发动机异常检测多目标优化方法

针对柴油发动机异常检测中的特征选择和分类器参数与检测精度之间的耦合关系,提出了一种基于非支配排序粒子群优化的柴油发动机异常检测封装式多目标同步优化方法.利用双树复小波包的分解与重构,对发动机振动信号进行时域、频域和时频域多角度特征提取,构建了较完备的特征参数集,分析了故障诊断中特征选择与分类器参数优化对检测精度的影响,运用非支配排序粒子群优化算法对多个优化目标进行协调和折衷处理,同时追求特征参数子集维数最小化和分类正确率最大化.实验数据分析表明,该方法能够寻找出最优的特征子集和分类器参数,提高柴油发动机异常检测的精度和效率.     

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.     

核极化优化多参数高斯核的特征选择算法

为了解决支持向量机中多特征样本的特征选择问题,鉴于多参数高斯核中的多参数的不同取值可以区分和体现样本中各个特征的重要性差异,在深入分析核极化的几何意义和多参数高斯核特点的基础上,提出了基于核极化梯度优化多参数高斯核的特征选择算法。首先,利用核极化的梯度迭代算法来寻求多参数高斯核的最优多参数值,然后,以优化的多参数大小为基准,进行样本特征的重要性程度强弱标定,进而,采用特征重要性指标来执行SVM的特征选择。最后,将选择出的样本特征子集应用于SVM分类器中。UCI数据的实验结果表明,相较于PCA-SVM、KPCA-SVM和经典SVM方法,所提出算法的分类正确率更高,验证了核极化与多参数模型特征选择算法的有效性。     

强差异性神经网络集成的转子故障识别方法

针对误差反向传播（back propagation,简称BP）神经网络在作为传统Bagging集成学习机中的基分类器时,存在相互之间差异性偏低的问题,引入一种特征扰动法对集成学习机的分类性能进行改进。首先,将Relief?F特征评估算法和改进轮盘赌选择法进行结合,并设置基分类器的数目为30个,从转子故障特征集中选择出30个特征子集,每个特征子集的故障特征维数为30;其次,将训练集和测试集分别投影在对应的30个故障特征子集上,得到对应于30个基分类器的系列训练子集和测试子集,通过此方式实现了特征扰动环节;最后,利用Bagging集成学习机中自带的自助采样法对各训练子集进行处理,使其在最终输入至各基分类器时在特征空间和样本集合上都具有一定的差异性,间接使训练后的基分类器之间显示出更高的差异性,让最终的分类结果可信度更高。用一种低维双跨转子故障数据集对该集成学习方法进行类别辨识的结果表明,本方法能够显著提高BP网络的辨识准确率,并且具有良好的抗干扰性能。     

基于局部均值分解与拉普拉斯特征映射的滚动轴承故障诊断方法

针对滚动轴承非平稳振动信号的特征提取及维数优化问题,提出了融合局部均值分解与拉普拉斯特征映射的轴承故障诊断方法。首先,通过局部均值分解对非平稳振动信号进行平稳化分解,提取乘积函数分量、瞬时频率及瞬时幅值的高维信号特征集;然后,将高维特征集作为拉普拉斯特征映射算法的学习对象,提取轴承高维故障特征集的内在流形分布,以获得敏感、稳定的轴承振动特征参数,实现基于非平稳振动信号分析的滚动轴承故障特征提取;最后,结合支持向量分类模型量化LMD-LE方法的特征提取效果,实现不同状况下的轴承故障分类。轴承故障样本分类识别平均正确率达到91.17%,表明LMD-LE方法有效实现了高维局部均值分解特征集合的降噪,所提取的特征矩阵对轴承故障特征描述准确。     

AOA-CEEMDAN和融合特征在齿轮箱故障诊断中的应用

自适应噪声完备集成经验模态分解(CEEMDAN)的参数由于是人为设置的,从而会导致其信号的分解不彻底。针对这一问题,提出了一种基于算术优化算法(AOA)优化CEEMDAN、融合特征和随机森林(RF)的齿轮箱故障诊断方法。首先,采用AOA算法对CEEMDAN方法的关键参数进行自适应选取,并采用优化后的CEEMDAN方法对齿轮箱振动信号进行了分解,生成若干个本征模态函数(IMF);随后,利用相关系数准则选择了前4阶IMF分量作为故障敏感分量;接着,利用由注意熵和散度熵组成的融合特征提取方法挖掘了故障敏感分量的故障特征,得到了故障敏感特征样本;最后,将表征齿轮箱故障特性的故障特征输入至RF多故障分类器中,建立了故障分类模型,完成了齿轮箱的故障识别;利用QPZZ-II型齿轮箱数据集进行了实验,并将其结果与采用其他方法所得结果进行了对比。研究结果表明：相较于原始CEEMDAN,优化后的CEEMDAN能够更加准确地分解非线性齿轮箱振动信号,故障识别准确率提高了4%;相较于单一的故障特征,融合特征能够更加准确地表征齿轮箱的故障状态,故障识别准确率分别提高了3.2%和8%。基于AOA-CEEMDAN和...     

基于改进层次极差熵和WOA-ELM的滚动轴承故障识别

由于传统的多尺度熵特征提取方法无法提取信号的高频故障特征,造成特征的提取不够完整,故障识别准确率也较低。为此,提出了一种基于改进层次极差熵(IHRE)和鲸鱼算法(WOA)优化极限学习机(ELM)的滚动轴承故障诊断策略。首先,基于改进的层次分析和极差熵,提出了可以同时分析滚动轴承振动信号低频和高频成分的IHRE时间序列复杂性测量方法,并将其用于提取滚动轴承振动信号的深层次故障特征;然后,采用鲸鱼算法对极限学习机的核心参数进行了优化,构建了网络结构最优的鲸鱼算法—极限学习机(WOA-ELM)分类器;最后,将所构建的IHRE故障特征输入至WOA-ELM分类器,进行了故障分类,对滚动轴承进行了故障识别;基于滚动轴承的实验数据进行了算法的有效性分析,并从多个维度进行了对比,进行了算法优越性分析。研究结果表明：IHRE方法的故障识别准确率最高,达到了100%,而多次实验的平均识别准确率也达到了99.82%,优于改进层次样本熵、层次极差熵和多尺度极差熵方法;在分类时间和分类准确率方面,WOA-ELM分类模型要优于PSO-ELM和GA-ELM分类器。该结果证明,基于IHRE和WOA-ELM的故障诊断策...     

基于双目标优化遗传算法和支持向量机的旋转机械退化状态识别

退化特征提取是机械健康状态监测的重要组成部分,伴随旋转机械长时间连续运转,退化特征出现性能波动甚至下降,给退化特征提取和选择造成了困难.首先利用一个特征映射算法库对振动信号提取特征,并基于Kolnogorov-Smirnov (KS)检验和Benjamini-Yekutieli过程对原始特征集进行过滤,然后利用双目标优化遗传算法(Bi-objective Optimization Genetic Algorithm,BOGA)结合支持向量机分类器(Support Vector Classifier,SVC),在有监督的环境下搜索出最佳特征子集,其中BOGA设置了SVC分类精确度和特征子集维数两个目标函数,前者进行最大化,后者进行最小化.通过在液压泵退化状态数据集上进行实验和在凯斯西楚大学轴承数据集与FRESH_PCAa、ReliefF、JMIM三种方法进行对比,验证了该方法在退化状态识别上的较好性能.     

基于改进ABC算法优化的LSSVM多分类器组机械故障诊断模型

为了提高复杂机械故障诊断的确诊率,提出了一种基于改进人工蜂群算法(improved artificial bee colony,IABC)优化LSSVM多分类器组的故障诊断模型。该模型利用多特征提取方法,获取了较为完备的时频域特征信息,同时选择具有较强搜索能力和快速收敛性的IABC算法优化了LSSVM分类器的参数,提高了分类效率,在诊断决策层,利用评估矩阵进行了多分类器诊断结果的融合决策。通过与传统方法的对比表明:该诊断模型不仅能获取完备的故障特征信息,而且能更快地获取LSSVM最优分类参数;同时,基于评估矩阵的融合决策能够充分考虑各子分类器的性能差异,保证了诊断决策的高效精确。多种数据仿真表明,该诊断模型适用于机械故障诊断。      

内燃机振动时频图像的编码特征提取与诊断

针对传统内燃机振动诊断方法在参数选择和特征提取方面的难题,提出一种将S变换和模块二维主成分分析(M-2DPCA)相结合的内燃机故障诊断方法。该方法首先利用S变换将采集到的内燃机缸盖表面振动信号生成振动谱图像;然后通过M-2DPCA对图像矩阵进行模块化处理,利用所有样本子图像构建总体散布矩阵,计算最优投影向量,进行图像特征参数提取;最后,利用最近邻分类器进行分类识别,完成诊断。将该方法应用于内燃机气阀机构8种工况下振动信号的诊断实例中,识别率可达到94.17%,证明了该方法的有效性。     

Integral DOE and MANOVA techniques for classification feature selection: using solder joint defects as an example

This study presents a novel approach for feature selection using an integrated DOE and MANOVA technique to classify solder joint defects for print circuit boards (PCBs). The main selection procedure includes three stages. The first stage adopts a single feature variable selection algorithm to eliminate poorly discriminated feature variables. The second stage, Plackett-Burman (PB) resolution III design, is then constructed to select the remaining feature variables. The MANOVA technique is then used to calculate the Pillai statistic as the response to the PB design of experiment, and statistical analysis is then executed to obtain the optimal multiple feature variables for multiple groups. The discriminate function classifier is used to evaluate the classification results. The experimental analysis results show that the proposed analysis procedure can acquire an optimum subset of features for classification.     

Application of the PSO–SVM model for recognition of control chart patterns

Control chart patterns are important statistical process control tools for determining whether a process is run in its intended mode or in the presence of unnatural patterns. Accurate recognition of control chart patterns is essential for efficient system monitoring to maintain high-quality products. This paper introduces a novel hybrid intelligent system that includes three main modules: a feature extraction module, a classifier module, and an optimization module. In the feature extraction module, a proper set combining the shape features and statistical features is proposed as the efficient characteristic of the patterns. In the classifier module, a multi-class support vector machine (SVM)-based classifier is proposed. For the optimization module, a particle swarm optimization algorithm is proposed to improve the generalization performance of the recognizer. In this module, it the SVM classifier design is optimized by searching for the best value of the parameters that tune its discriminant function (kernel parameter selection) and upstream by looking for the best subset of features that feed the classifier. Simulation results show that the proposed algorithm has very high recognition accuracy. This high efficiency is achieved with only little features, which have been selected using particle swarm optimizer.     

基于导轨面图像特征雷达图的磨损状况识别

为解决精密机床导轨面磨损缺陷及缺陷程度的识别问题,提出一种基于导轨面图像数据雷达图重心特征的表面磨损识别方法。首先提取导轨面图像数据的灰度均值、歪度、峭度、扁度和投影方差作为磨损状况识别的原始特征;然后采用雷达图技术将特征数据可视化,并提取雷达图的重心特征;最后采用支持向量机技术设计分类器,同时采用雷达图重心特征和磨损缺陷原始特征进行分类,并与实验检测的导轨面磨损数据进行对比分析。计算和实验结果表明: 基于雷达图的图像数据重心特征可有效地识别导轨面是否磨损,并能在一定程度上判别导轨面的磨损程度。     

BP neural network classification on passenger vehicle type based on GA of feature selection

This paper has concluded six features that belong to passenger vehicle types based on genetic algorithm(GA)of feature selection.We have obtained an optimal feature subset,including length,ratio of width and length,and ratio of height and length.And then we apply this optimal feature subset as well as another feature set,containing length,width and height,to the network input.Back-propagation(BP)neural network and support vector machine(SVM)are applied to classify the passenger vehicle type.There are four passenger vehicle types.This paper selects 400 samples of passenger vehicles,among which 320 samples are used as training set(each class has 80 samples)and the other 80 samples as testing set,taking the feature of the samples as network input and taking four passenger vehicle types as output.For the test,we have applied BP neural network to choose the optimal feature subset as network input,and the results show that the total classification accuracy rate can reach 96%,and the classification accuracy rate of first type can reach 100%.In this condition,we obtain a conclusion that this algorithm is better than the traditional ones[9].     

基于单试验脑电图的n-back任务中的脑力负荷分类

近年来，脑力负荷估计已经经历了广泛的研究，因为监测认知负荷的能力能够防止认知超负荷并且改善工作场所安全。脑电图（EEG）信号已经被发现是一种客观和非侵入性的脑力负荷的测量方式。然而，作为实时脑力负荷监测和脑机接口研究的重要一步，基于单试验EEG数据的认知负荷的评估一直是一个重大的挑战。最近，许多高级的特征提取方法和机器学习算法已经被采用于基于EEG的脑力负荷评估中。在本研究中，使用在具有2个难度水平的n back任务的执行期间记录的EEG数据进行了单试验脑力负荷分类，测试了3种类型的特征提取的有效性（谱功率、离散小波变换和公共空间滤波），并评估了4种分类算法的性能（支持向量机、K 近邻、随机森林和梯度推进分类器）。研究结果表明，公共空间滤波是性能最好的基于单试验的脑力负荷分类的特征提取方法，而且最佳性能可以通过将来自谱功率或离散小波变换的特征与来自公共空间滤波的特征相结合，并采用随机森林分类器来实现。这项研究可能对基于单试验脑电图数据的脑力负荷评估中的特征提取方法以及机器学习算法的选择提供一些有用的指导。     

基于小波变换和时域能量熵的 P300特征提取算法

针对P300信号特征提取和分类过程中训练及测试速度相对较慢的不足,提出了一种基于P300带内带外特征的脑电信号特征提取方法,将时域能量熵和离散小波变换相结合,克服了P300信号识别中对电极数量和脑电信号叠加次数的苛刻要求.试验采用支持向量机作为分类器,在BCI Competition 2003和BCI Competition 2005的P300试验数据集上进行验证,结果表明,提出的方法只需对一导数据进行处理,只有2次叠加平均,就能得到很好的分类效果及较短的分类系统运算时间.     

基于支持向量机的机械故障特征选择方法研究

在机械故障诊断中,对机器状态信号进行处理可得到故障特征集。但是此特征集中通常含有冗余特征而影响诊断效果。特征选择可以去除原始特征中的冗余特征,提高诊断精度和诊断效率。本文提出采用支持向量机(SVM)作为决策分类器,研究了使用SVM的错误上界如半径-间距上界代替学习错误率作为特征性能评价,并且使用遗传算法对特征集进行寻优的特征选择方法。此方法由于只需要训练一次SVM,相比常用的分组轮换方法有较高的计算效率。数值仿真和减速器的轴承故障特征选择试验中,采用此方法对生成特征集进行选择,并与常用的分组轮换法进行了对比。结果显示此方法有较好的选择性能和选择效率。     

基于主成分分析的齿轮箱故障特征融合分析

为有效降低齿轮箱故障特征的维数并提高诊断准确率,提出了基于主成分分析法的齿轮箱故障特征融合方法,并结合支持向量机和BP神经网络对诊断的准确率进行了分析。以齿轮箱中不同裂纹齿轮为对象,选取能够表征齿轮箱故障状态的时域、频域和基于希尔伯特变换的36个特征,提取累积贡献率达到95%以上的主成分并输入支持向量机分类器中进行分类识别,用BP神经网络分类器进行结果的比较分析。结果表明,采用主成分分析法与支持向量机相结合的方法,既能降低特征维数,降低计算的复杂性,又能有效地表征齿轮箱的运行状态,识别不同裂纹水平的齿轮,比单独使用支持向量机分类器的方法诊断准确率更高,训练时间更短。     

An ensemble classification of exudates in color fundus images using an evolutionary algorithm based optimal features selection

Atomic recognition of the Exudates (EXs), the major symbol of diabetic retinopathy is essential for automated retinal images analysis. In this article, we proposed a novel machine learning technique for early detection and classification of EXs in color fundus images. The major challenge observed in the classification technique is the selection of optimal features to reduce computational time and space complexity and to provide a high degree of classification accuracy. To address these challenges, this article proposed an evolutionary algorithm based solution for optimal feature selection, which accelerates the classification process and reduces computational complexity. Similarly, three well‐known classifiers that is, Naïve Bayes classifier, Support Vector Machine, and Artificial Neural Network are used for the classification of EXs. Moreover, an ensemble‐based classifier is used for the selection of best classifier on the basis of majority voting technique. Experiments are performed on three well‐known benchmark datasets and a real dataset developed at local Hospital. It has been observed that the proposed technique achieved an accuracy of 98% in the detection and classification of EXs in color fundus images.     

Improving prediction accuracy of thermal analysis for weld-based additive manufacturing by calibrating input parameters using IR imaging

In this paper, we describe a condition classification technique designed to detect fault occurrence in an automotive light assembly during endurance testing. Inputs to the classifier are features extracted from vibration measurement data. They contain time domain parameters and frequency band energy parameters calculated using wavelet packet transforms. A support vector machine with Gaussian radial basis function kernel is designed for multiclass classification. A multiplex parameter estimation is achieved by searching for a minimum bound of the support vector count to achieve structural risk minimization. Through experiments, we show that the combination of effective feature extraction and classification with good generalization capability allows the proposed condition-monitoring system to be accurate and reliable. Additionally, acoustic signals known to have low signal to noise ratio are used as tests. We show that with the proposed methodology, acoustic signals can be used with increased sensitivity and accuracy for condition-monitoring purposes.