用于异常检测的实值否定选择算法

针对已有实值否定选择算法检测器生成过程的不足,提出了一种优化的检测器生成算法。充分利用自体空间的分布,优化检测器生成的中心位置,扩大检测器的半径,尽可能生成覆盖范围大的检测器;使用覆盖率期望值作为算法结束的一个控制参数,有效地避免了冗余检测器的产生。建立了异常检测系统的形式化描述,定义了一个新的异常检测性能衡量指标——错误率。最后,通过人工合成数据集2DSyntheticData以及实际的Iris数据集及Bio-medical数据集对算法进行了验证。试验结果表明,相比V-detector算法,本文算法提高了检测率,降低了错误率,减少了所需检测器数量,整体检测性能较优。     

用于异常检测的免疫实值检测器优化生成算法

针对已有实值可变半径检测器生成算法的不足,提出一种优化的检测器生成算法。通过对检测器生成过程的统计分析,给出了基于假设检验的检测器生成过程,并将假设检验的结果作为算法结束的一个控制参数,有效减少了冗余检测器的产生。同时,算法充分利用自体空间的分布,优化检测器生成的中心位置,扩大检测器的半径,尽可能生成覆盖范围大的检测器,提高检测性能。通过人工合成数据集2DSyntheticData以及实际的Iris数据集和Biomedical数据集对算法进行了验证。实验结果表明,本算法用于异常数据检测,提高了检测率,所需的检测器数量减少,整体检测性能较优。     

基于改进的可变半径检测器实值否定选择算法

在基于人工免疫的入侵检测研究领域,一般都是先随机产生字符串,然后应用否定选择来生成检测器．这种方法生成检测器的检测率低,而且生成的检测器集数目庞大．本文提出了一种改进的可变半径检测器的实值否定选择算法,由于非自体样本中存在着关于非自体空间的信息,通过应用非自体样本初始化基因库,采用基因库进化策略更新基因库,从而生成了更有效的检测器集．通过实验证明,该方法是有效的,在不影响误报率的情况下提高了检测率．     

EEMD-PE与M-RVM相结合的轴承故障诊断方法

滚动轴承振动信号中包含了大量轴承运行状态信息,但是由于振动信号具有非线性和非平稳性的特点,难以充分提取振动信号中的故障特征,导致现有基于模式识别的轴承故障诊断方法的故障识别准确率较低.为了提高滚动轴承故障识别的准确率,提出了一种基于集合经验模态分解-排列熵(EEMD-PE)特征提取与多分类相关向量机(M-RVM)相结合的轴承故障诊断方法.首先,该方法利用EEMD对非线性和非平稳信号的自适应分解能力,将轴承故障信号分解为一组包含故障特征的本征模态函数(IMFs).然后,利用排列熵提取由EEMD分解得到的IMFs中的故障特征,并组成特征向量.最后,采用EEMD-PE对不同故障状态下的训练样本集进行特征提取,组成特征向量集对M-RVM分类器进行建模,以概率输出的形式实现对滚动轴承的故障诊断.实验结果表明:EEMD-PE特征提取方法能够对滚动轴承振动信号的故障特征进行有效提取,M-RVM能够对故障滚动轴承振动信号包含的故障特征进行识别.与现有轴承故障诊断方法相比较,所提出的方法能够提高故障识别准确率,达到99.58%.     

基于阈值过零算法的轴承故障特征提取研究

针对机械故障声发射信号特征提取的问题,提出了一种基于阈值过零(Zero-crossing,ZC)算法的滚动轴承故障特征提取方法.首先,采用过阈值测量方法提取轴承各类故障的过零特征,由不同的窗长与间隔数计算出反映故障特征的过零特征向量.其次,将所有过零特征进行归一化,采用欧氏距离评价过零特征在不同窗长和间隔下的分类能力,得到最优窗长和间隔.为了突出过零算法可以有效地提升计算效率,对不同故障的过零特征与谱熵计算时间进行比较分析.通过平均分阈值与不平均分阈值对轴承单一和混合故障分类效果的对比,发现不平均分阈值能更为有效地对四类故障进行分类.最后通过仿真和实验验证了该方法的有效性.     

基于改进稀疏滤波与深度网络融合的轴承故障诊断

针对滚动轴承故障时特征提取依赖人工经验,以及故障类别难以自动准确识别的问题,提出了一种改进稀疏滤波和深层空洞门卷积网络相结合的故障诊断模型. 采用滑动窗对具有时序特征的轴承振动信号进行采样处理以避免过拟合;通过改进目标函数的稀疏滤波消除数据中的异方差并提取数据特征,达到缩短计算时间和提高分类准确率的效果;利用空洞门卷积和双向LSTM网络对噪声进行滤除,同时进行故障分类识别. 对比凯斯西储大学和动力系统装置的轴承实验数据,显示该模型故障诊断准确率可达98%. 不同负载和不同信噪比的轴承振动信号实验,表明该模型具有泛化性和抗噪性.     

基于人工免疫方法的变压器故障诊断

将人工免疫方法引入变压器油中溶解气体分析,利用增加抗原、记忆抗体类别信息等方法对变压器故障样本进行学习,获取更多表征故障样本特征的记忆抗体集并进行分类.通过对变压器故障数据的仿真研究表明:与IEC三比值法相比,该算法具有较高的诊断准确率.     

基于卷积神经网络的风电机组轴承机械故障智能诊断方法

在风力发电机组运行中轴承机械故障发生概率较高,而传统诊断依靠人工专家来进行故障特征识别,难以实现风电机组自动化故障检测和智能运维。基于振动信号检测、信号变换、卷积神经网络识别的轴承故障智能诊断思路,设计了具有三对卷积-池化层和两层全连接层的深度卷积神经网络模型和诊断算法。基于公开数据集对所提出方法进行了实验验证,并对基于振动信号经过振动灰度图、短时傅里叶变换时频图和连续小波变换时频图三种不同信号变换方式对诊断模型准确率的影响进行了比较和分析。实验结果证明所提出轴承机械故障智能诊断方法的有效性,为风电机组机械故障诊断和智能化运维提供了新的思路。     

基于Bi-RNN的风电机组主轴承温度预警方法研究

主轴承是风电机组能量传递的关键设备,本文以双馈风力发电机组主轴承为研究对象,首先采用高斯混合模型(gaussian mixture model,GMM)对机组工况进行辨识;其次在各个子工况空间内建立基于双向循环神经网络(bi-directional recurrent neural network,Bi-RNN)的风电机组主轴承温度模型;然后,采用随机森林算法对主轴承温度模型残差进行建模与预测,从而实现机组主轴承故障预警;最后以某大型风电场机组为对象建模并开展仿真研究.结果表明,基于工况辨识的Bi-RNN神经网络算法结合随机森林算法对主轴承故障预警具有较强的实用性和较高的准确率.     

面向轴承智能诊断的多领域深度对抗迁移网络

针对不同工况下轴承监测数据分布差异性导致的诊断精度下降问题,基于深度学习与迁移学习,提出一种多领域深度对抗迁移网络,用于变工况下轴承的智能诊断。将不同工况下的样本集视作属于不同的领域,在特征提取时利用深度残差网络将轴承源域的训练数据与目标域的测试数据映射到高维特征空间,提取监测数据高层抽象的特征表示;设计多领域对抗模块,以支持多故障模式的轴承样本在不同领域对抗模块上进行对抗迁移训练,保障源域与目标域数据在特征空间中的分布有效对齐;在利用源域数据训练故障分类器时引入标签平滑约束,增强故障识别的泛化能力,将源域故障诊断知识迁移到目标域数据的故障信息识别,实现变工况下的轴承智能诊断。利用变工况下的齿轮箱轴承故障数据集与电机轴承数据集对提出方法进行验证,结果表明：相比其他方法,提出的新方法考虑了轴承监测数据的多故障模式结构,更好地提取了领域不变特征,提升了变工况下轴承故障的识别精度。     

基于变分模态分解与多尺度熵的滚动轴承故障诊断方法

针对滚动轴承故障振动信号具有非平稳、非线性特征以及提取特征困难等问题,提出一种基于变分模态分解(Variational Mode Decomposition,VMD)的多尺度熵(Multi-scale entropy,MSE)的特征向量提取方法,并输入拉普拉斯支持向量机(Laplacian support vector machines,LapSVM)中进行滚动轴承故障识别。该方法首先利用VMD分解的多尺度熵对原始振动信号进行特征向量的提取,然后与基于VMD样本熵以及VMD时域统计量(峭度、歪度)对比说明该方法的优势,最后将上述特征向量输入到LapSVM分类器中进行识别对比。试验数据分析结果表明,所提方法在诊断精度、计算速度上大大提高。     

基于局域波法和KPCA-LSSVM的滚动轴承故障诊断

针对故障滚动轴承振动信号具有非平稳性,提出基于局域波法和核主元分析 最小二乘支持向量机(KPCA LSSVM )的故障诊断方法.先对轴承振动信号进行局域波分解得到若干内禀模式函数(IMF),分别计算各IMF分量的特征能量、奇异值和AR模型参数作为原始特征向量,再用KPCA将原始特征向量映射到高维特征空间提取主元构造新的特征向量,将其作为LSSVM分类器的输入来实现轴承的故障诊断.故障诊断试验结果表明,KPCA LSSVM诊断方法通过KPCA得到更多的识别信息,改善了LSSVM的分类性能,相对于直接LSSVM诊断方法具有更优的泛化性,可准确识别轴承的故障类别和严重程度.     

基于小波包分析的滚动轴承故障诊断

应用小波包分析方法构造滚动轴承故障信号的能量特征向量,再以此作为神经网络的输入,对滚动轴承故障进行分类,实践表明,能量特征向量较显著的表达了故障,有较好的诊断效果.     

基于特征筛选和集成学习的轴承故障诊断

为了提高不同工况下的轴承故障诊断准确率,提出了一种基于特征筛选和集成学习的轴承故障诊断方法。考虑到特征向量复杂冗余的问题,结合特征有效性和最大均值差异提出了新的特征评分函数,并在此基础上进一步考虑特征关联度和特征维度,筛选出有利于变工况故障诊断的特征子集。针对单一机器学习模型故障诊断准确率不高的问题,将AdaBoost和Stacking算法相结合构造集成学习故障诊断模型。实验结果表明:筛选出的特征子集在相同分类器下拥有更高的故障诊断准确率;集成学习模型相较于单一模型有更高的故障诊断准确率和鲁棒性。     

基于EMD模态能量分析的滚动轴承故障特征提取

针对滚动轴承振动信号具有非平稳性的特点,提出一种提取相同工况条件下正常信号与故障信号各固有模态函数能量比构建特征向量的特征提取方法。由于EMD分解后各模态分量存在模态混叠现象,导致分解结果具有不确定性,因此传统的能量特征提取方法在滚动轴承故障诊断中的故障识别率较低。通过引入相同工况条件下的正常信号,将各模态分量的能量特点转化为相对于正常信号的能量特征。仿真实验表明,本文所提方法能够有效地提取滚动轴承的故障特征,进而实现其故障诊断。     

基于威布尔分布和支持向量机的滚动轴承故障诊断方法

提出了一种基于威布尔分布模型和支持向量机的滚动轴承故障诊断方法。首先对滚动轴承原始振动信号建立威布尔分布模型,提取其形态参数和尺度参数构建表征轴承运行状态的特征向量,然后将提取的特征向量输入支持向量机分类器进行故障诊断和识别。分别与基于小波分解和小波包分解特征提取的支持向量机诊断方法进行滚动轴承故障试验仿真比较,结果表明,基于威布尔分布模型特征提取的支持向量机诊断方法具有更高的故障识别准确率。     

基于支持向量机的故障模式识别研究

支持向量机为因缺乏大量故障样本受到制约的智能诊断提供了一个全新的途径.从振动信号中提取特征向量作为支持向量机的输入,对滚动轴承故障模式进行识别.实验表明,在含噪声条件下支持向量机对滚动轴承故障模式仍然具有优秀的分类性能.     

基于多特征提取的滚动轴承故障诊断方法

滚动轴承故障是旋转机械失效和损坏的最主要原因之一。轴承振动信号通常表现为非线性和非稳态的特征。常规的时域和频域方法不容易对轴承工作的健康状况做出准确的评估。提出了一种基于多特征提取的滚动轴承故障检测方法,首先从轴承振动信号中提取故障特征（熵特征、Holder系数特征及改进分形盒维数特征）,然后通过灰色关联理论算法自动地识别出轴承的故障类型和严重程度。该方法能够在确保检测实时性的同时,准确有效地识别不同的滚动轴承故障类型及其严重程度。     

基于二维卷积神经网络的滚动轴承变工况故障诊断方法

为了实现滚动轴承变工况运行下仍能进行有效的故障诊断, 提出了一种基于二维卷积神经网络的滚动轴承变工况故障诊断方法。该方法将原始信号以及运行载荷这一工况变量作为输入信号, 无需人工提取特征向量, 减少特征提取过程中的损失, 实现端到端检测, 并将该方法与传统卷积神经网络模型进行了实验对比。结果表明, 相较于传统卷积神经网络, 该方法在故障的识别准确率和诊断的实时性上都有很大程度的提升。