产效率,保障工业生产的稳定安全地运行具有重要意义。为了提高滚动轴承故障识别的正确率,提出一种使用KNN-朴素贝叶斯决策组合算法对滚动轴承故障诊断。组合算法利用朴素贝叶斯算法对使用不同K值的KNN算法初步分类结果进行再分类以达到提高滚动轴承故障识别的目的。首先,使用小波包能量法对滚动轴承振动信号进行能量特征提取,然后使用多个参数K值不同的KNN算法对能量特征数据预分类,得到多个KNN算法分类结果集,将分类结果集进行处理得到预分类结果集,将预分类结果集作为朴素贝叶斯算法的输入,使用朴素贝叶斯算法对数据再分类。实验结果表明,组合算法相较于传统KNN算法及贝叶斯算法在滚动轴承的故障诊断率得到了有效提高,实现了对滚动轴承故障的有效诊断。     

基于改进KNN-SVM的车辆图像光照检测模型

为了准确检测出车辆交通图像的光照类型,从而有针对性地矫正不同光照以减少其对车牌定位的影响,提出了一种基于改进K近邻和支持向量相融合（KNN-SVM）的车辆图像光照检测方法。首先融合了HSV空间亮度特征、灰度直方图特征和投影直方图特征作为车辆图像的光照特征,然后改进传统KNN-SVM中距离计算方法,定义为每类待检测样本到属于该类支持向量的距离,并在采集的全天候不同光照车辆图像上进行检测验证。实验表明,改进KNN-SVM将阈值获取时间提前,避免了传统KNN-SVM对超平面附近样本先SVM检测再KNN检测的重复检测,不仅降低了算法复杂度和运行时间,且检测准确率高于传统KNN-SVM和单独使用KNN或SVM时的值,最高达到了99.67%。     

改进特征样本方法的KPCA变压器故障检测模型

针对核主元分析（KPCA）监控模型由于建模样本不纯而导致故障检测失效问题,提出基于改进特征样本方法的KPCA故障检测模型并应用于变压器故障检测中。利用特征值变化信息,设计出异常样本剔除算法以避免异常样本被选入特征样本集;采用特征样本方法提取建模样本集,建立KPCA监控模型,采用复合统计量对变压器运行状态进行检测,实验结果验证了改进特征样本算法的有效性,表明提出的方法具有较高的故障敏感性和检测效率。     

基于混合分类器的表情识别方法

根据隐马尔可夫模型(HMM)适用于处理连续动态序列信号、支持向量机(SVM)与K近邻分类器(KNN)擅长模式分类的特点,设计一种(HMM+KNN)+SVM的混合分类器。利用HMM与KNN对测试样本进行判决。当判决结果相同时,直接输出判决结果,否则引入SVM对测试样本进行再判决。实验结果表明,该方法所确定的分类器优于单一的分类器判决,能有效实现表情识别。     

多传感器数据融合技术在故障诊断中的应用

利用多传感器数据融合的方法进行故障诊断,建立融合故障诊断系统.将故障诊断系统按数据融合的方法分为数据级融合模块、特征级融合模块和决策级融合模块.数据级融合模块主要对多传感器的测量信号进行处理,提取出故障诊断的特征信息.特征级融合模块采用3个结构相同的并行神经网络,一是进行局部诊断;二是获得决策级D-S证据理论的基本概率赋值.决策级采用D-S证据理论的方法对特征级局部诊断的结果加以融合,得到最终的诊断结果.利用此系统在汽轮机转子试验台架上进行了故障诊断,得到了令人满意的结果.     

基于类标感知的KNN分类算法

许多传统分类算法都以训练数据和测试数据具有相同或至少非常相似的分布为前提,但是在实际应用中,该前提很难得到保证,这降低支持向量机等传统分类算法的分类精度.因此,文中提出基于类标感知的KNN分类算法(CA-KNN).CA-KNN给出稀疏表示模型,基于任何测试数据都可使用训练数据集进行稀疏表示的假设.CA-KNN可有效利用数据集上的类标信息,提升稀疏表示的准确性.引入KNN的最近邻分类思想,进一步提升CA-KNN的泛化能力,并且从理论上证明CA-KNN分类器与最小误差的Bayes决策规则关联.实验和理论分析的结果表明,CA-KNN具有较好的分类性能.     

基于PCA-KFCM的船舶柴油机故障诊断

为提高船舶柴油机故障诊断的准确率和深刻反映船舶柴油机的运行状况,结合主元分析(PCA)的特征提取优势和模糊核聚类(KFCM)具有较好聚类效果的特点,提出了一种新的船舶柴油机故障诊断方法。该方法首先利用主元分析对船舶柴油机故障的训练和测试数据集进行特征提取,消除了故障征兆之间的相关性;然后对经特征提取后的训练样本进行模糊核聚类,并用网格法确定其中的参数,得到聚类中心。通过计算测试样本集中各样本与聚类中心在高维特征空间中的欧氏距离,得出最终的故障诊断结果。对MAN B&W 10L90MC型船用柴油机的故障诊断结果验证了该方法的有效性。因此,应用提出的方法对船舶柴油机进行故障诊断具有重要的实际意义。     

一种高效的K值自适应的SA-KNN算法

传统的K近邻(KNN)分类算法在实际应用过程中存在一些缺陷:没有考虑去除噪声样本,也没有考虑到在样本数据空间变换过程中保持样本数据本身的流形学结构,并且没有使用样本间属性的相关性。为此,提出引入稀疏学习理论,利用训练样本重构测试样本的方法,重构过程使用了样本间的相关性,也用到局部保持投影LPP保持数据结构不变,同时引入l2,1范数用于去除噪声样本的方法来寻找投影变换矩阵W,进而利用W确定KNN算法中K值的SA-KNN算法。在UCI数据集上的仿真实验结果表明,该方法比传统的KNN分类算法和Entropy-KNN算法有更高的分类准确度。