基于本征时间尺度分解和变量预测模型模式识别的机械故障诊断

基于变量预测模型的模式识别(variable predictive model based class discriminate,VPMCD)方法是一种充分利用特征值之间相互内在关系进行多分类模式识别的新方法。对VPMCD算法进行了研究,并采用交叉验证法来选择VPMCD模型。针对机械故障振动信号的特征值之间的相互内在关系,结合本征时间尺度分解(intrinsic time-scale decom-position,ITD),提出了一种基于本征时间尺度分解和VPMCD的机械故障诊断方法。该方法首先利用ITD方法将原始信号分解若干个PR(proper rotation,PR)分量,然后提取第一个PR分量的无量纲时域统计参数组成特征向量,最后采用VPMCD方法进行机械故障诊断。通过滚动轴承故障诊断实验验证了该方法能有效地应用于小样本多分类机械故障诊断。     

一种增量式半监督VPMCD齿轮故障在线诊断方法

针对齿轮故障诊断中难以获得大量故障样本的问题及实时在线诊断的需求,提出了一种基于增量式半监督多变量预测模型(Incremental Semi-supervised Variable Predictive Model based Class Discriminate,ISVPMCD)的齿轮故障在线检测方法。首先使用VPMCD方法给少量的已知样本建立初始预测模型,接着利用VPMCD方法中的判据给未标识样本赋予初始伪标识,然后通过互相关准则筛选出伪标识样本,最后利用伪标识样本和已知样本作为训练样本更新初始预测模型,使得更新的预测模型能兼顾整个样本集的信息,从而可以有效地解决小样本的故障诊断问题,另外,由于该方法在实时更新新样本的过程中不需要再次建立判别模型,从而缩短了分类时间,为实时在线诊断提供了新的思路。对UCI标准数据以及齿轮实测数据的分析结果表明,适合于小样本的ISVPMCD模式识别方法可以更快更准确地识别齿轮工作状态和故障类型。     

基于流形学习和改进VPMCD的滚动轴承故障诊断方法*

提出一种基于拉普拉斯特征映射流形学习算法(Laplacian Eigenmaps,简称LE)和改进多变量预测模型(Variable predictive model based class discriminate,简称VPMCD)的滚动轴承故障诊断方法,首先对振动信号进行局部特征尺度分解(Local characteristic scale decomposition,简称LCD),并提取各内禀尺度分量(Intrinsic scale component,简称ISC)的特征构造高维特征向量,接着采用LE算法挖掘出高维数据中包含有效信息且具有内在规律性的低维特征,然后输入到基于Kriging的改进多变量预测模型(Kriging-variable predictive model based class discriminate,简称KVPMCD)分类器中进行模式识别。该方法充分利用并有效结合了LCD在信号处理、LE在挖掘特征信息和KVPMCD在模式识别方面的优势,实现了滚动轴承故障特征提取到故障识别的全程诊断。实验分析结果表明:基于LE算法和KVPMCD的分类方法可以有效地对滚动轴承的工作状态和故障类型进行识别。     

基于改进多项式响应面的VPMCD方法及其在滚动轴承故障诊断中的应用

基于变量预测模型的模式识别(Variable predictive model based class discriminate,简称VPMCD)方法在训练过程中是用多项式响应面(Polynomial Response Surface,简称PRS)法来建立预测模型的,然而PRS法的模型拟合精度不能随训练样本容量的增加而显著提高。针对这一缺陷,将原方法中的PRS方法进行了改进,提出了基于改进多项式响应面(Improved Polynomial Response Surface,简称IPRS)的VPMCD方法,并将其应用于滚动轴承故障诊断。通过实验,将原方法和改进方法在训练样本容量不同情况下的模式分类精度进行对比,结果表明,相对于原VPMCD方法,改进的VPMCD方法不仅具有更好的模式分类效果,而且其分类精度随训练样本容量的增加提高得更明显。     

基于排列熵和VPMCD的滚动轴承故障诊断方法

VPMCD(Variable Predictive Model Based Class Discriminate)是一种新的模式识别方法,它充分利用从原始数据中所提取的特征值之间的相互内在关系建立数学模型,从而进行模式识别。论文将VPMCD结合排列熵(Permutation Entropy,简称PE)方法应用于滚动轴承故障诊断。首先采用ITD(Intrinsic Time-scale Decomposition,简称ITD)对滚动轴承振动信号进行分解,得到若干个固有旋转(Proper Rotation)分量,并对包含主要故障信息的PR分量提取排列熵作为故障特征值;然后,对VPMCD分类器进行训练;最后,采用VPMCD分类器进行故障识别和分类。实验数据的分析结果表明该方法能够有效地应用于滚动轴承故障诊断。     

基于LCD-Hilbert谱奇异值和QRVPMCD的滚动轴承故障诊断方法

针对多变量预测模型的模式识别（Variable predictive model based class discriminate,简称VPMCD）方法在参数估计中存在的缺陷,采用分位数回归（Quantile Regression,简称QR）代替原方法中的最小二乘法进行参数估计,克服最小二乘回归中强假设、易受异常值影响等问题,以此提高模式识别的精度。因此,提出了基于分位数回归的多变量预测模型模式识别方法（Quantile Regression -Variable predictive mode based class discriminate ,简称QRVPMCD）。采用局部特征尺度分解（Local characteristic-scale decomposition,简称LCD）方法对滚动轴承振动信号进行分解得到若干个单分量信号,提取单分量信号的Hilbert谱奇异值组成故障特征向量,并以此作为QRVPMCD的输入进行滚动轴承故障诊断。对不同工作状态和故障类型下的滚动轴承振动信号进行了分析,结果表明了该方法的有效性。     

基于参数优化VMD和增强多尺度排列熵的单向阀故障诊断

针对高压隔膜泵机械结构复杂,单向阀故障特征信息分布在多尺度上,单一尺度难以全面提取特征的问题,提出了一种基于参数优化变分模态分解(Variational Mode Decomposition,VMD)和增强多尺度排列熵(Enhanced Multi-scale Permutation Entropy,EMPE)的单向阀故障诊断方法。对单向阀振动信号进行VMD分解,以包络熵最小原则对其进行参数优化,获得既定的若干本征模态函数(Intrinsic Mode Function,IMF)分量;计算IMF分量的增强多尺度排列熵,构建故障特征值向量;利用基于变量预测模型的模式识别(Variable Predictive Model Based Class Discriminate,VPMCD)方法对故障特征值向量进行训练和识别,进而实现单向阀的故障诊断。仿真信号和工程实验分析表明,该方法可以准确地识别单向阀的故障类型,具有一定的可靠性和工程应用价值。     

基于部分集成局部特征尺度分解与拉普拉斯分值的滚动轴承故障诊断模型

提出了一种基于部分集成局部特征尺度分解(Partly ensemble local characteristic-scale decomposition,PELCD)、拉普拉斯分值(Laplacian score,LS)特征选择和基于变量预测模型模式分类(Variable predictive model based class discrimination,VPMCD)的滚动轴承故障诊断模型。PELCD是新提出的一种基于噪声辅助数据分析方法,克服了局部特征尺度分解的模态混淆问题,与传统的基于噪声辅助数据分析方法相比有一定的优越性,论文将其应用于滚动轴承振动信号的预处理。之后提取振动信号PELCD分量的时域和频域统计特征及振动信号的时频联合域特征;同时为了降低特征向量维数,提高诊断效率,采用LS优化特征向量。再将优化的特征向量输入到VPMCD分类器进行训练和测试。滚动轴承实验数据分析结果表明该模型能够有效地诊断故障程度和故障类型。     

基于EMD的改进马田系统的滚动轴承故障诊断

为了提高滚动轴承的可靠性、及时发现其潜在的故障,提出了一种基于改进马田系统(MMTS)的滚动轴承故障诊断方法。首先利用经验模态分解(EMD)方法对原振动信号进行分解,得到了多个本征模态分量(IMF)并计算基本模式分量的统计特征集。然后,在此基础上构建基准空间(马氏空间),针对马田系统在筛选特征变量时效果不佳、基准空间数据的差异性问题,引入粗糙集(RS)筛选有效特征变量改进马田系统,大幅降低特征向量的维数。最后,计算待诊断信号到基准空间的马氏距离,从而完成滚动轴承的故障诊断。利用滚动轴承振动数据对该模型进行了测试,结果表明,该模型与实际相符,可以准确、有效地识别滚动轴承的故障类型。     

GA-VPMCD方法及其在机械故障智能诊断中的应用

基于变量预测模型的分类识别(Variable predictive model-based class discriminate,VPMCD)方法是一种新的分类识别方法,但模型类型的选择存在主观性。为了解决VPMCD方法应用于机械故障诊断过程中的模型选择问题,结合遗传算法的全局优化能力,提出了基于GA-VPMCD(Genetic algorithm and variable predictive model based class discriminate)智能诊断方法。首先通过样本训练建立多个弱VPM(Variable predictive model),然后采用遗传算法优化各个弱VPM的权值,得到最优权值矩阵,最后用最优权值矩阵加权融合测试样本的弱VPM特征变量预测值,得到最佳特征变量预测值,并以误差平方和最小为辨别函数分类识别故障类型。通过GA-VPMCD方法在滚动轴承故障智能诊断中的应用实验验证了基于GA-VPMCD的故障智能诊断方法能有效地提高诊断精度和诊断系统的鲁棒性。     

KAEA: A Novel Three-Stage Ensemble Model for Software Defect Prediction

Software defect prediction is a research hotspot in the field of software engineering. However, due to the limitations of current machine learning algorithms, we can’t achieve good effect for defect prediction by only using machine learning algorithms. In previous studies, some researchers used extreme learning machine (ELM) to conduct defect prediction. However, the initial weights and biases of the ELM are determined randomly, which reduces the prediction performance of ELM. Motivated by the idea of search based software engineering, we propose a novel software defect prediction model named KAEA based on kernel principal component analysis (KPCA), adaptive genetic algorithm, extreme learning machine and Adaboost algorithm, which has three main advantages: (1) KPCA can extract optimal representative features by leveraging a nonlinear mapping function; (2) We leverage adaptive genetic algorithm to optimize the initial weights and biases of ELM, so as to improve the generalization ability and prediction capacity of ELM; (3) We use the Adaboost algorithm to integrate multiple ELM basic predictors optimized by adaptive genetic algorithm into a strong predictor, which can further improve the effect of defect prediction. To effectively evaluate the performance of KAEA, we use eleven datasets from large open source projects, and compare the KAEA with four machine learning basic classifiers, ELM and its three variants. The experimental results show that KAEA is superior to these baseline models in most cases.     

半监督极限学习机用于Android手机活动识别的研究

基于对现有Android手机活动识别技术的分析,针对从不完全、不充分的移动传感器数据中推断人体活动的难题,将能根据无标签样本提高识别预测准确性和速度的半监督(SS)学习和体现模式分类回归的有效学习机制的极限学习机(ELM)相结合给出了解决Android手机平台的人体活动识别问题的半监督极限学习机(SS-ELM)方法,并进一步提出了主成分分析(PCA)和半监督极限学习机(SS-ELM)结合的PCA+SS-ELM新方法。实验结果表明,该方法对人体活动的识别正确率能达到95%,优于最近提出的混合专家半监督模型的正确率,从而验证了该新方法是可行性。     

基于ELM的可折支撑锁机构可靠性及其敏感度分析

 针对大多可靠性工程问题中机构极限状态函数为隐式的情况,提出了一种基于极限学习机（ELM）回归近似极限状态方程的可靠性及灵敏度分析的新方法.通过极限学习机与蒙特卡洛法相结合,利用极限学习机快速学习的能力,将复杂或隐式极限状态方程近似等价为显式极限状态方程,运用蒙特卡洛法计算出机构的失效概率,然后由高精度的显式极限状态方程进行各随机变量参数的灵敏度分析.该方法采用了基于单隐层前馈神经网络极限学习算法,因而在拟合非线性极限状态方程上表现优越,计算精度和效率高.最后以某型起落架中可折支撑锁机构为对象,进行了机构的可靠性及敏感度分析.结果表明：该方法具有高精度和高效率的优点,在工程应用上具有一定的价值．     

基于改进最优觅食算法的锅炉NOx排放预测研究

提出了一种改进的最优觅食算法(POFA),在最优觅食算法中引入自适应惯性权值与全局最优解来改进算法的更新公式,同时加入相空间搜索的机制。利用改进的最优觅食算法优化极端学习机(ELM)构建一个改进的极端学习机模型(POFA-ELM),并用该模型对锅炉NO_x的排放特性进行建模。将该模型与ELM、差分进化算法、粒子群算法、人工蜂群算法以及基本的最优觅食算法优化的ELM模型进行比较。结果表明:该模型的预测精度更好,泛化能力更强,可以更加准确地预测NOx的排放质量浓度。     

基于VMD-ICMSE和半监督判别SOINN L-Isomap的滚动轴承故障诊断

针对从滚动轴承非线性、非平稳振动信号中提取故障特征困难的问题,提出一种基于半监督判别自组织增量学习神经网络界标点的等度规映射(SSDSL-Isomap)的滚动轴承故障诊断方法。利用基于变分模态分解的改进复合多尺度样本熵(VMD-ICMSE)从复杂域提取振动信号的故障特征,构建高维故障特征集;采用SSDSL-Isomap方法对高维故障特征集进行维数约简,提取出利于识别的低维、敏感故障特征子集;应用粒子群优化极限学习机(PSO-ELM)分类器对低维故障特征进行故障识别,判别故障类型。VMD-ICMSE方法集成了VMD自适应分解非线性信号与ICMSE衡量时间序列复杂性程度的优势,提高故障特征提取能力;SSDSL-Isomap方法综合了全局流形结构、半监督型双约束图构建以及SOINN界标点选取的优点,增强故障分类能力。调心球轴承故障诊断实验分析结果表明,该方法对实验数据的故障识别率达到100%。     

Extreme learning machine based approach for diagnosis and analysis of breast cancer

Due to the heterogeneous and complex nature of clinical data, the need to use sophisticated diagnosis techniques has increased significantly in recent years. The proposed approach for diagnosis of breast cancer exploits the potential of an extreme learning machine (ELM) and analyzes its performance after classification into benign and malignant cases. To optimize the ELM network in terms of computation time and memory resources, weight pruning is used without performance compromise. Using real data sets, numerical experiments have been conducted. With an accuracy of 93%, the optimum numbers of node layers for breast cancer diagnosis has been found to be 20. Comparative results demonstrate over-performance of the proposed ELM approach.     

一种黄金分割优化的极限学习机算法

针对极限学习机(ELM)存在大量隐层神经元个数和随机给定权值导致算法性能不稳定等问题,将黄金分割法(Golden Section)与ELM相结合提出了基于黄金分割优化的极限学习机算法(GS-ELM).首先通过黄金分割法对ELM隐含层节点数进行优化,接着再用该方法对ELM输入层权值和隐含层偏差进行优化.实验结果表明,相比较传统的BP神经网络,支持向量机和极限学习机,GS-ELM算法能获得较高的分类精度.