基于支持向量机的模拟电路故障诊断

针对模拟电路的固有复杂性及其传统故障检测方法存在延时大和正确识别率低的问题,提出基于最小二乘支持向量机和Volterra级数的故障诊断方法。采用Volterra级数频域核对电路故障特征进行提取,利用最小二乘支持向量机进行模态分类,最终完成故障诊断。仿真结果表明,该方法与BP神经网络相比提高了系统故障辨识能力与系统故障诊断速度。     

信息熵支持向量机算法传感器故障诊断研究

研究传感器系统故障诊断效率问题.针对传统故障诊断因传输信息大,速度慢,造成故障,定位不清.传统的方法提取的传感器系统特征信息不全面,导致诊断精度与速度不高.为有效提高传感器系统故障诊断的效率和精度,提出了一种能量信息熵的支持向量机系统故障诊断方法.故障主要难点技术问题在于参数选择优化问题.算法首先利用小波包对传感系统故障信号进行小波包分解,并提取小波包能量信息熵,以此构建输入特征向量;接着采用了支持向量机方法进行非线性特征向量提取,最后以特征向量来建立支持向量机智能化诊断模型.仿真结果表明,改进方法在所有参比模型中精度最高,能高效地对传感器故障进行检测与定位.具有较强的泛化能力,同时缩短了故障诊断时间.     

基于沃尔泰拉级数的模拟电路组合故障诊断法

针对模拟电路的固有复杂性及其传统故障检测方法延时大和正确识别率低的问题,借鉴基于隐马尔科夫模型改进最小二乘支持向量机以及Volterra级数原理,将二者组合进行故障诊断。该方法首先采用Volterra级数频域核对电路故障特征进行提取,再利用经隐马尔科夫模型改进的最小二乘支持向量机进行模态分类,最终完成故障诊断。仿真结果表明,与目前使用的BP神经网络诊断方法和LSSVM诊断方法相比,该方法不仅提高了系统故障辨识能力,还提高了系统故障诊断的速度。     

组合算法在柴油机故障诊断的应用仿真

研究柴油机故障诊断问题。柴油机故障具有小样本、特征间冗余信息严重等特点,用大样本的神经网络无法对故障进行准确诊断。为提高柴油机故障诊断精度,提出一种粗糙集和支持向量机相融合的柴油机故障诊断算法。首先采用粗糙集对柴油机故障特征属性进行约简,消除特征间冗余信息,然后采用专门针对小样本的支持向量机建立柴油机故障诊断器,最后进行柴油机故障诊断仿真测试。测试结果表明,改进方法提高了柴油机故障诊断效率和精度,可为柴油机故障定位和分析提供有价值参考意见。     

无轨胶轮车全液压制动系统故障诊断研究

针对无轨胶轮车全液压制动系统长期工作在煤矿井下恶劣的环境中而易于发生故障的问题,提出了基于支持向量机的故障诊断方法。应用支持向量机回归估计算法建立全液压制动系统的故障预测辨识模型,将支持向量机模式分类算法应用于故障分离,并在Matlab环境下分别进行了故障检测与故障分离试验。试验结果表明,将支持向量机方法应用于无轨胶轮车全液压制动系统故障诊断中是完全可行的,可以有效提高故障检测效率和诊断准确率。     

基于能量熵对SVM的电路故障诊断

研究电路故障诊断问题,提高诊断效率.由于电路集成度提高,电路信号与故障相关,针对传统故障诊断因采用线性诊断方法与提取的电路特征信息不全面,导致诊断定位精度不高,为有效提高电路故障诊断的速度与精度,提出了一种根据小波包能量熵的支持向量机电路故障诊断方法(EE-SVM).首先利用小波包对电路故障信号进行3层的小波包分解,并提取小波包能最熵,构建输入特征向量.对于支持向量机进行非线性特征向量汰选,去除冗余特征,以保留特征向量构建智能化诊断模型.进行实例仿真,结果显示,方法在所有参比模型中精度最高,能高效地对电路故障进行检测与定位.     

基于半监督拉普拉斯特征映射的压缩机故障辨识

旋转机械在现代生产体系中具有不可替代的作用,其故障诊断技术对避免恶性损坏事故的发生显得尤为重要。如何选择和提取有效的故障特征,将直接影响故障辨识的诊断精度。针对旋转机械故障诊断的非线性、非平稳性等特点,结合半监督学习和流形学习思想,提出了一种半监督拉普拉斯特征映射(SSLE)算法,并将其应用于空气压缩机的故障辨识。该方法充分利用少量标签样本和大量无标签样本信息,提取有利于分类的故障样本低维流形特征,并利用最小二乘支持向量机(LS-SVM)分类器进行了故障分类与辨识。采用非线性的特征学习方式,有效提取了故障信号中的敏感特征信息,增强了故障模式识别的分类性能。压缩机故障辨识试验结果表明,与主成分分析(PCA)算法和拉普拉斯特征映射(LE)算法相比,基于SSLE算法的故障辨识性能更好。     

基于改进模糊聚类和支持向量机的模拟电路故障诊断

为解决神经网络训练需要大量的样本,且容易陷入局部最优,收敛速度慢等缺点,采用改进模糊聚类(IFC)和支持向量机(SVM)相结合的模拟电路故障诊断方法.利用小波分解技术提取待诊断电路的测试信息作为故障特征,在模糊聚类算法中为消除孤立点和噪声的影响,对不同样本点引入权值以提高聚类效果,结合改进的模糊聚类算法进一步降低故障特征的维数,将其作为支持向量机的输入量,进行模型训练并预测模拟电路的故障.仿真结果表明,此方法应用于电路故障诊断有效削减计算复杂度并提高了诊断精度.     

基于小波包分析和LS-SVM的柴油机故障诊断方法

针对某柴油机检测样本小,难以准确估计故障的状况,提出了一种基于小波包分析和最小二乘支持向量机的柴油机故障诊断方法;利用小波包分析对柴油机缸盖振动提取频谱能量并对干扰信号进行处理,从而获得故障征兆样本集;由于柴油机故障的征兆样本集有限性,提出了采用最小二乘支持向量机分类方法构建柴油机故障分类器;结果表明,经过小波处理过后的振动信号再经过LS-SVM辨识网络训练,能够准确地诊断和预测故障。     

基于Volterra频域核辨识的非线性模拟电路故障诊断

基于Volterra级数时域频域混合模型,提出了辨识非线性模拟电路频域核的故障诊断方法.利用混合模型辨识算法和范德蒙特法估计各种故障状态下电路响应的前3阶频域核,提取故障特征并与相应的故障模式一起构成特征样本集,借助于支持向量机多分类器进行分类识别,实现非线性模拟电路的故障诊断.阐述了诊断原理及诊断步骤,并给出了诊断实例.仿真结果表明,该方法的故障识别率较高,便于计算机计算.     

基于小波包分形的瓦斯传感器故障诊断方法

针对瓦斯传感器的故障诊断问题,提出一种基于小波包分形的瓦斯传感器故障诊断方法。使用3层小波包对故障信号进行分解和重构,获得不同频带的重构信号,计算各个重构信号的分形维度,并构成对应的故障特征向量。以此作为输入向量来训练支持向量机（SVM）,完成故障的诊断。实验结果表明：该方法能有效地提取传感器的故障特征,提高了传感器故障诊断的准确率,可有效地应用于瓦斯传感器的故障诊断。     

A fuzzy neural network approach for online fault detection in waste water treatment process

In this paper, an effective strategy for fault detection of sludge volume index (SVI) sensor is proposed and tested on an experimental hardware setup in waste water treatment process (WWTP). The main objective of this fault detection strategy is to design a system which consists of the online sensors, the SVI predicting plant and fault diagnosis method. The SVI predicting plant is designed utilizing a fuzzy neural network (FNN), which is trained by a historical set of data collected during fault-free operation of WWTP. The fault diagnosis method, based on the difference between the measured concentration values and FNN predictions, allows a quick revealing of the faults. Then this proposed fault detection method is applied to a real WWTP and compared with other approaches. Experimental results show that the proposed fault detection strategy can obtain the fault signals of the SVI sensor online.     

基于深度学习的航空发动机传感器故障检测

针对传统反向传播(BP)神经网络和支持向量机(SVM)存在的过拟合、维数灾难、参数选择困难等问题,提出了一种基于深度学习算法的航空发动机传感器故障检测方法.对发动机参数记录仪采集的多维数据进行预处理,建立基于深度置信网络(DBN)的故障检测模型,利用预处理后的数据对检测模型进行训练,经过DBN故障检测模型逐层特征学习实现了传感器故障检测.仿真结果表明:在无人工特征提取和人工特征提取的情况下,基于DBN故障检测的准确率均高于BP神经网络和SVM模型.     

基于SVM预测器的传感器故障诊断与信号恢复研究

支持向量机(SVM)是一种新兴的基于统计学习理论的机器学习方法.简要介绍了SVM回归原理,据此建立了基于SVM的时间预测器并用于传感器的故障诊断和信号恢复,阐述了具体的实现方法和步骤.仿真结果表明:SVM预测器有效地克服了神经网络的不足,能准确预测和跟踪传感器的输出信号,并在传感器发生故障后一定的时间段内能较精确的估计传感器的正常输出.     

基于卷积神经网络及改进支持向量机的行人检测

针对自动驾驶实际道路场景复杂导致行人误检率高的问题,提出一种基于卷积神经网络及改进支持向量机的行人检测方法。利用聚合通道特征快速获取图像候选区域,将归一化后的候选区域图像输入卷积神经网络对其进行深度特征提取;利用主成分分析法将卷积神经网络末端所得到的特征向量进行降维处理,减少其冗余特征信息以获得精确的行人特征描述;将行人特征送至优化后的支持向量机完成分类。考虑支持向量机在分类过程中存在核函数参数选择困难的问题,利用改进后的蚁群算法对其进行优化选择,获得最优支持向量机参数以提高分类精度。实验结果表明,不同场景下的行人平均检测精确度达到92%,误检率大幅下降且具有较好的实时性。     

BP神经网络在飞控系统传感器故障诊断中的应用

故障检测和诊断技术对提高系统可靠性具有重要意义,针对飞控系统中常见的传感器故障,提出了基于神经网络观测器的故障诊断方法;通过构造神经网络模型代替解析系统建模,利用神经网络的学习能力在线检测传感器故障,最后,应用BP神经网络算法对故障进行仿真;仿真结果表明,神经网络观测器方法对单一传感器故障及多个传感器故障均能够准确识别,并对故障的定位也有不错的效果。     

A Recurrent Neural-Network-Based Sensor and Actuator Fault Detection and Isolation for Nonlinear Systems With Application to the Satellite's Attitude Control Subsystem

This paper presents a robust fault detection and isolation (FDI) scheme for a general class of nonlinear systems using a neural-network-based observer strategy. Both actuator and sensor faults are considered. The nonlinear system considered is subject to both state and sensor uncertainties and disturbances. Two recurrent neural networks are employed to identify general unknown actuator and sensor faults, respectively. The neural network weights are updated according to a modified backpropagation scheme. Unlike many previous methods developed in the literature, our proposed FDI scheme does not rely on availability of full state measurements. The stability of the overall FDI scheme in presence of unknown sensor and actuator faults as well as plant and sensor noise and uncertainties is shown by using the Lyapunov's direct method. The stability analysis developed requires no restrictive assumptions on the system and/or the FDI algorithm. Magnetorquer-type actuators and magnetometer-type sensors that are commonly employed in the attitude control subsystem (ACS) of low-Earth orbit (LEO) satellites for attitude determination and control are considered in our case studies. The effectiveness and capabilities of our proposed fault diagnosis strategy are demonstrated and validated through extensive simulation studies.     

基于信息融合与CNN的齿轮箱故障诊断方法

齿轮箱在实际生产中面临复杂多变的工况,其部件的故障特征随工况发生改变,常规方法在变工况下难以有效识别故障。针对该问题,提出一种基于信息融合和卷积神经网络(IFCNN)的故障诊断方法。IFCNN使用多传感器信息融合和多域特征融合改进卷积神经网络(CNN),首先将不同位置的加速度传感器采集到的振动信号转换成频域、时频域信息,将来自不同传感器的信息融合,然后用CNN对故障信号的频域、时频域信息分别进行特征提取和多域特征融合,结合注意力机制选择重要特征进行故障分类。多组实验结果表明,IFCNN在变工况场景下,可有效提取齿轮箱振动信号的故障特征,12组变工况实验平均识别准确率为98.38%,明显高于所提出的对比方法。     

An intelligent fault diagnosis method based on wavelet packer analysis and hybrid support vector machines

In this paper, a new intelligent method for the fault diagnosis of the rotating machinery is proposed based on wavelet packet analysis (WPA) and hybrid support machine (hybrid SVM). In fault diagnosis for mechanical systems, information about stability and mutability can be further acquired through WPA from original signal. The faulty vibration signals obtained from a rotating machinery are decomposed by WPA via Dmeyer wavelet. A new multi-class fault diagnosis algorithm based on 1-v-r SVM approach is proposed and applied to rotating machinery. The extracted features are applied to hybrid SVM for estimating fault type. Compared to conventional back-propagation network (BPN), the superiority of the hybrid SVM method is shown in the success of fault diagnosis. The test results of hybrid SVM demonstrate that the applying of energy criterion to vibration signals after WPA is a very powerful and reliable method and hence estimating fault type on rotating machinery accurately and quickly.     

基于深度森林的无线传感器网络故障分类算法

针对无线传感器网络(WSN)节点容易出现故障从而导致网络瘫痪的问题,提出了一种基于改进的深度森林的无线传感器网络故障分类方法;深度森林是基于森林的集成学习方法,其输入是多维特征向量,特征向量将由多粒度扫描和级联森林这两个主要组成部分进行处理,多粒度扫描通过处理数据之间的关系来增强数据表示的能力,级联森林用于分类或预测;针对级联森林部分随着层数的增加可能造成的维数问题进行优化后,将该算法用于故障分类可以提高故障诊断的精确度;在仿真验证阶段,将该算法与深度神经网络(DNN)和支持向量机(SVM)算法进行对比;结果显示,该算法可以准确地识别出不同的故障类型,并且在损坏故障和电源故障的识别达到了最高精度,综合平均精度在98.4%;对偏移故障、漂移故障和通信故障的识别略低于卷积神经网络(CNN)算法,但综合训练时间、参数调节来看,该算法更能满足实际工程的需要。