基于改进双向循环神经网络的变压器故障诊断模型研究

针对传统神经网络对变压器时序关系挖掘缺失、分类泛化性差、对异构数据分类准确率低的问题,提出了一种基于改进的双向循环神经网络的变压器故障诊断模型。该模型通过双向循环神经网络进行特征提取,将前后时刻的特征进行融合,采用多核学习支持向量机方法对特征数据进行分类,在多核学习支持向量机中进行核融合,从而提高特征数据分类的准确性。数值仿真分析了时序通道对长短时序网络诊断性能的影响,以及多核学习对支持向量机泛化能力和对异构数据处理能力的影响,通过变压器故障数据分类试验验证了基于多核学习支持向量机的双向循环神经网络模型的正确性和有效性。结果表明,基于多核学习支持向量机的双向循环网络诊断性能较好,与几种常用的神经网络相比,模型预测正确率更高。     

基于WWSVDD多分类的遥感图像病害松树识别

针对支持向量数据描述多分类中模糊数据域的误判问题,提出了一种改进的加权小波支持向量数据描述（WWSVDD）多分类方法,并应用于遥感图像病害松树识别.利用无人机搭载双光谱相机获取高分辨率遥感图像,提取地物特征,构建特征向量.用WWSVDD模型描述每类样本,根据待测样本在特征空间中的不同分布,分别采用最小相对距离法和隶属度函数法进行决策分类,从而实现病害松树的识别.实验结果表明,与传统的K近邻和支持向量数据描述多分类方法相比,所提方法在识别病害松树方面准确性更高.     

采用改进型DENCLUE和SVM的电子皮带秤故障诊断

针对电子皮带秤的在线故障诊断问题,提出一种基于改进型DENCLUE聚类分析和偏二叉树支持向量机(SVM)分类器的故障在线检测和诊断方法.由于故障数据随设备流量的变化而变化,采用改进DENCLUE聚类算法对实时检测到的数据进行聚类分析,分离出故障数据,实现在线故障检测;将DENCLUE算法中的密度估计方法引入到支持向量机中,提出一种基于类内相似密度和类间相似密度构建可分性测度和二叉树结构的改进型BTSVM,结合标准数据集验证了改进型BTSVM的优越性,并利用该分类器对检测出的故障进行故障模式在线识别诊断.对阵列式皮带秤进行试验,结果表明,提出的故障在线检测和诊断模型更适合散状物料连续称重系统的在线故障检测诊断.     

基于模糊域和支持向量机的故障诊断方法

将模糊域分布和支持向量机相结合,提出了一种故障诊断的新方法,该方法将模糊域分布中的局部能量作为特征输入到支持向量机的多故障分类器进行故障识别.利用模糊域分布可以很好地刻画信号的时频局部化特征,与时-频平面特征提取相比,又可大大降低数据维数.对于不同类型的核函数分布,将其诊断结果进行比较,试验结果表明,基于模糊域的支持向量机故障分类无需核函数滤波就能取得最好的分类效果.     

一种提高雷达HRRP识别和拒判性能的新方法

在支持向量域描述的基础上,提出了多核支持向量域描述．针对支持向量域描述核函数形式过于简单的缺点,将支持向量域描述由单个高斯核扩展为多个高斯核线性组合的形式．扩展后的多核支持向量域描述方法可以表述为半正定规划问题,因此可以收敛到全局最优解．新方法采用了更加复杂的核函数形式,能够更加灵活地描述训练样本在高维特征空间的边界分布情况,从而获得了比支持向量域描述更高的识别率和更低的虚警率．     

基于模糊域和支持向量机的故障诊断方法

将模糊域分布和支持向量机相结合，提出了一种故障诊断的新方法，该方法将模糊域分布中的局部能量作为特征输入到支持向量机的多故障分类器进行故障识别．利用模糊域分布可以很好地刻画信号的时频局部化特征，与时一频平面特征提取相比，又可大大降低数据维数．对于不同类型的核函数分布，将其诊断结果进行比较，试验结果表明，基于模糊域的支持向量机故障分类无需核函数滤波就能取得最好的分类效果．     

基于SPA-SVDD方法对间歇过程的故障检测

针对间歇过程采集的数据具有三维矩阵数据形式采样时间不等长,不能直接适用于传统故障检测方法的问题,提出一种基于统计模量分析的支持向量数据描述(SPA-SVDD)方法.利用统计模量分析(SPA)将三维矩阵形式转换为二维矩阵,剔除各批次采样时间不等长对检测的影响.统计模量分析可以提取过程数据的非线性、动态性、多模态等特性.用支持向量数据描述(SVDD)方法在由统计模量组成的训练集数据上进行建模,得到支持向量到球心的距离.对新的样本进行检测,对半导体工艺过程进行仿真实验,并对比M-SVDD、SPA-KNN方法验证方法的有效性和优越性.     

空间支持向量域分类器

构造了一种空间支持向量域分类器(SSVDC)．在训练阶段分别对正负两类样本进行支持向量域描述,根据描述边界将数据空间划分为互不相交区域,并设定相应的分类准则．在测试阶段,分别计算待识别样本与两个最小包围超球球心的距离,根据其与超球半径的大小关系确定待识别样本所处区域,并采取相应分类准则完成分类．UCI数据集上的多个数值实验表明,与支持向量机(SVM),支持向量域分类器(SVDC)相比,SSVDC具有好的鲁棒性,训练时间可缩短为SVM的20.6％,分类精度比SVDC提高45.9％．     

基于可闻声信号的配电变压器内部放电故障识别方法研究

提出了基于可闻声信号的配电变压器放电故障识别方法.首先,采用希尔伯特-黄变换(HHT)对放电声信号进行处理,提取频带能量作为特征量.然后,利用单分类方法支持向量数据描述(SVDD)对特征量进行识别.通过现场实测配电变压器本体声信号和实验室模拟配电变压器内部放电故障对该方法进行了验证,结果表明该方法能够较好地识别配电变压器内部放电故障.     

基于支持向量机的超导限流器故障电流模式识别研究

对于饱和铁芯型超导限流器,指出短路故障电流需要快速识别,设计和制造了三相小样机和相应的基于labview和NI板卡的实时检测控制系统.提取了短路故障电流的2个重要特征:电流实时幅值,电流变化率,.根据特征,分别采用神经网络感知机模式分类,线性核的支持向量机和径向基函数核的支持向量机,离线在matlab环境下训练,找出最优分类面.对几种方法进行比较实验,实验数据验证表明了RBF核支持向量机具有最好的识别效果.但是该方法难以在FPGA中实现,而线性核支持向量机是综合识别效果和可实现性2个指标的最佳选择.     

基于GWO-SVM的石化旋转机械轴承故障诊断

针对传统的无量纲指标在不同故障之间存在数据重叠,导致故障诊断准确率低的问题,提出了一种基于互无量纲指标和灰狼算法优化支持向量机(GWO-SVM)的故障识别模型。利用灰狼算法强大的全局搜索能力,对支持向量机关键参数惩罚因子和核函数参数进行寻优,并采用广东省石化装备故障诊断重点实验室多级离心风机轴承数据进行验证。实验证明:GWO-SVM能精确地对轴承故障类型进行分类,同时GWO-SVM相对于单纯的SVM模型和遗传算法优化SVM模型具有更短的算法运行时间和更高准确率,平均准确率高达90%。     

基于PCA-SVDD的故障检测和自学习辨识

为了利用多变量统计过程控制在故障检测上的优势以及克服其在故障辨识诊断上的缺陷,提出一套新的用于化工过程的故障检测和自学习辨识算法.应用主元分析(PCA)实施故障检测并对故障数据运用PCA特征提取,提出3种基于主元分析-支持向量数据描述(PCA-SVDD)的模式判别方法来实现故障的自学习辨识:考虑故障辨识时可能出现的类分布重合问题,分析和比较了基于欧氏距离和归一化半径判别这2种方法,提出针对新型未知故障辨识的加权归一化半径判别法.通过对Tennessee Eastman(TE)过程的仿真研究,说明了提出的故障检测和自学习辨识算法的可行性和有效性.     

采用半定规划多核SVM的语音情感识别

为提高语音情感识别精度,采用二叉树结构设计多分类器,其中使用半定规划法求解并构造多核支持向量机( SVM)分类模型,并采用均方根误差与最大误差对分类器性能进行衡量.对特征选择之后的参数集合进行了测试,结果表明,采用半定规划多核SVM分类模型的情感识别精度达到88.614%,比单核分类模型的识别精度提高了12.376%,且能有效减少误差积累和降低情感状态之间混淆程度.     

采用半定规划多核SVM的语音情感识别

为提高语音情感识别精度,采用二叉树结构设计多分类器,其中使用半定规划法求解并构造多核支持向量机(SVM)分类模型,并采用均方根误差与最大误差对分类器性能进行衡量.对特征选择之后的参数集合进行了测试,结果表明,采用半定规划多核SVM分类模型的情感识别精度达到88.614%,比单核分类模型的识别精度提高了12.376%,且能有效减少误差积累和降低情感状态之间混淆程度.     

基于特征加权的多核支持向量机

提出一种改进的多核支持向量机算法。利用特征向量的信息熵,计算出特征向量关于分类标签的信息增益,用该信息增益作为数据集特征向量的权重系数,然后结合多核支持向量机的核学习能力,对特征向量非均等区别对待,使得分类更加准确。对比实验结果表明,与支持向量机、多核支持向量机相比,改进算法分类正确率得以提升。     

基于粗糙集和支持向量机的航空液压泵故障诊断

针对航空液压泵故障样本有限、故障数据同时具有不完备和冗余的特点,分析了液压泵柱塞球头游隙增大故障的原因和特点,对比了故障泵相对于正常泵的频域信号特征,提出了一种基于粗糙集和支持向量机的液压泵故障诊断方法.首先利用粗糙集对故障特征变量进行约简,去除冗余信息,在保证分类质量不变的前提下寻求描述系统故障特征的最小属性集合;然后再将经过粗糙集约简后的数据样本用于训练支持向量机来进行小样本的故障诊断.试验结果表明:采用粗糙集和支持向量机相结合的诊断方法适合于航空液压泵的高精度故障诊断.     

一种基于机器学习的汽车涂胶缺陷检测研究

在汽车涂胶过程中,为了节省胶料、提高涂胶质量和生产效率,提出一种基于机器视觉的汽车涂胶缺陷检测方法。针对汽车涂胶胶线漏涂、过宽、过窄,使用模板匹配方法进行初次识别,再运用改进的局部二值模式(LBP)特征提取和支持向量机(SVM)的原理及基本算法进行汽车涂胶的识别与检测,通过实验数据确定最有效的核函数类型。实验结果表明,采用多核函数识别效果最好,识别率达到95%,提高了汽车涂胶在生产中检测的实时性和检测率。     

使用聚类稳定性分析方法增强单类学习算法

针对传统单类学习模型对多模态或多密度分布数据描述能力不足的问题,将集成聚类和聚类稳定性分析引入单类学习.首先将确定聚类簇个数与确定聚类簇分布统一到同一个增强单类学习框架中,之后各聚类簇互为正负类分别建起立多个单类分类模型,最后采用最大融合体积方法融合其决策边界.以经典的支持向量数据描述(SVDD)为例,设计了基于集成聚类的稳定支持向量数据描述算法——ECS-SVDD.在标准UCI数据集和一个真实恶意程序行为数据集上的实验结果表明,ECS-SVDD的性能较单个支持向量数据描述及同类单类学习方法更优.该方法可直接推广到其他最小包含体积集合类型的单类学习算法上,以增强单类学习算法处理多模态和多密度分布数据的能力.