基于Adaboost算法的永磁同步电机匝间短路故障诊断

Adaboost算法作为机器学习算法的一种,它能够通过集成提升算法精度。讨论了Adaboost算法的结构及其特点以及对永磁同步电机匝间短路故障数据的处理以及建模,实现永磁同步电机匝间短路故障诊断预测功能。实验结果显示:利用Adaboost算法对永磁同步电机进行监测,在永磁同步电机发生匝间短路故障前对可能发生匝间短路故障的隐患进行预测,可以在永磁同步电机应用的各个场合进行应用,减少因匝间短路故障给工业生产带来的影响。     

电动汽车永磁同步电机匝间短路检测算法仿真

当电机出现匝间短路故障时,电机内部电阻会大幅度降低,电流突增,造成其余元件功率过大问题。若不能及时监测该故障电机将会导致二次损坏。但是,由于短路故障具有瞬时性,其特征获取难度较大。为此提出电动汽车永磁同步电机匝间短路故障检测方法。构建驱动汽车的永磁同步电机模型,依据当永磁同步电机模型处于匝间短路故障状态时,基波电流与正序电流的制约关系失效的原理,提取电机匝间短路故障特征。基于此利用粒子群算法-最小二乘支持向量机(Particle swarm optimization-Least Squares Support Vector Machine, PSO-LSSVM)获取故障检测结果,实现电动汽车永磁同步电机匝间短路故障的检测。实验结果表明,研究方法在任意时刻检测到的负载力矩均与实际值吻合,且输出的电机残余能量具有较高可靠性,说明了上述方法具有较强的可应用性。     

基于SSAE-SVM的滚动轴承故障诊断方法研究

针对现有滚动轴承故障诊断方法过度依赖于有监督学习算法的问题,提出一种基于堆栈稀疏自编码和支持向量机(SSAE-SVM)的滚动轴承故障诊断方法.利用堆栈稀疏自编码(SSAE)的频域深层特征学习能力,对轴承故障特征进行快速傅里叶变换和批归一化处理,再输入到SSAE网络.所构建的SSAE网络通过贪婪算法逐层训练,使用梯度下降...     

基于改进残差卷积自编码网络的类自适应旋转机械故障诊断

针对旋转机械传感器信号样本有限影响深层网络模型训练学习的问题,提出一种结合改进残差卷积自编码网络与类自适应方法的故障诊断模型应对小样本数据。首先将少量已标记的源域数据和目标域数据创建为成对样本,并设计一种改进的一维残差卷积自编码网络对两种不同分布的原始振动信号进行特征提取;其次,利用最大均值差异（MMD）减小分布差异,并将两个域同一故障类别的数据空间映射到一个共同的特征空间,最终实现准确的故障诊断。实验结果表明,与微调、域自适应等方法相比,所提模型能够有效提高不同工况、微量已标记的目标域振动数据下的故障诊断准确率。     

基于改进自编码网络的轴承振动异常检测

近年来,自编码器和神经网络技术已被广泛研究并应用于轴承振动等工业数据的异常检测问题上,但仍存在着训练数据量大、网络参数初始化、训练效率较低、异常检测效果较差等问题。为解决上述问题,提出了一种结合马氏距离和自编码网络的异常检测方法。利用轴承振动数据特征之间具有一定相关性的特点,通过数据的马氏距离快速检测出部分异常数据,减少了自编码网络的训练数据量;用自编码器结合分类器构建自编码网络,解决了网络参数初始化问题并且显著提高了训练效率;将数据的马氏距离作为特征加入训练中提升了自编码网络的异常检测效果;在自编码器中加入稀疏性限制并构造先升维再编码的结构,增强了自编码器的特征学习能力和收敛性。实验结果表明,针对低维轴承振动数据,提出的方法较其他异常检测方法具有较好的检测效果且具有一定的稳定性和泛化能力。     

卷积稀疏自编码神经网络

卷积神经网络是图像识别领域研究的热点。本文改进现有卷积自编码器,提出卷积稀疏自编码神经网络（Convolutional Sparse Autoencoder Neural Network,CSAENN）。首先替换解码器的反卷积方式,在输入特征图周围补充零值将图扩大,简化了实现方式,降低了反卷积操作复杂度,同时不影响卷积自编码器对样本特征的提取与重构。其次迭代训练时,采用权值转置技术,实现一组权值可以同时提取样本特征与重构样本信息。最后在编码器中使用种群稀疏、存在稀疏以及高分散性稀疏化技术,有效地稀疏化网络权值和输出,提升网络性能。在公共数据集MNIST及CIFAR10上,多组对比实验结果验证了CSAENN有较好的性能。      

融合梯度差信息的稀疏去噪自编码网络在异常行为检测中的应用

本文是在稀疏去噪自编码网络的基础上,增加梯度差约束条件改进了自编码网络的解码效果,并成功地应用于全局异常行为检测的领域.基于稀疏自编码网络异常行为的检测过程是通过训练非异常行为的视频帧数据得到自编码网络模型,将待测视频帧输入模型,根据前向传播算法得到模型的输出,计算输出与输入之间的损失值,当该值高于某个阈值时,判定该视频帧中存在异常行为.通过在标准异常行为库开展的实验表明融合梯度差信息的稀疏去噪自编码网络算法较传统的稀疏去噪自编码网络算法在全局异常行为检测中更加有效.     

电动机转子匝间短路故障诊断方法设计

由于电动机转子匝间短路情形较复杂,使得电动机转子匝间的短路故障诊断受到干扰,为提升电动机转子匝间短路故障诊断效果,将重复脉冲法应用于匝间短路故障的诊断中,首先对匝间短路故障点进行定位,再运用重复脉冲法对匝间短路故障进行在线监测,以判断电动机转子匝间是否存在短路故障,至此完成诊断.最后,进行测试实验,并对得出的数据进行对...     

自编码网络在JavaScript恶意代码检测中的应用研究

针对传统机器学习特征提取方法很难发掘JavaScript恶意代码深层次本质特征的问题,提出基于堆栈式稀疏降噪自编码网络(sSDAN)的JavaScript恶意代码检测方法。首先将JavaScript恶意代码进行数值化处理,然后在自编码网络的基础上加入稀疏性限制,同时加入一定概率分布的噪声进行染噪的学习训练,使得自动编码器模型能够获取数据不同层次的特征表达;再经过无监督逐层贪婪的预训练和有监督的微调过程可以得到有效去噪后的更深层次特征;最后利用Soft max函数对特征进行分类。实验结果表明,稀疏降噪自编码分类算法对JavaScript具有较好的分类能力,其准确率高于传统机器学习模型,相比随机森林的方法提高了0.717%,相比支持向量机(SVM)的方法提高了2.237%。     

基于BP神经网络的发动机故障诊断研究

汽车发动机故障占整车的百分之四十以上,所以研究故障诊断系统实现对发动机故障的准确、快速诊断对整个汽车行业具有重要的意义.针对目前国内电控发动机故障诊断所存在的问题,BP网络能够很好地运用于发动机的故障诊断,利用发动机故障诊断的专家经验做出故障-原因样本训练集训练BP网络(BP网络的函数逼近的运用),再把故障数值输入到已经训练好的神经网络实现故障的诊断(BP网络分类的运用).