基于深度置信网络的通信控制设备故障诊断

针对传统的故障诊断方法在装备故障诊断中带来的准确率低问题,提出了一种基于小波变换(WT)和深度置信网络(DBN)的通信控制设备故障诊断方法。该方法通过采集样本故障数据、分析处理故障数据、输入神经网络进行学习、对测试数据进行识别等步骤对通信控制设备进行故障诊断,并与支持向量机(SVM)、k类临近法(KNN)和BP神经网络等传统故障诊断方法进行比较。仿真实验结果表明,提出的方案识别准确率达到93%,与传统方法相比具有更高的准确率,表现更好。     

靶弹安控系统的舵机故障诊断程序设计

采用基于模型的故障检测和基于一元线性回归分析的故障估计对靶弹安控系统的舵机故障诊断程序进行设计.利用靶弹舵机的故障模型对该程序进行测试并对测试结果进行分析.通过测试可以得出,该程序能够准确检测舵机故障,并能快速地估计故障状态.     

基于支持向量机的机电BIT虚警抑制

诊断间歇故障是降低BIT虚警的一个主要途径。针对目前间歇故障诊断方法的不足，根据支持向量机(SVM)的小样本学习优点，建立基于支持向量机的三状态(正常、间歇故障、永久故障)故障诊断模型，再以振动信号的AR模型系数为特征，在少量训练样本下，利用该模型SVM诊断间歇故障。实验结果表明，该方法可在多种间歇故障、少量训练样本的情况下，对间歇故障进行有效诊断，从而达到降低BIT虚警的目的。     

基于液体状态机的模拟电路故障诊断方法

针对模拟电路故障特征难以识别的问题,结合液体状态机神经网络的特点,从模拟电路故障特征样本获取和故障模式识别两方面入手,提出一种基于液体状态机的模拟电路故障诊断方法。该方法利用 Matlab 和 PSpice联合仿真,实现大量故障样本数据的自动获取,采用液体状态机进行故障模式的分类,并对两级阻容耦合放大电路的故障诊断实例进行仿真。仿真结果表明：该方法和目前应用最广泛的 BP 神经网络相比,故障识别准确率会有所下降,但训练时间远小于BP神经网络,且泛化能力强,对模拟电路故障诊断研究有一定的实际意义。     

基于dSPACE的无人机电动舵机故障检测

传统的舵机故障检测通常基于舵机参数已知,但实际中大多数舵机的内部参数是未知的.文中采用搭建故障观测器的思路,提出了一种基于子空间辨识的卡尔曼滤波故障检测方法;借助于dSPACE半实物仿真工具,搭建了电动舵机故障检测半实物仿真平台,实现了未知参数电动舵机的在线故障检测和快速故障分析.实验表明,该方法不但能有效检测故障发生时间,而且能快速辩识故障类型和程度,为无人机舵机故障快速检测的工程化应用提供了一种解决方案.     

复杂装备轴承多重故障的线性判别分析与反向传播神经网络协作诊断方法

由于复杂装备运行工作环境恶劣,导致其轴承多重故障诊断的准确率不高,为此提出一种 基于线性判别分析(LDA)与反向传播(BP)神经网络协作下复杂装备轴承数据驱动的多重故障诊断方法。将无量纲指标作为轴承多重故障数据的反映指标,利用LDA对轴承多重故障的无量纲指标数据进行线性映射降维处理;通过拉格朗日极值法获得最佳投影向量,沿着该方向将轴承多重故障数据投影到类别最易区分的方向;将经投影处理后的样本作为BP神经网络的输入样本,通过训练测试网络,实现轴承多重故障的预测分类。对某型装备大型旋转机械机组进行仿真实验,验证了所提方法能够有效对轴承多重故障进行降维映射,并且能较好地实现多重故障分类诊断,具有良好的有效性和实用性。     

一种有效的不均衡样本生成方法及其在行星变速箱故障诊断中的应用

针对实际运行中行星变速箱故障数据较少、各个状态样本不均衡的问题,提出了由Wasserstein生成式对抗网络(WGAN)样本生成模型和卷积神经网络(CNN)分类模型组合的WGAN-CNN故障诊断分类模型。该模型对故障数据的频谱信号进行过采样,以扩展故障样本数量,从而更好地对故障状态进行分类。采用加州大学欧文分校人工数据集对WGAN生成模型以及经典过采样方法进行对比,并在行星变速箱故障试验台上进行验证。结果表明,样本不均衡会严重影响分类结果,而WGAN-CNN模型可以很好地扩充故障样本集,提高在故障样本稀少情况下的诊断准确率。     

基于支持向量机的装备故障诊断研究

支持向量机（SVM）是统计学习理论（SLT）的一种成功实现,它建立在SLT的VC维理论和结构风险最小化原理基础之上,能够较好地克服神经网络容易出现的过学习和泛化能力低等缺陷.提出了一种基于支持向量机的装备故障诊断方法,应用该方法成功地对某型装备几种典型故障进行了正确诊断.在对检验样本施加噪声后,支持向量机构成的故障分类器仍然能够满足发动机故障诊断要求,表明提出的故障诊断算法具有良好的鲁棒性和推广性.     

基于支持向量机的柴油机燃油系统故障诊断

介绍了支持向量机（SW）的机理，应用SVM对柴油机燃油系统进行故障诊断，通过试验确定了SVM参数的选择方法．实践诊断结果表明，SVM具有较好的诊断效果，对故障样本诊断的准确度较RBF神经网络高．     

基于自适应助推算法的集成支持向量机在柴油机故障诊断中的应用

利用支持向量机( SVM)进行机械故障诊断时，分类效果与核函数紧密相关。但核函数的选取一直缺少明确的理论指导，而且由于学习过程中常采取近似计算，致使分类结果远非期望水平。本研究首先利用匀幅、互信息指标构造特征向量；而后基于自适应助推法得到一系列基本SVM;并基于多样性准则对这些基本SVM进行筛选，最后对满足条件的基本SVM加权得到集成SVM。将集成SVM应用到某型坦克柴油机的故障诊断中，性能评价及分类结果表明，集成SVM比单- SVM具有更好的分类性能，故障诊断准确率更高。     

基于EEMD和二维边际谱熵的齿轮箱故障诊断

针对信号经验模态分解（EMD）过程中存在波形混叠现象,提出一种基于聚合经验模态分解（EEMD）和Hilbert二维边际谱熵相结合的方法对齿轮箱故障进行分类故障诊断．首先使用小波阈值分析对背景噪声较大的齿轮箱振动信号进行预处理;其次对预处理信号进行分解,得到IMF分量,对比正常信号与故障信号的区别;最后对3种工况信号进行Hilbert变换并计算得到边际谱,并且提取二维边际谱熵作为支持向量机（SVM）的输入量,建立故障诊断模型．经测试该方法在齿轮箱故障诊断方面有着较强的分类能力和诊断精度,具有一定的可行性．     

支持向量机在液体火箭发动机稳态段故障检测和诊断中的应用

将支持向量机方法用于某大型液体火箭发动机稳态试车数据的挖掘,建立了多故障分类器,采用23次试车数据对上述挖掘结果进行了测试,将测试结果与人工神经网络方法等所得结果进行了比较.并利用28类仿真稳态故障数据对该方法进行了进一步验证.结果表明,支持向量机方法是一种可基于小样本的、有效的液体火箭发动机故障检测与诊断方法.     

基于支持向量机的模拟电路故障诊断方法

支持向量机（Support Vector Machines，SVM）故障分类器，在不易取得训练样本的情况下，实现较高准确率的故障诊断，并且具有较强的通用性和实用性。提出三种支持向量多类分类器（一对一算法、一对多算法，以及改进型一对多算法），通过将其应用到实际电路进行故障诊断当中对其性能进行比较，得出串行支持向量机无论在分类速度上还是在分类精度上都好于其它两种方法，核函数的选择对故障诊断的性能也存在着一定的影响。     

基于集合经验模态分解-支持向量机的高压共轨系统故障诊断方法

柴油机高压共轨系统运行时轨压波动信号波动较大且非线性特征较为明显,使其故障诊断较为困难。针对高压共轨系统轨压信号状态参数难以提取与识别的问题,提出一种基于集合经验模态分解（EEMD）—支持向量机（SVM）的故障诊断方法。通过EEMD将轨压信号分解为一系列固有模态函数,利用过零率曲线确定的特征提取准则提取本征模态函数中的特征值。将提取的特征值输入SVM中进行故障类型的诊断。通过AME Sim软件仿真实验获得轨压信号,对比7种不 同的特征值选择方法,最终选取能量特征值构建特征值向量并进行识别和诊断结果分析,以验证该方法的正确性与准确性。结果表明：所提出的基于EEMD—SVM的高压共轨系统故障诊断方法能够对6种不同的运行状态进行状态识别,平均故障诊断正确率可达96.11%。     

基于SVM的移动机器人路标识别算法

提出一种基于支持向量机的移动机器人路标识别算法,其利用SVM分类器对大量的交通标志进行识别。该方法对于场景光线强度变化,图像存在形变以及路标存在阴影遮挡和距离较远等情况都具有学习能力与容错性。实验结果表明,基于SVM的移动机器人路标识别分类器在复杂的室外环境下是有效的、具有鲁棒性的。     

基于1D-CNN 的卫星姿态控制系统故障诊断方法

为解决卫星姿态控制系统中自主故障检测和诊断的问题,提出一种改进的1D-CNN 卫星姿态控制系统故 障诊断方法。以卫星姿态控制系统的故障诊断为背景,构建航天器姿态动力学模型,将卷积神经网络(convolutional neural network,CNN)与快速卷积算法相结合,对卷积神经网络的拓扑结构进行改进,根据BP 算法,将1 维原始数 据作为输入,结合反作用飞轮作为执行机构的技术特征,给出一种基于卷积神经网络的故障检测和隔离方法。仿真 结果验证了该方法对卫星姿态控制系统实时故障检测和分类的有效性。     

基于多层双向长短时记忆网络的装甲车辆柴油机喷油器故障诊断

针对装甲车辆柴油机喷油器故障诊断不能满足实时在线监测的问题,提出一种基于多层双向长短时记忆 网络(bidirectional long short term memory,Bi-LSTM)的装甲车辆柴油机喷油器故障诊断方法。对柴油机喷油器故障 进行模拟实验,利用多层双向长短时记忆网络具备较长距离的时序分析能力的优势,分别将压力波特征值和压力波 时序信号作为输入进行故障模式识别验证。结果表明：该方法具有较高的识别精度和较快的分类速度,能够满足实 时在线监测的要求。     

基于扰动搜索属性约简的装备故障诊断研究

为提高装备故障诊断效率,提出了一种新的粗糙集属性约简方法.首先将属性约简问题转化为集合覆盖问题,在相关矩阵的基础上构建相关系数矩阵;然后基于优质特征集选取原则,引入随机变异机制,设计扰动搜索算法,求出属性约简结果;最后,用UCI数据集和某型复杂装备电源系统进行验证.仿真结果表明,在满足分类精度要求的基础上,有效剔除了冗余属性,缩短了故障诊断时间.