基于LSGAN和VMD-MPE-KELM的风机齿轮箱故障诊断

在实际工况中,风机齿轮箱的故障样本多呈现不均衡特征.为克服样本不均衡性给诊断效果带来的影响,提出了一种基于LSGAN(最小二乘对抗网络)和VMD-MPE-KELM的风机齿轮箱故障诊断方法.首先,采用LSGAN算法用于少数类故障样本的生成处理,将具备原始样本特征的生成数据扩充样本集使其分布均衡,采用VMD方法分解样本集中各类故障的振动信号,计算各模态分量的MPE多尺度排列熵值以提取信号特征;再通过KPCA方法降维处理,获得故障样本的特征向量,将其代入KELM模型诊断.实验表明,LSGAN算法克服了GAN在生成故障样本中梯度消失、训练不稳定和数据质量差等问题;VMD-MPE-KPCA方法可有效提取故障特征.该方法有效地提高了非平衡齿轮箱故障样本的诊断精度.     

设备负载均衡的制造资源优化配置方法

为了解决航空复杂产品混线生产中设备负载不均衡引起的资源配置不合理问题,文章根据工艺规划和设备对生产线制造资源优化配置问题进行描述,构建满足工序需求的设备可选集,采用模糊聚类方法对设备可选集中设备进行排序。以设备负载率的方差为优化目标,提出基于免疫遗传算法(IGA)的制造资源优化配置方法,实现了生产线设备的负载均衡,降低了生产线的运行成本。结合实例并与遗传算法(GA)进行对比,证明了该方法在制造资源配置过程中能获得更加均衡的设备负载。     

样本不均衡下的DCGAN轴承故障诊断方法

在实际工况下,轴承可采集到的故障样本分布往往呈现极强的不均衡特性,该特性对故障诊断精度具有不可忽略的影响。为提高样本不均衡情况下的轴承故障诊断精度,采用样本生成扩充的思路,提出一种基于深度卷积生成对抗网络的故障诊断方法。首先针对轴承振动数据信号的特性,采用快速傅里叶变换使其转化为频域,并通过归一化进行预处理;其次利用深度卷积生成对抗网络进行对抗训练,生成具有真实样本特征的虚拟样本。模型采用衰减学习率并增设Dropout层,提高了模型生成的效率及真实性。最后,构建一维卷积神经网络模型完成故障诊断。实验验证结果表明,提出的方法能有效提高样本不均衡情况下的诊断精度以及诊断稳定性。     

粗糙集-遗传算法-神经网络集成分类器及其在转子故障诊断中的应用研究

针对转子故障诊断问题,在综合粗糙集理论、遗传算法及神经网络学习算法各自优点的基础上,提出了一种新的粗糙集-遗传算法-神经网络（RS-GA-NN）集成分类器模型。在该模型中,利用粗糙集理论的离散和约简算法实现对样本数据的特征选取;利用神经网络实现样本特征向量与故障之间的非线性映射;利用遗传算法实现对神经网络的结构优化以使神经网络的泛化能力达到最优。利用转子故障实验台模拟了不平衡、不对中、碰摩及油膜涡动4种故障的127个样本,构建了多故障识别的RS-GA-NN集成分类器,进行了转子故障的智能诊断实验,获得了很好的效果。     

全局注意力关系网络的小样本船舶识别

实际场景中采集的船舶目标类别样本数量不均衡,模型训练易导致过拟合。 传统迁移学习的数据集划分存在类别交 叉,造成未标注新类别识别精度低。 为解决上述问题,提出了一种跨目标通用全局注意力机制与关系度量网络融合的小样本船 舶识别算法。 该方法通过在关系网络中引入全局注意力机制,利用关系网络提取到的原始特征,经过全局注意力机制平滑不均 衡类别间的目标特征,并与关系网络提取的原始特征融合后进行特征距离度量。 该方法增强了全局特征之间的一致性,有利于 学习不变的目标特征,提升少样本少标签的船舶目标识别性能,解决了训练过程中类别不均衡导致的过拟合问题。 利用自己采 集制作的船舶数据集对本文方法进行测试实验,识别精度提高了 5. 6% (5-shot)、3. 2% (1-shot),减小了不均衡类别对模型目标 识别造成的影响,增强了模型的鲁棒性。     

基于双尺度柔性原型迁移网络的空间滚动轴承寿命阶段识别

针对变工况条件下样本分布差异较大、不同寿命阶段样本数量不均衡导致现有空间滚动轴承寿命阶段识别方法的寿命阶段识别精度较低问题,提出基于双尺度柔性原型迁移网络（Dual scale flexible prototype transfer network,DSFPTN）的空间滚动轴承寿命阶段识别方法。在所提出的DSFPTN中,构造双尺度柔性域感知模块并将其嵌入特征提取器来增强特征提取器对不同领域私有特征的探索能力,提高特征提取器对空间滚动轴承源域和目标域样本特征的学习能力;设计同域泛原型学习以防止跨域样本不加区分的特征学习和不正确聚类,增加两域异类样本的区分性;构建两域原型迁移机制来获得域不变原型,实现从源域原型到目标域原型的迁移;利用加载域不变原型后的双分类器对齐两域之间的分布并计算目标域待测样本与域不变原型之间相似度完成对空间滚动轴承目标域待测样本分类,该分类方式在不同寿命阶段样本数量不均衡条件下能提高对各寿命阶段样本的识别精度。地面模拟空间环境下空间滚动轴承寿命阶段识别实例验证所提出的基于DSFPTN的寿命阶段识别方法的有效性。总之,构建双尺度柔性域感知模块、同域泛原型、两域原型迁移机制和加载域不变原型的双分类器使得DSFPTN在样本分布差异较大以及不同寿命阶段样本数量不均衡条件下,仅利用空间滚动轴承源域的非均衡有标签样本就能对目标域待测样本进行较高精度的寿命阶段识别。     

基于滑动窗口相似性因子分析的不均衡故障数据分类研究

针对机械装备监测过程中不均衡故障数据难以辨识,提出了一种基于滑动窗口相似性因子分析方法。该方法引入滑动窗口技术,通过分析目标数据与历史数据的PCA相似性因子,从旧的过程数据中筛选出与诊断目标相似的数据,构成待选数据池;然后采用距离相似性因子,从待选数据池中选择出与目标数据最相似的数据用于辅助训练。将该方法用于转子故障的不均衡数据分类中,在不同偏斜率下采用KPCA-SVM方法进行故障分类。结果表明:该方法可有效地改善分类决策边界,降低由样本不均衡而引起的误诊断率。     

基于工位复杂性测度的随机型装配线平衡优化

针对装配生产中各种不确定因素引起操作时间波动,导致确定型装配线平衡方案失效的问题,提出一种操作时间不确定的装配线平衡方法。以操作时间的概率分布描述其波动情况,进而基于信息熵提出一种工位复杂性测度方法,在此基础上建立以平衡率最高、工位负荷均衡、工位复杂度均衡为目标的线平衡优化模型;设计了一种改进遗传算法对其进行求解,并通过实例验证模型及算法的有效性。研究结果表明,所提方法能在保证整线平衡率和工位负荷均衡的同时,均衡各工位复杂度,降低不确定性因素对生产过程的影响,保证装配线生产平稳运行。     

样本不均衡时轴承故障的非平衡卷积网络诊断

为了提高样本不均衡条件下轴承故障诊断精度,提出了基于VAE-SNN的样本增广方法和基于非平衡损失网络的故障诊断方法。首先,使用变分自编码器用于数据生成,并依据孪生神经网络对生成数据的类别进行判定,实现了基于变分自编码器和孪生神经网络的样本增广;其次,分析了卷积神经网络无差别对待样本的缺点,针对不均衡样本的特殊性,提出了非平衡损失函数卷积网络,该网络能够自动关注数量少、难分的样本训练。经实验验证,生成对抗网络增广的样本相似度为0.847,孪生神经网络增广的样本相似度比对抗网络提高了6.61%,说明孪生神经网络的样本增广效果更好;在相同诊断方法前提下,样本增广后比增广前的准确率提高了9.42%,说明样本增广有利于提高轴承的故障诊断准确率;非均衡损失网络比卷积神经网络的诊断精度提高了7.17%,比自适应深度学习提高了4.12%,验证了非均衡损失网络的高准确率和优越性。     

基于Bagging-MCNN模型的不均衡样本轴承故障诊断方法

针对轴承不均衡样本情景下故障诊断存在的精度与泛用性不高问题,借鉴集成学习获取强监督模型的方法,结合对不均衡样本进行采样处理的类别重组法,提出一种基于Bagging思路的多通道卷积神经网络(Bagging-MCNN)故障诊断模型。首先将原始数据进行标准化处理并划分为训练集与测试集,对训练集进行放回采样构造多个训练子集,同时对测试集进行乱序操作;然后将构造完成的新集合放入多通道卷积神经网络模型进行训练,获得各卷积网络子模型的判别矩阵,融合所有判别矩阵获得最终的诊断结果。在公开轴承数据集上进行试验验证,结合Bagging思路的多通道卷积神经网络故障诊断方法在均衡以及不均衡情景下的诊断精度相较普通卷积神经网络模型,分别提高了1.1%与10.8%,同时提高了模型的收敛速度以及诊断稳定性。     

基于紧致遗传算法的组合电路测试集压缩

随着电路集成度和复杂度的不断增加,电路测试所需的测试矢量集的规模也迅速增长。本文针对现有测试集压缩算法全局寻优能力不足的问题,提出一种基于紧致遗传算法的组合电路测试集压缩方法。紧致遗传算法不但具有良好的全局搜索能力,而且其基于小种群进化的特性可以有效地降低计算花费.非常适合处理数据大的大规模测试集压缩问题。对ISCAS-85标准电路测试集的实验表明,与同类方法相比,该压缩方法能够得到更小的测试集。     

基于模拟退火遗传算法的拆卸路径规划

针对现存拆卸路径规划图论方法中的组合爆炸问题和遗传算法的早熟现象,给出模拟退火和遗传算法相结合的拆卸路径规划方法.在拆卸路径规划模型中,以拆卸效率最优作为优化目标,给出了算法流程.该算法对拆卸路径的全面寻优提供了一种新的思路.通过实例验证该算法的可行性,最后提出了进一步的研究方向.     

Assembly line balancing based on an adaptive genetic algorithm

An adaptive genetic algorithm is presented as an intelligent algorithm for the assembly line balancing in this paper. The probability of crossover and mutation is dynamically adjusted according to the individual’s fitness value. The individuals with higher fitness values are assigned to lower probabilities of genetic operator, and vice versa. Compared with the traditional heuristic algorithms, the adaptive genetic algorithm has effective convergence and efficient computation speed. The computational results demonstrate that the proposed adaptive genetic algorithm is an effective algorithm to deal with the assembly line balancing to obtain a smoother line.     

基于Petri网和模拟退火遗传算法的并行测试研究

针对自动测试系统中并行测试任务调度复杂、难以优化的问题，提出了一种Petri网技术和模拟退火遗传算法相结合的任务调度优化算法。首先为并行测试系统建立时间Petri网模型，然后将激发的变迁序列集作为并行测试任务调度路径。为了得到最优路径，引入模拟退火遗传（GASA）算法进行搜索。在搜索过程中，将能激发的变迁序列作为染色体，进行选择、交叉和变异。为了防止算法出现收敛过早，陷入局部最优解的现象，还要对个体进行模拟退火操作，最后得到测试完成时间最短的任务调度序列。     

基于剩余率求解非标准作业车间调度问题逆序算法

为了克服现有效率算法、遗传算法和逆序算法等求解非标准作业车间调度问题时存在的不足 ,提出了一种新的逆序算法。将非标准作业车间调度问题进行数学描述 ,给出目标函数 ,针对非标准作业车间调度问题的复杂性 ,构造了一种基于剩余率函数的逆序调度算法 ,以确定出最佳的开工日期。与其他算法相比 ,该算法的复杂性更小 ,调度结果更优     

基于局部约束字典学习的数据降维和重构方法

针对目前已有的非线性降维算法存在计算复杂度高、难以处理大型数据集和增量化降维问题,本文提出了一种基于局部约束字典学习的非线性降维算法。该方法通过重构一些潜在标志点的局部内在流形,并在数据处理过程中将训练数据和未知数据一起嵌入到内在流形中,使得数据的内在几何结构特征得以保持。与已有非线性降维方法相比,该算法具有计算复杂度低、存储空间小和通用性强的特点,可以很好地解决增量化降维问题,易于处理大型数据集。另外,该算法也可以解决高维数据的重构问题,与已有重构方法相比具有计算简单、重构误差较低的特点。实验结果表明了算法的有效性。     

神经网络与遗传算法在拉延筋参数反求中的应用

以某车型前地板角支撑板的拉延工序为例,讨论BP神经网络技术与遗传算法在拉延筋几何参数反求中的综合应用问题,建立能描述反映成形效果的三个参数与半圆形拉延筋几何参数之间非线性映射关系的神经网络模型,并运用遗传算法对神经网络结构进行了优化。提出逐次局部密化样本点的样本点设计方法。该方法有助于加快神经网络的设计进程,提高神经网络的模拟精度。当训练样本数据可通过有限元法自动获得时,使用该方案则更为便利。     

基于粗糙集理论的电力变压器故障诊断研究

粗糙集理论是一种较新的数据处理工具，可以有效地分析和处理不完备信息。运用粗糙集理论研究了因各种复杂因素造成的不完备信号模式下电力变压器故障诊断的方法。该方法利用油色谱分析得到的各种气体浓度百分比作为故障分类的条件属性集，考虑各种故障情况，建立决策表。利用决策表的约简方法进行化简，区分关键信号与冗余信号，导出故障诊断规则，从而达到不完备信号模式下快速准确地故障诊断的目的。通过实际应用表明，该方法简单、有效、具有良好的容错性能。     

涡轮泵实时故障检测的快速支持向量机算法

提出了一种基于边界样本的快速支持向量机(support vector machine,SVM)算法用于液体火箭发动机涡轮泵实时故障检测。算法按一定步长将涡轮泵振动信号分段,再将每个步长信号平分为多段且计算每段信号的均方根、裕度因子和峭度,并将之组合为3维向量作为故障特征,以每个步长信号中的故障样本点数目作为判断故障的依据;算法采用条件正定核函数计算原始样本集中正常样本与故障样本之间的距离,选择边界样本作为新的训练样本集,并以此计算支持向量并构造决策函数。用某型号涡轮泵振动加速度信号对算法进行验证,结果表明对包含5 600个故障样本和5 600个正常样本的原始训练样本集,算法的训练时间为0.68 s。对时长20.80 s的待检信号,算法检出故障时刻为20.43 s,比故障真实出现时刻晚0.42 s(在0.5 s之内)。该算法大幅度提高了训练速度与分类速度,具备良好的精确性与实时性。     

基于动态聚类的电力变压器故障诊断

本文提出了一种新电力变压器故障诊断的动态聚类方法，以人工免疫网络对故障样本进行免疫学习和记忆，提取表征故障样本的有用特征作为核可能性聚类算法的初始聚类中心，再用遗传算法动态选取聚类个数和中心实现故障样本的分类。该诊断方法经大量实例分析，并将其结果与BP神经网络等方法的结果相比，表明该算法具有较高的诊断精度。