基于自适应模糊聚类的LM-BPNN网络故障诊断

提出一种综合运用模糊聚类和神经网络改进算法的网络故障诊断方法.根据网络故障特征数据量大、且存在冗余和冲突的特点,基于模糊聚类思想,提出了以聚类中心为核、自适应半径来优选样本的数据预处理方法.在进行故障特征的学习训练时,针对BP神经网络用于网络故障诊断时训练次数多、收敛慢和易振荡的局限性,使用结合了Levenberg-Marquardt的改进算法.理论分析和实验结果表明,文中提出的网络故障诊断方法能达到诊断更快速、更准确的效果.     

一种基于二值粒子群优化和支持向量机的目标检测算法

针对复杂场景下目标检测和目标检测中特征选择问题,该文将二值粒子群优化算法(BPSO)用于特征选择,结合支持向量机(SVM)技术提出了一种新颖的基于BPSO-SVM特征选择的自动目标检测算法。该算法将目标检测转化为目标识别问题,采用wrapper特征选择模型,以SVM为分类器,通过样本训练分类器,根据分类结果,利用BPSO算法在特征空间中进行全局搜索,选择最优特征集进行分类。基于BPSO-SVM的特征选择方法降低了特征维数,显著提高了分类器性能。实验结果表明,该文算法不仅有效提高了复杂场景下目标姿态、尺度、光照变化和局部被遮挡时的检测准确率,还大大缩短了检测时间。     

基于特征选择的过抽样算法的研究

为了提高不平衡数据集分类中少数类的分类精度,提出了基于特征选择的过抽样算法.该算法考虑了不同的特征列对分类性能的不同作用,首先对训练集进行特征选择,选出一组特征列,然后根据选出的特征列合成少数类样本,合成的每个少数类样本的特征由两部分组成,一部分是特征选择的特征列对应的特征,另一部分是按照SMOTE原理合成的特征.将基于特征选择的过抽样算法和SMOTE算法进行实验比较,结果表明基于特征选择的过抽样算法的性能优于SMOTE算法,能有效降低数据的不平衡性,提高少数类的分类精度.     

基于红外的SSA CNN GRU电路板芯片故障诊断

针对电路板温度数据诊断率不佳的问题,本文提出了基于红外的SSA CNN GRU电路板芯片故障诊断模型。首先,根据红外热像仪采集芯片温度数据,建立多维特征模型；然后,在故障诊断模型输入端和CNN GRU通道分别添加注意力机制,构建双注意力结构,自适应识别有效数据段和提取红外图像有效特征；接着,利用麻雀搜索算法优化注意力机制权值分配,获取全局最优超参数；最后搭建SSA CNN GRU故障诊断模型,实现芯片故障模式的高精度诊断。实验采用电源电路板进行可靠性分析,实验结果表明,本文算法在诊断精度可达9873,且稳定性、可靠性方面均优于对比算法。     

粒子群RBF神经网络电力电子电路故障诊断

为检测和诊断电力电子电路中的故障,获得更高的诊断精确度,提出粒子群算法优化RBF神经网络的故障诊断方法.与基本RBF神经网络相比,粒子群RBF神经网络可以提高系统的收敛速度和精度.把通过特征提取获得的电力电子电路故障特征量作为神经网络的输入,利用训练好的粒子群优化后的RBF神经网络进行故障诊断.仿真结果表明,实际输出与期望输出基本吻合,具有良好的分类效果,能够提高诊断精确度,对于电力电子电路的故障诊断是一种有效的方法.     

基于多特征融合的三相配电线路故障诊断系统

为了提高三相配电线路故障诊断的精准度和故障诊断效率,设计了一种新的三相配电线路故障诊断系统.根据三相配电线路故障的奇异性、不确定性、串联性以及能量特征,完成电路故障的多特征融合,提高配电线路故障诊断的响应速度.硬件区域重点对处理器、电路控制器以及电子互感器的功能和结构进行设计.在系统软件区域采用多特征融合方式,将三相配电线路的基本故障特征进行融合,完成三相配电线路故障特征的提取和诊断.实验结果表明,基于多特征融合的三相配电线路故障诊断系统能够有效提高诊断精度,提升诊断效率.     

基于LVQ神经网络集成的柴油机气门故障诊断

针对柴油机气门故障的诊断样本少和非线性数据特征等问题,文中提出了一种基于学刁向量量化（LVQ,LearningVectorquantization）神经网络集成的柴油机故障诊断方法,该方法通过使飘LVQ神经两络作为基础学习器．采用Bagging算法对LVQ神经网络分类器进行相对多数投票集成,并用LVQ神经网络．LVQ神经网络集成．BP神经网络和RBF神经网络等方法对柴油机气门故障诊断．对评价结果进行了分析和比较,LVQ神经网络集成对柴油机气门故障诊断的正确率高于其他神经网络,神经网络集成的柴油机气门故障诊断精度高于单个神经网络的精度.     

网络故障诊断法的综合应用

国际标准化组织ISO在ISO/IEC 7498-4文档中定义了网络管理的5大功能,即故障管理、配置管理、性能管理、记账管理和安全管理,故障管理是其中最基本的功能之一,它包括诊断故障、孤立故障和恢复故障3个方面,其中,诊断故障是网络故障管理的先决条件.网络故障现象可以说形形色色,几乎没有任何一种检测方法或工具可以诊断出所有的网络问题.笔者总结了多年的网络管理实践经验,认为采用网络故障综合诊断法是解决网络故障的有效途径,它融合了分层诊断、分段诊断和“望闻问切“诊断,这3种方法综合使用就构成了一个立体的网络故障诊断模型,如图1所示.下面,先分别介绍这3种网络故障诊断方法,但在实际工作中,这3种网络故障诊断方法经常要综合使用,本文最后以一个实际案例分析网络故障综合诊断法的使用过程及效果.……     

基于人工免疫算法的异步电机故障诊断研究

人工免疫算法的模型为异步电机故障诊断研究提供了新的视角和算法模型。本文的主要研究对象是基于阴性选择算法的异步电机故障诊断方法。基于免疫系统的原理,电机故障诊断即为检测"非已",检测非正常状态下的电机特征信号。首先通过正常电机特征信号生成"自己",再通过阴性选择生成信号检测器,将检测器与被测电机设备特征信号进行匹配,根据匹配关系便能诊断电机的故障。本文还将阴性选择算法进一步优化,在阴性选择基础上加以克隆优化,从而产生更合适的检测器。通过2种方法对同一故障进行诊断,可直观地看出优化后模型准确率的提高。     

基于多源数据融合的电网故障智能诊断方法研究

为提高传统电网故障诊断方法的精度以及可靠性等,提出了一种基于电气量和开关量的多源数据融合的电网故障智能诊断方法。该方法首先对故障电流录波数据进行小波变换,以得到电流这一电气量的特征量;然后对开关量的诊断结果进行归一化处理,得到开关量对应的相对故障度证据;最后采用改进的D-S证据理论对电气量和开关量的多源数据进行融合,并得出最终诊断结果。实际电网结果表明,所提的故障诊断方法能够有效提高故障诊断的精度。     

基于优化极限学习机的变压器故障诊断方法研究

电力变压器的智能故障诊断是推动智能电网发展的主要环节,但传统的单一智能诊断算法无法有效处理变压器大量不完整的故障信息,导致故障诊断准确率低。因此,结合溶解气体分析(DGA)技术,本文提出了一种基于灰狼优化算法优化的混合核极限学习机的变压器故障诊断方法。首先,根据Mercer定理,结合局部径向基核函数和全局多项式核函数,构建了混合核极限学习机模型。其次,可以通过灰狼优化算法对混合核函数的参数进行优化。最后结合实际数据对6种变压器故障数据进行了诊断,诊断准确率为90.02%（普通神经网络仅为77.8%）。此相比如传统的神经网络具有较高的诊断精度。应用混合核函数可以提高KELM的学习能力和泛化能力,以至于提高诊断精度。     

应用数据融合实现电子电路的故障诊断

在电路故障诊断中,可通过直流分析、交流分析和灵敏度分析等方法,对电路的故障进行诊断.但由于不同的诊断方法对不同的故障敏感度不同,使得每种方法都带有局限性.为此,本文提出了采用数据融合进行电路故障诊断的新方法,介绍了D-S证据理论算法在电路故障诊断中的应用,给出了具体算法和仿真实例.理论分析和仿真结果表明,将数据融合技术用于电路的故障诊断是可行的.不同的诊断方法提供的信息经多次融合、反复抽取有用信息后,大大降低了判断的盲目性,提高了电路故障诊断的准确性.     

基于红外的TPA和IAOA BiLSTM电路芯片故障诊断

为了提高电路芯片故障诊断准确率,超参数设置的效率以及特征提取效率,提出一种基于时间模式注意力机制(TPA)的改进算数优化算法(IAOA)优化双向长短期记忆网络(BiLSTM)的电路故障诊断方法。首先,利用IAOA搜寻BiLSTM的最优超参数组合,提高模型诊断精度;然后使用TPA提取重要特征并分配权重,改善模型特征提取能力;最后,将红外摄像仪采集的红外温度数据输入到最优诊断模型中,实现电路芯片故障诊断。实验采用0～30 V可调稳压电源电路进行验证。结果表明,该模型对电路芯片故障诊断准确率高达9827,可实现对电路芯片的高准确率故障诊断。     

对称不确定性和粒子群的高维特征选择算法

高维数据中存在着成千上万个特征,大量的特征导致问题搜索空间过大,增加了计算代价,影响了数据分类预测的准确性.为了提高特征选择的效率,本文提出了一种对称不确定性和种群降维机制的粒子群特征选择算法,该算法设计了一种基于对称不确定性指标的初始化方法,降低特征选择的计算代价.通过非支配排序的种群降维机制,减少进化过程中冗余特征的影响.在5个公开生物医学的高维数据集上的实验结果表明,该算法能够针对高维数据特征选择问题取得更好的分类精度和更小的最优子集特征个数,并在时间运行方面有一定的优势.     

基于邻域粗糙集和海洋捕食者算法的特征选择方法

针对粗糙集模型中特征选择方法存在计算开销大、不能直接处理连续数据,以及海洋捕食者算法(MPA)处理优化问题仍存在收敛速度慢、易陷入局部最优等问题,提出了基于邻域粗糙集(NRS)和海洋捕食者算法的特征选择方法.首先,使用基于Tent混沌映射的反向学习和高斯扰动策略对原算法改进得到IMPA,再构建一种传输机制形成一种二进制算法;然后,基于邻域依赖度和特征子集长度构造适应度函数,使用IMPA不断迭代搜索出最优特征子集,设计一种元启发式特征选择算法.最后,在9个基准测试函数上评估IMPA的优化性能以及在UCI数据集上评估特征选择算法的分类能力.实验结果表明,在9个基准测试函数上IMPA的平均值、标准差明显优于粒子群优化算法(PSO)和樽海鞘算法(SSA);在UCI数据集上,同基于粗糙集的优化特征选择算法、基于邻域粗糙集的优化特征选择算法相比,所提的特征选择方法在KNN分类器下的分类精度平均值分别提高了10.28~14.13个百分点、2.71~12.11个百分点,在CART分类器下的分类精度平均值分别提高了9.41~13.24个百分点、2.90~12.31个百分点.     

模糊C均值聚类算法在网络故障诊断中的应用

本文利用SNMP获取与故障相关的网络设备MIB值,建立样本库。再通过改进的模糊C均值聚类算法对样本库进行分类,确定聚类中心。利用此聚类中心判断获取到的数据属于哪一类网络故障,从而实现网络故障诊断,证明了模糊C均值聚类算法在网络故障诊断中的可行性。     

基于数据选择模型的IB算法

针对数据对象自身模式特征明确程度的不同给IB（Information Bottleneck）方法数据分析带来的问题,定义一个“基于明确因素”的数据选择模型,使得IB方法可从数据集中选取模式特征较为明确的数据对象并对其进行模式分析,提出DSIB （Data Selection Information Bottleneck）算法.DSIB算法采用数据压缩过程中所产生的信息损失作为数据对象模式特征是否明确的判定条件,使用“边选择边学习”的顺序“抽取-合并”策略来优化DSIB目标函数.实验结果表明：随着数据选择标准的不断提高,DSIB算法在提高数据分析精度的同时所牺牲的召回率较小;与未做选择的数据分析算法相比,DSIB算法可更好地识别出数据中所固有的内在模式.     

面向分类的流特征在线特征选择算法

在线流特征选择通过实时过滤无关特征和冗余特征,实现流特征空间降维.针对已有算法,如Alpha-investing分类精度低、SAOLA选择特征数多和OSFS在低冗余高相关数据集下运行时间长的问题,提出了一种面向分类的流特征在线特征选择算法——OSFIC.算法运用四层过滤框架,通过无条件独立过滤不相关新特征、单条件下互信息过滤冗余新特征和候选特征集合中的部分冗余特征,最后通过多条件独立过滤候选特征集中的剩余冗余特征,最终得到分类标签的近似马尔可夫毯.为了分析OSFIC的性能,选择了NIPS 2003和Causality Workbench中的数据集,从预测精度、特征数量、运行时间和AUC方面与已有基准算法进行比较.实验表明,OSFIC平均分类精度比Alpha-investing提升4.41%.在保证精度的前提下,平均特征数量比SAOLA减少41.9%,运行时间比OSFS减少91.59%.最后,在真实的应用场景下验证了OSFIC的有效性.     

基于量子粒子群优化的BP神经网络的汽轮机振动故障诊断研究

为了提高汽轮机诊断系统的诊断速度与精度,提出了将量子粒子群算法和BP神经网络相结合的故障诊断方法。用量子粒子群算法来训练网络的权值和阈值,再将优化后的权值和阈值代入BP网络,进行故障诊断。实例证明,它是一种高效,可靠的诊断方法。     

基于SPBO-RF的飞跨型逆变器故障诊断

开关管故障在并网逆变器中普遍存在，然而现阶段对开关管的故障诊断率低，在检测精度方面仍有提升空间，基于此，提出一种故障特征识别方法。该方法利用经验模态分解（EMD）算法进行故障特征提取，然后用学生心理优化算法（SPBO）优化随机森林（RF）的树深和树数目两个重要的超参数来进行故障特征识别。该方法兼具SPBO和RF的优点，可进行多管故障诊断并提高收敛速度和精度。最终仿真结果表明，所提方法的故障诊断率可达98%，对比其他方法，所提方法具有更好的诊断效果，验证了所提算法的有效性。