基于烟花算法优化SVM的变压器故障诊断

提出了一种基于烟花算法优化支持向量机的变压器故障诊断模型。标准的支持向量机是二分类,现对其进行非线性处理及多分类变换,使其能适用于变压器故障分类。针对支持向量机参数难以确定的情况,采用烟花算法优化支持向量机,从而搭建烟花算法优化支持向量机的故障诊断模型。实验分析结果表明,所提方法的故障诊断准确率优于其他算法。最后,进一步将算法用于机器学习的其他标准数据集,证明了该算法具有泛化性。     

大数据样本与半监督环境下基于生成对抗网络的故障诊断

在大故障样本条件下,提出一种基于生成对抗网络模型的故障诊断方法研究.构建生成对抗网络模型,保证模型判别器输出数据的总体分布与原始故障集趋同,并基于空间测量工具对梯度函数进行优化,降低损失;采用故障集图像转换方式实现对原始信号的降维处理,利用判别器的神经网络结构训练输入数据,并提取出机械故障数据集中的故障特征点.实验结果表明,提出方法具有良好的分类诊断性能,故障诊断精度能够达到９９．４５％.     

基于改进的超球支持向量机的有杆抽油泵故障诊断研究

针对神经网络对有杆抽油泵系统进行故障诊断存在的缺陷以及支持向量机在大规模训练样本或训练样本严重不平衡时的多分类问题求解中能效不足,提出了基于改进分类策略的超球支持向量机多分类算法。赋予3种工作集选择方式的贯序最小优化算法用于支持网格搜索模型以便进行参数寻优,避免了参数选择的盲目性和随意性。根据训练样本规模适时引入核缓存技术和上三角矩阵策略,使得寻优耗时减少。开发了基于Java语言、功能完备的超球支持向量机工具箱HSSVM-1.17。利用HSSVM-1.17对抽油泵工况进行了多分类仿真试验,并与BP神经网络、支持向量机方法加以比较。试验结果表明:改进后的超球支持向量机算法理论严谨、参数寻优迅速、分类精度高、自适应好,适用于采油工程领域中大规模复杂的故障诊断问题。     

基于贝叶斯网络的轴裂纹故障诊断模型

介绍了基于贝叶斯网络的建模方法,并讨论各种贝叶斯网络建模方法的优缺点.以故障模拟器作为研究对象,通过对轴裂纹故障数据的采集、整理,采用4种不同的贝叶斯网络建模方法分别对数据集合的训练集建立模型;最后通过测试集对各模型精度进行验证,从而得出轴裂纹故障诊断的最优模型.     

基于深度学习和贝叶斯优化的压缩机故障诊断

由于往复式压缩机的故障诊断需要复杂而耗时的特征提取过程，并且对超参数优化存在局限性，提出了一种基于深度学习和贝叶斯优化的压缩机故障诊断方法。首先通过时域计算短窗口的预处理方法降低模型复杂性，并且不损失时间相关信息。然后从压缩机振动信号的时间序列表示中迭代训练长短期记忆模型，在每次迭代中限定搜索空间，并利用贝叶斯优化方法对超参数进行优化。通过实验结果显示提出模型的故障识别率达到93%，与其他方法的对比结果证明该方法在性能上有了显著的提高。     

基于二次数据增强和深度卷积的滚动轴承故障诊断研究

滚动轴承是旋转机械的重要组成部件之一,及时准确地故障诊断在现代工业系统的可靠性和安全性中起着重要作用。然而现有故障诊断方法多是面向平衡数据集进行研究。针对实际工况下,正常样本丰富、故障样本少的类别失衡情形所导致的轴承故障诊断能力和泛化能力较差等问题,提出一种基于二次数据增强和深度卷积的故障诊断模型。该方法首先构造不同的数据集,研究类别不平衡情形对故障诊断性能的影响;其次,基于重采样方法将数据集重构为平衡数据集,并对其进行二次数据增强,提高样本点的利用率;然后,利用改进的深度一维卷积网络提取信号特征,对滚动轴承故障信息进行充分表征;最后结合集成学习投票分类思想进行故障分类与诊断。试验通过t-SNE及多种指标进行评估,同时与其他方法进行对比,结果表明,所提模型具有更高的诊断精度与诊断速度,鲁棒性与通用性较好,能够很好地适用于类不平衡情形下的滚动轴承故障诊断。     

特征点集超长方体优化覆盖算法

基于约束问题求极值理论提出了特征空间中特征点集的超长方体优化覆盖算法,由该算法能得到特征点集的最优超长方体覆盖的表面模型.超长方体优化覆盖算法为建立新的基于覆盖思想的信息处理、模式识别方法提供了技术支持.     

基于离散粒子群优化算法的汽车发动机故障特征选择

最优特征选择属于组合优化范畴,针对汽车发动机机械故障特征选择问题,分析了冗余特征的存在对于故障分类器分类性能的影响,选择最优特征组合可以提高故障分类的正确率,提出基于离散粒子群算法的特征优化组合算法,利用BP神经网络评价特征优化的性能,并将其应用到汽车发动机曲轴轴承磨损故障诊断中.实验结果表明,与遗传算法相比,基于离散粒子群算法的特征优化算法优化效率较高,分类正确率较高,优化后的特征集可以显著地提高故障分类器的分类性能.     

基于进化算法优化GAN的轴承故障诊断

针对滚动轴承故障诊断故障样本类别不平衡的问题,提出一种基于进化算法优化的条件生成对抗网络（evolutionary conditional generative adversarial nets, 简称ECGAN）故障诊断方法。首先,利用进化算法优化条件生成对抗网络中的生成器,使其在不同的损失函数下生成与原始样本分布相似的新样本,扩充数据集;其次,将生成的样本和原始样本输入判别器,提取出样本中有效的数据特征,判断输入样本的真假和类别;最后,通过对抗学习机制优化生成器和判别器,提高网络的故障识别能力。实验结果表明,在轴承故障样本数据类别不平衡的情况下,ECGAN模型具有较好的故障诊断性能。     

基于CFOA-MKHSVM的滚动轴承健康状态评估方法

为了更有效评估滚动轴承性能退化程度,提出一种混沌优化果蝇算法(CFOA)与多核超球体支持向量机(MKHSVM)相结合的滚动轴承健康状态定量评估方法。该方法针对滚动轴承各状态数据分布不均匀、单一核函数分类存在局限性的问题,提出利用多核核函数的凸组合来优化超球体支持向量机。为消除人为选择分类器多参数的盲目性、避免果蝇优化算法陷入局部最优,将果蝇算法与混沌理论相结合,对多参数进行寻优。同时构建混沌优化果蝇算法-多核超球体支持向量机(CFOAMKHSVM)模型,并提出归一化差别系数评估指标。通过实验研究,与支持向量数据描述(SVDD)算法评估指标进行对比,验证了所提指标的有效性,实现了滚动轴承健康状态的定量评估。     

Automatic learning

Knowledge-based systems have made their mark in improving many manufacturing processes, but there is still a stumbling block in the process of converting human knowledge into a form where a computer or expert system can use it. The authors describe a successful way of deriving knowledge directly from raw data. The data gathered are processed for all shifts over a period of seven days to produce, for each shift, a value for the productivity variables.     

即时学习型迭代学习控制在励磁控制中的应用

将即时学习算法型迭代学习控制引入发电机的励磁控制。运用即时学习算法来解决系统的迭代学习控制初值问题,有效地估计初始控制量,加快了算法的收敛速度。仿真结果表明,所设计的励磁控制器与常规PID控制器和非即时学习型励磁控制器相比其收敛速度明显加快,具有更强的维持机端电压的能力。     

The learning company

Corporate learning is more than just an IT or training issue. The author describes how it permeates every level of the successful modern company. Knowledge and experience acquired in one part of a company should be shared with the other parts. This requires suitable corporate organisation. It is helped by a suitable IT network, but that is no good without a holistic approach     

基于多主体系统的多分类直推学习

针对少量样本已标记和大量样本未标记的多分类问题,提出了一种新颖的基于多主体系统的直推学习方法.该方法将以Agent表示的样本点随机映射到输出空间构成初始空间格局,空间格局随时间演化的过程是一个自组织的马尔可夫过程,它将在有限时间内达到平稳分布,从而求得最佳的标记分布.根据该方法,给出了两个多主体系统直推学习算法,并讨论了算法的收敛性和复杂度.最后在两个数据集上进行了仿真测试,表明了算法的有效性与实用性.     

A framework for e-business learning

Every business needs to invest in resources that can provide prosperity and development. The demand from e-based-businesses aware of the rapid development and success associated with e-commerce utilisation has prompted a demand for this knowledge to be conveyed at both undergraduate and post-graduate levels. The author investigates quality issues relating to information flow of data and knowledge in teaching e-business     

基于二型模糊系统的强化学习及其在机器人行为学习中的应用

针对复杂的移动机器人导航问题,提出一种基于二型模糊系统的强化学习算法。它既可以利用二型模糊系统解决大规模强化学习中状态空间到动作空间的映射问题,也可以利用强化学习算法完善二型模糊系统中模糊规则,解决了二型模糊系统主观定义模糊规则的局限性,提高了算法的学习效率。最后,将该算法应用到移动机器人导航的行为学习问题中,通过实验证明了研究算法的有效性和精确性,利用该算法可以使机器人在复杂环境下完成导航任务。     

Machine learning methods for wastewater hydraulics

Wastewater hydraulics problems are frequently addressed by investigation on physical models. Dimensional analysis is a powerful tool that allows discovering essential information about the investigated phenomenon, but in some cases it is affected by significant limitations. In such cases, many issues can be addressed by means of machine learning algorithms, resulting from the theories on pattern recognition and computational learning. In order to show the potential of such an approach, in this study Regression Tree M5P model, Bagging algorithm and Random Forest algorithm were applied to the solution of some complex problems of wastewater engineering: the prediction of energy loss, the pool depth, the air entrainment in a drop manhole, and the forecasting of the lateral outflow in a low crested side weir. The algorithms were trained and tested on data obtained from experimental tests that were carried out at the Water Engineering Laboratory of the University of Cassino and Southern Lazio. In most of the considered cases, regression trees and ensemble methods were able to provide very accurate predictions.     

Scheduling with a general learning effect

Jobs with different processing complexity may have different effects on human learning, which in turn will affect the job processing times. So, the learning effect on job processing times in scheduling is not only sum-of-processing-time-based and job-position-based, but also depends on the processing complexity of the jobs already processed. We introduce in this paper a general learning effect model for scheduling. We provide some properties that are helpful for finding the optimal solutions for some single-machine and flowshop scheduling problems under the general effect model.