基于主动生成式过采样和深度堆叠网络的轴承故障诊断

针对数据不平衡分类问题，提出了一种基于主动生成式过采样与深度堆叠网络(DSN)的故障诊断方法。首先，在带有分类器的生成式对抗网络(ACGAN)的训练过程中，将Wasserstein距离作为新目标函数，为生成器提供有效梯度，并根据损失值之比自适应地调整迭代过程中生成器与判别器的训练次数，克服训练不协调所导致的模型收敛困难，以提高ACGAN的训练稳定性，改善生成样本的质量。其次，采用基于委员会查询(QBC)的主动学习算法，并设计多样性评价指标Diversity,对ACGAN生成的高信息熵样本进行二次筛选，以保证所挑选样本的多样性；同时利用筛选出的样本训练判别器，引导生成器生成信息量丰富的少数类样本。最后，在平衡数据集的基础上，训练基于DSN的故障分类模型。通过对比实验验证了所提出方法的有效性。     

基于正则化与遗忘因子的极限学习机及其在故障预测中的应用

为了解决在线贯序极限学习机(OS-ELM)算法容易产生奇异矩阵、算法贯序更新过程中没有考虑训练样本时效性的问题,提出基于l2-正则化和自适应遗忘因子的OS-ELM(RFOS-ELM)算法。RFOS-ELM在初始阶段加入正则化机制,克服因矩阵奇异而降低OS-ELM泛化能力的缺点。在贯序更新阶段,RFOS-ELM通过引入自适应遗忘因子实时调整新旧训练样本所占比重,推导正则化条件下带遗忘因子RFOS-ELM的递推更新算法,提高其对动态变化系统的跟踪能力。某型无人机机载发射机故障预测实例表明,相比于传统OS-ELM和正则化OS-ELM算法,本文提出方法具有更高的预测精度。     

基于容错度自适应支持向量机的液压泵故障诊断

针对已有在线故障诊断方法在数据量大、噪声强条件下分类速度较低、分类精度不够高等问题,结合液压泵故障类别数目大、工作环境恶劣的特点,提出了一种适用于混凝土泵车液压泵在线诊断的状态识别算法——容错度自适应支持向量机。该方法主要从四个方面对分类速度做了改进：①引入容错度因子进行模型训练;②优先选择能将某一类故障样本单独分离出来的二分类器;③在满足②的基础上选择平均支持向量机少的分类器;④引入增量学习算法对参数进行自适应调整,提高多故障诊断中对新故障类别和新故障数据的适应性,保证系统的分类精度。通过对混凝土泵车的液压泵故障诊断,证明了该方法在明显提高分类速度的同时保证了较高的分类精度。     

基于滑动窗口一维卷积自编码器的滚动轴承故障实时诊断

针对滚动轴承故障检测的特征自适应问题以及工业互联网边缘计算需求，提出一种基于滑动窗口一维卷积自动编码器(SW1DCAE)的无监督滚动轴承故障诊断方法。首先，将一维卷积与自编码器有效结合，同时加入节点随机丢弃技巧，提高模型的学习能力并防止过拟合；然后，将滑动窗口算法引入模型，针对性的塑造样本，提高模型性能，控制模型响应时间；最后，利用预训练SW1DCAE模型的编码层，与全连接层、Softmax分类层构成分类模型进行轴承故障诊断。试验结果表明：SW1DCAE模型具有良好的数据重构能力，故障分类准确率优于传统的自编码器和卷积神经网络，而且占据存储空间小，运算量低，可搭载于嵌入式系统进行在线检测。     

滚动轴承故障的振动信号诊断方法

针对滚动轴承损伤类故障振动信号的特点,充分利用HMM、SVM在序列行为的分类和小样本方面的优势,把SVM的输出转化为HMM中观察值概率矩阵模型,建立了动态过程时间序列分类器,提高模型的学习速度和分类性;基于对包络解调信号提取AR模型参数构建的用于训练和故障识别的特征矢量,提出了一种基于SVM-HMM混合算法的滚动轴承故障诊断方法.将该方法应用到滚动轴承故障诊断中取得了较好的效果.     

钢筋混凝土框架近断层速度脉冲地震响应分析

针对滚动轴承的故障诊断问题，提出了一种基于栈式稀疏自编码网络(stacked sparse auto encoder，简称SSAE)、改进灰狼智能优化算法(improved grey wolf optimization，简称IGWO)以及支持向量机(support vector machine，简称SVM)的混合智能故障诊断模型。首先，利用栈式自编码网络强大的特征自提取能力，实现故障信号深层频谱特征的自适应学习，通过引入稀疏项约束提高特征学习的泛化性能；其次，利用改进的灰狼算法实现支持向量机的参数优化；最后，基于优化后的SVM完成对故障特征向量的分类识别。所提混合智能故障诊断模型充分结合了深度神经网络强大的特征自学习能力和支持向量机优秀的小样本分类性能，避免了手工特征提取的弊端，可对不同故障类型的振动信号实现更精准的识别。多组对比实验表明，相比传统方法，笔者所提出的模型具有更优秀的故障识别能力，诊断准确率可达98%以上。     

柴油发动机燃油系统故障诊断研究

探索了基于抽取泛化应用相类似的样本和避免对矩阵求逆的改进LMBP算法,取得了良好的学习训练效果,将改进的LMBP算法应用于柴油发动机燃油系统的故障诊断,在LabVIEW平台通过调用Matlab算法节点,高效直观地实现了燃油系统典型故障诊断。     

利用SOM网络可视化方法诊断凝汽器系统故障

SOM网络是一种重要的无导师学习训练算法的神经网络,使用该算法进行训练后,可以将高维输入空间映射到二维空间上,并对故障现象进行自动分类,从而得出它们对应的故障原因.同时为了便于识别故障,利用U矩阵图对神经网络仿真结果进行可视化.以凝汽器故障诊断的为例,总结了凝汽器的故障集、征兆集和故障特征数据.利用SOM网络进行仿真并对其结果进行可视化分析,表明SOM网络可视化方法具有故障模式识别能力,是一种可行有效的凝汽器故障诊断方法.     

基于神经网络的汽车防抱死系统故障模式识别

汽车故障诊断需要采集汽车各系统动态信号,对采集信息进行分析处理,确认其是否属异常表现,预测故障发展趋势。提出了一种采用BP神经网络获得对ABS故障模式识别预测的方法,采用BP算法对故障样本进行分类,通过对故障实例的训练和学习,提高了ABS执行器与传感器发生故障时的行为模式识别与诊断的能力。仿真结果表明了该方法的有效性。     

基于改进一维残差网络的轴承故障诊断

针对现有一维卷积网络和残差网络在故障诊断方面的不足,本文将一维卷积网络与残差网络相结合,提出了一种基于改进一维残差网络的轴承故障诊断方法。该方法通过添加一条残差连接通道的方式,增加残差网络宽度,以学习更丰富的特征,提高故障诊断准确率。利用6种轴承状态对所提方法的分类效果进行了测试。实验结果表明,所提方法能直接利用振动信号,在较小训练与测试样本比的情况下实现故障诊断,当训练样本为90,测试样本为810(训练与测试样本比为1:9)时,驱动端故障诊断的正确率为99.6%;当训练样本为270,测试样本为630(训练与测试样本比为3:7)时,风机端故障的正确率为97.3%。     

基于KPCA-SOM网络的列控RBC系统故障诊断方法

无线闭塞中心(RBC)系统是CTCS-3级列控系统的核心设备,在现场其故障分析主要依靠人工完成,诊断结果不精确、效率低。因此,提出了基于one-hot模型、核主元分析(KPCA)和自组织映射(SOM)网络的RBC系统智能故障诊断方法。首先,通过人工选取的故障特征词库和故障追踪记录表构建基于“one-hot”模型的故障文档矩阵;其次,利用核主元分析方法对故障文档矩阵进行降维降噪处理,避免信息冗余;最后将处理后的数据输入至SOM网络,训练生成KPCA-SOM故障分类模型。通过与BP神经网络算法、SOM网络算法比对分析,KPCA-SOM智能诊断方法可有效地对列控RBC系统常见故障类型进行区分,并且在准确率和处理效率上进一步优化提升。     

基于粗集约简预处理的模拟电路故障诊断

基于人工神经网络的智能故障诊断系统作为人工智能技术在模拟电路故障诊断领域的应用,在实践中取得了一定的成效。但将神经网络用于电路故障诊断时,知识具有隐含性,可解释性差,且对输入数据的冗余难以约简,获得每一个训练样本都要进行一次测试或模拟计算,样本花费代价很大,而粗糙集理论作为处理不确定、不完整、不精确知识的有力工具,具有强大的知识约简和定性分析能力。因此,该文提出了对模拟电路的故障特征进行粗集约简预处理研究的智能诊断方法。并举例说明诊断系统的具体实现方法,仿真结果表明:在相同的精度要求下,该算法的训练时间远小于普通的进化神经网络,对模拟电路的故障诊断有一定的实际意义。     

基于Bagging-MCNN模型的不均衡样本轴承故障诊断方法

针对轴承不均衡样本情景下故障诊断存在的精度与泛用性不高问题,借鉴集成学习获取强监督模型的方法,结合对不均衡样本进行采样处理的类别重组法,提出一种基于Bagging思路的多通道卷积神经网络(Bagging-MCNN)故障诊断模型。首先将原始数据进行标准化处理并划分为训练集与测试集,对训练集进行放回采样构造多个训练子集,同时对测试集进行乱序操作;然后将构造完成的新集合放入多通道卷积神经网络模型进行训练,获得各卷积网络子模型的判别矩阵,融合所有判别矩阵获得最终的诊断结果。在公开轴承数据集上进行试验验证,结合Bagging思路的多通道卷积神经网络故障诊断方法在均衡以及不均衡情景下的诊断精度相较普通卷积神经网络模型,分别提高了1.1%与10.8%,同时提高了模型的收敛速度以及诊断稳定性。     

结合特征在线选择与协方差矩阵的压缩跟踪算法

本文从3个方面对原始压缩跟踪算法进行改进,以提高其在复杂场景下的鲁棒性和准确性。首先,提出一种结合特征在线选择的压缩跟踪算法,通过计算相邻两帧同维特征所服从的高斯分布曲线的Hellinger距离来度量特征的置信水平,从特征池中选择置信水平较高的特征,并融合特征的置信水平构造贝叶斯分类器。然后,在压缩跟踪框架下引入协方差矩阵以增强算法对目标的表达能力,把Haar-like特征和协方差矩阵相结合构建目标模型,取最大响应值所对应的候选样本作为跟踪结果。最后,优化分类器参数的更新方式,根据目标模板与跟踪结果的相似度来自适应更新分类器参数。改进算法的平均跟踪成功率比原算法提高了25%,平均跟踪精度比原算法提高了22%。相比于原始压缩跟踪算法,本文算法具有更高的跟踪鲁棒性和准确性。     

液压支架液压系统故障仿真与诊断技术研究

针对目前支架液压系统故障诊断中获取故障数据较难等问题,提出了一种基于故障模拟仿真的支架液压系统故障诊断方法。在分析支架液压系统工作原理和常见故障的基础上,利用AMESim软件对其常见故障工况进行模拟仿真并采集样本数据,采用BP神经网络的故障诊断算法通过MATLAB软件进行故障仿真训练和诊断测试。结果表明,该方法具有较高准确性和可靠性,达到了预期目标,可用于支架液压系统的故障诊断,并为进一步开展支架液压系统智能故障诊断和健康监测奠定了研究基础。     

应用人工蜂群算法的动态波达方向跟踪

针对目标信号源波达方向(DOA)的实时变化,将人工蜂群算法应用于最大似然函数的优化,实现了动态目标DOA的实时跟踪。首先,提出了一种可变遗忘因子的自适应样本协方差矩阵更新方法,该方法可根据目标信号源DOA变化的快慢自适应调整历史数据和当前采样数据在协方差矩阵中所占的权重,从而保证在获得较小稳态误差的同时又可获得较快的跟踪速度。然后,直接应用了性能优越的最大似然估计方法,避免了子空间跟踪类算法需要不断重复特征值或奇异值分解等问题。最后,采用人工蜂群仿生智能算法对似然函数的求解进行优化,从而极大地减少了算法的计算量,保证了算法的快速性和实时性。实验结果表明:在单快拍采样的情况下,信噪比为0dB时,跟踪两个目标信号源的均方根误差为0.995 2°,基本达到了阵列信号处理中目标跟踪方法的设计要求。     

基于神经网络的滚动轴承故障诊断方法的研究

神经网络是一种具有非线性映射能力强以及自学习、自组织、自适应等优点的智能方法,非常适合于滚动轴承的故障诊断。针对滚动轴承是机械设备重要的易损零件之一,大约有30%的故障是由轴承损坏引起的,提出了基于神经网络的滚动轴承故障诊断方法。以滚动轴承小波分解后的能量信息作为特征,通过神经网络作为分类器对滚动轴承故障进行识别、诊断。实验表明,该方法对于滚动轴承的故障诊断具有良好的效果和应用价值,并可方便地推广到其他类似的诊断领域。     

涡轮泵实时故障检测的快速支持向量机算法

提出了一种基于边界样本的快速支持向量机(support vector machine,SVM)算法用于液体火箭发动机涡轮泵实时故障检测。算法按一定步长将涡轮泵振动信号分段,再将每个步长信号平分为多段且计算每段信号的均方根、裕度因子和峭度,并将之组合为3维向量作为故障特征,以每个步长信号中的故障样本点数目作为判断故障的依据;算法采用条件正定核函数计算原始样本集中正常样本与故障样本之间的距离,选择边界样本作为新的训练样本集,并以此计算支持向量并构造决策函数。用某型号涡轮泵振动加速度信号对算法进行验证,结果表明对包含5 600个故障样本和5 600个正常样本的原始训练样本集,算法的训练时间为0.68 s。对时长20.80 s的待检信号,算法检出故障时刻为20.43 s,比故障真实出现时刻晚0.42 s(在0.5 s之内)。该算法大幅度提高了训练速度与分类速度,具备良好的精确性与实时性。