基于Tri-Training的制冷系统半监督故障诊断

针对以往制冷系统故障诊断需采用已知运行状态的有标签数据,导致大量无标签数据信息无法利用的问题,本文提出一种基于Tri-Training的制冷系统半监督故障诊断方法,改善制冷系统故障诊断性能。采用一台316 kW离心式冷水机组7类典型故障的实际数据对该诊断方法进行验证,结果表明：该方法具有有效性,挖掘无标签数据信息的Tri-Training半监督故障诊断模型相比支持向量机(SVM)、K近邻(KNN)、随机森林(RF)3种有监督诊断模型,性能显著提高,总体诊断正确率达到99.43%,对系统级故障的诊断正确率提升1.73%～3.90%,虚警率、漏报率、误报率均有不同程度改善。同时,表明该故障诊断模型中3个基分类器的故障诊断性能及其多样性是影响该模型对制冷系统中无标签数据利用的主要因素。     

基于自适应紧框架学习的轴承故障诊断

轴承是工业生产设备中最关键的零部件之一,其运行状态直接影响到整个机器或系统的运行.针对传统多尺度变换特征无法自适应解决故障诊断问题,提出一种基于自适应紧框架学习的故障诊断方法.针对过完备字典各原子具有明显的相关性,影响故障信号的重建效果,在含噪条件下通过学习构造紧框架,它既可以对轴承故障信号进行有效的自适应描述,又能完...     

基于WELCH算法集成学习模型的滚动轴承故障诊断#br#

针对滚动轴承振动信号具有非平稳性、非线性且易受背景噪声干扰,故障特征难以提取等问题,提出一种基于WELCH功率谱算法的集成学习模型的故障诊断方法。首先使用WELCH算法对轴承的原始振动信号进行预处理,从中提取峭度、偏度、波形因子、峰值因子、脉冲因子和裕度因子6 个参数,作为支持向量机的特征向量;然后结合集成学习算法构造Bagging-SVM集成学习模型。实验结果表明,与单一的SVM分类器相比较,Bagging-SVM 集成模型对于轴承的故障诊断性能更优;在不同电机转速下的轴承故障诊断中,诊断率分别为97 %,98 %,98 %和99.5 %;说明了该集成模型在不同工况下的适用性强,诊断性能优秀。     

基于支持向量机的变压器故障诊断研究

支持向量机是以统计学习理论为基础发展起来的新的通用学习方法,较好解决了小样本、高维数、非线性等学习问题。从理论与实验上比较了目前常用的基于支持向量机的变压器故障诊断方法。     

基于LS-SVM ARX模型的除湿机故障诊断

针对非线性系统故障诊断问题相对复杂的情况,以除湿机作为研究对象,应用ARX模型进行了研究。引入LS-SVM优化算法对ARX模型进行了改进,克服了传统SVM算法的不足。结合实验采集到的实际数据样本,对模型进行了训练。结果表明,改进的算法具有较低的运算复杂度和较快的学习训练速度,对于新的样本输入能够正确分析诊断。由此说明,将LS-SVM ARX模型应用于故障诊断是可行的。     

基于混合算法优化的SVM多分类器齿轮故障诊断模型

为了提高支持向量机分类器的故障诊断精度,该文提出了一种基于混合算法优化支持向量机的故障诊断模型。首先,在混合算法中引入灰狼和金豺的夺食机制。其次,优化支持向量机,从而得到最优的支持向量机模型。最后,提高对齿轮故障模式的诊断精度。以某饲料生产企业采集到的数据为基础进行实例分析,结果表明,采用基于灰狼和金豺算法的混合算法优化支持向量机参数比标准的灰狼算法和金豺算法优化效果更好。在模型诊断精确度方面,混合算法优化的支持向量机诊断模型比未优化支持向量机、灰狼算法优化支持向量机和金豺算法优化支持向量机诊断模型分别提高了15.156 6%、4.913 3%和8.959 6%。     

基于SVM的不同故障程度下冷水机组故障诊断

冷水机组是一个高度非线性的复杂系统,其系统故障会导致系统的运行偏离正常状态,不仅会造成工作空间空气质量的下降,更会造成机组能耗的增加。在选取RP-1043实验数据中的一组正常数据之后,又选取了其中七组故障数据,建立了训练数据。通过支持向量机(SVM)方法进行分类,以测试其对于冷水机组故障诊断的性能,并采用正确率(correct rate,CP)、命中率(hit rate,HR)、虚警率(false alarm rate,FAR)三个指标来评价模型的分类性能。同时引入四种不同程度故障,分析SVM方法随着故障程度变化的分类准确率变化。     

制冷系统故障诊断中模糊模式识别技术的应用

模糊数学是人类认识事物的规律之一。本文将这一概念引入制冷系统故障诊断技术中,使制冷系统运行参数量化问题得到更合理的解决。     

基于支持向量机的模拟电路软故障诊断

提出了基于支持向量机的模拟电路软故障诊断新方法.该方法提取电路的频域响应为故障特征,利用支持向量机对故障进行识别分类.支持向量机具有结构简单、泛化能力强的特点,对小样本分类具有良好的识别效果.以Sallen-Key滤波电路为诊断例,实验结果表明该方法故障诊断准确率大于99%.     

基于支持向量机的齿轮故障诊断方法研究

故障样本的不足从一定程度上制约了基于知识的方法在实际故障诊断中的应用，针对这一问题，利用支持向量机在小样本情况下具有较强分类能力的特点，提出了一种基于支持向量机的齿轮故障诊断方法。该方法采用小波变换对齿轮的振动信号进行处理来构造特征向量，并直接输入到支持向量机的多故障分类器中进行故障识别。试验结果表明该方法是有效、可行的，且在小样本情况下比BP神经网络具有更高的诊断精度。     

基于支持向量机的坦克识别算法

本文提出了一种基于支持向量机的坦克识别算法。在对图像预处理之后，运用颜色和纹理信息进行分割，采用基于数学形态学的算法求得边缘像素，提取具有RST不变性的轮廓特征向量，输入支持向量机进行训练和识别。将支持向量机与传统的人工神经网络的算法进行了对比实验，实验表明基于支持向量机的坦克识别算法具有更好的性能。     

模糊数学在制冷故障诊断专家系统中的应用

基于专家系统的诊断方法是故障诊断领域中最为引人注目的发展方向之之一。在故障诊断专家系统中，无论从现象的获得或现象到故障的推理，甚至故障诊断的基本原理三个方面都存在着模糊性。本文将模糊数学引入制冷系统故障诊断技术中，较好地解决了这一问题。     

Fault Diagnosis of an Intelligent Building Facility Using Bayesian Networks

There is great significance to diagnose the fault of an intelligent building facility for fault controlling, repairing, eliminating and preventing. As an example, this paper established a Bayesian networks model for fault diagnosis of the refrigeration system of an intelligent building facility, gave the networks parameters, and analyzed the reasoning mechanism. Based on the model, some data was analyzed and diagnosed by adopting Bayesian networks reasoning platform GeNIe. The result shows that the diagnosis effect is more comprehensive and reasonable than the other method.     

通过实验选择空调制冷系统故障诊断检测参数

空调制冷系统是一个比较复杂的系统，应通过搭建故障诊断实验台，获得诊断程序中所需的故障范例集。本文共模拟了十一种故障，列出了各故障与原因之间的对应关系从而建立故障诊断范例集。     

相关向量机及其在机械故障诊断中的应用研究进展

相关向量机是一种基于贝叶斯稀疏理论的新型机器学习算法,近年来被应用于多个行业,并得到了国内外学者的不断关注和研究,然而在机械故障诊断领域还未得到足够的重视。简述了相关向量机的特点,通过与支持向量机相比较,阐述了相关向量机的优缺点,综述和分析了近年来相关向量机的国内外研究现状,重点关注相关向量机在机械设备状态监测与故障诊断领域的研究进展。在此基础上,分析了相关向量机研究所存在的一些问题,并展望了相关向量机在机械故障诊断领域应用的未来方向。     

Fault Diagnosis for Non-linear System Based On Adaptive Fuzzy System

１ＩｎｔｒｏｄｕｃｔｉｏｎＬｏｔｓｏｆｖａｌｕａｂｌｅｒｅｓｕｌｔｓｆｏｒｆａｕｌｔｄｉａｇｎｏｓｉｓｏｆｌｉｎｅａｒｓｙｓｔｅｍｂａｓｅｄｏｎｍｏｄｅｌｈａｖｅｂｅｅｎａｃｈｉｅｖｅｄ，ｂｕｔｉｔｉｓｄｉｆｉｃｕｌｔｙｔｏａｐｐｌｙｔｈｅｓｅｒｅｓ...     

Predicting motor vehicle crashes using Support Vector Machine models

Crash prediction models have been very popular in highway safety analyses. However, in highway safety research, the prediction of outcomes is seldom, if ever, the only research objective when estimating crash prediction models. Only very few existing methods can be used to efficiently predict motor vehicle crashes. Thus, there is a need to examine new methods for better predicting motor vehicle crashes. The objective of this study is to evaluate the application of Support Vector Machine (SVM) models for predicting motor vehicle crashes. SVM models, which are based on the statistical learning theory, are a new class of models that can be used for predicting values. To accomplish the objective of this study, Negative Binomial (NB) regression and SVM models were developed and compared using data collected on rural frontage roads in Texas. Several models were estimated using different sample sizes. The study shows that SVM models predict crash data more effectively and accurately than traditional NB models. In addition, SVM models do not over-fit the data and offer similar, if not better, performance than Back-Propagation Neural Network (BPNN) models documented in previous research. Given this characteristic and the fact that SVM models are faster to implement than BPNN models, it is suggested to use these models if the sole purpose of the study consists of predicting motor vehicle crashes.     

小波包分形与支持向量机在水声目标识别中的应用研究

水声目标分类识别是公认的水声信号处理难题,船舶辐射噪声是一种非线性非平稳信号,具有一定的混沌特性,更好地认识船舶辐射噪声的非线性性质,有助于更好地寻找有效的水声目标检测及识别算法。为了解决水声目标的分类识别问题,提出了利用小波包分形和支持向量机组合进行水声目标识别。利用小波包分解得到目标辐射噪声不同频带内信号分形维数作为特征矢量,并输入到支持向量机实现目标分类,实验结果表明,小波包分形和支持向量机的结合有比较好的分类识别效果,有一定的实际应用价值。