共查询到20条相似文献,搜索用时 62 毫秒
1.
2.
针对传统故障监测与诊断算法在船舶柴油发动机燃油系统应用中精度较低的问题,提出一种基于粒子群优化(Particle Swarm Optimization,PSO)算法优化核主成分分析(Kernel Principal Component Analysis,KPCA)和支持向量机(Support Vector Machine,SVM)的故障监测和诊断新方法。首先采用KPCA提取样本数据中的非线性特征,获取其高维信息,同时在特征空间中构建T~2和SPE统计量,实时监测故障的发生;对于监测到的故障样本,通过KPCA提取其非线性主成分,作为多分类SVM的输入样本进行故障模式识别,采用PSO算法分别对KPCA与多分类SVM的核函数参数、多分类SVM的惩罚因子进行优化,以提高故障监测和诊断模型的精度。船舶燃油系统故障监测和诊断试验结果表明,经过PSO优化后的KPCA-SVM故障监测和诊断模型的精度明显提高,验证了所提方法的优势和有效性。 相似文献
3.
滚动轴承处于早期故障阶段时,故障冲击特征成分难以提取,为了从轴承故障振动信号中提取特征参数,对轴承故障振动信号进行变分模态分解(Variational Mode Decomposition,VMD),得到若干个本征模态分量(IMFs),计算各个IMF的能量熵与样本熵,并利用主成分分析方法(PCA)对其进行特征融合。最后利用粒子群算法(PSO)优化的支持向量机(SVM)对融合特征进行故障模式识别。轴承故障实验分析结果表明,所提方法能够有效实现滚动轴承故障诊断。 相似文献
4.
针对变负载情况下滚动轴承故障信息难以提取、故障诊断精度低等问题,提出了一种基于包络谱灰色关联度的集合经验模态分解(EEMD)、核主元分析(KPCA)与径向基神经网络(RBF)相结合的滚动轴承故障诊断方法。该方法首先采用包络谱灰色关联度算法选择EEMD分解后的有效IMF分量,并对IMF分量进行加权,然后计算出加权后IMF分量的能量、峭度、偏度组成特征集,最后采用KPCA对特征集进行降维并将去除冗余后的特征集输入RBF中进行故障程度识别,实验结果表明此方法可以在变负载情况下有效的实现滚动轴承的故障程度的识别。 相似文献
5.
起重机齿轮箱的振动信号具有信噪比低、非线性的特点,需要一定的专业知识和经验才能实现故障诊断。为了实现起重机齿轮箱的智能故障诊断,提出了一种基于变分模态分解(Variation?al modal decomposition,VMD)改进小波降噪和粒子群算法(Particle swarm optimization,PSO)优化支持向量机(Support vector machine,SVM)的智能故障诊断方法。首先,利用VMD将振动信号分解,得到不同尺度的本征模态函数(Intrinsic mode function,IMF),将分解的高频分量进行改进小波降噪后和低频分量完成信号重构;然后,提取重构信号的特征参数构建特征向量,使用核主分量分析(Ker?nel principal component analysis,KPCA)对向量降维处理实现特征信息融合;最后,利用PSO优化后的SVM进行故障识别分类。实验验证表明,基于VMD改进小波信号预处理和PSO算法优化SVM的模型具有很高的识别准确率,能够有效、准确地对起重机齿轮箱的故障类型进行识别和分类。 相似文献
6.
《制造业自动化》2020,(6)
为解决往复式压缩机故障诊断难度大且准确率不高的问题,提出一种利用小波包分解和基于PSO优化RBF神经网络的故障诊断方法。该方法利用小波包多层分解对压缩机进行故障特征的提取;针对RBF神经网络易陷入局部最优问题,通过减聚类算法计算出神经网络隐含层的最优节点数,排除人为指定超参数的不确定性。再利用改进后的PSO算法对RBF神经网络的内部参数进行全局寻优;将提取到的故障特征输入到优化后的RBF神经网络,实现对往复式压缩机的故障诊断。实验将压缩机气阀振动信号作为信号源,对上述诊断方法进行验证并与基于BF神经网络和未经优化的RBF神经网络两种诊断方法进行对比。结果表明,该诊断方法具有更好的诊断效果和更高的准确率。 相似文献
7.
基于粒子群优化径向基神经网络在模拟电路故障诊断中的应用 总被引:1,自引:0,他引:1
为检测和诊断模拟电路中的故障,提出粒子群算法优化RBF神经网络的故障诊断方法,即把通过特征提取获得的模拟电路故障特征量作为神经网络的输入,然后利用训练好的粒子群优化后的RBF神经网络进行故障诊断. 结果表明,该方法具有良好的分类效果,能够提高诊断精确度,对于模拟电路的故障是一种有效的诊断方法. 相似文献
8.
现代智能物流供应链依靠物联网信息网络平台大大提高了物流效率;但是平台频繁受到分布式拒绝服务(DDo S)攻击而出现故障,甚至是瘫痪。针对这一问题,提出了基于核主元分析(KPCA)和粒子群优化-支持向量机(PSO-SVM)的物流供应链信息安全检测新方法。该方法不需要先验知识,首先通过KPCA提取入侵数据重要的非线性特征,避免了原始数据高维特征的复杂性与冗余干扰;其次,在利用提取的特征训练SVM检测模型时,应用粒子群优化(PSO)算法优化支持向量机(SVM)结构参数,以获得良好的模型泛化能力。通过实际环境下DDo S检测实验结果表明,所提出的方法提高了检测率和检测速度,减少了误报率,且检测性能高于目前常采用的主成分分析(PCA)法。 相似文献
9.
针对异步电机故障振动信号具有较强的非线性特征,而传统的线性分析方法易造成振动信号非线性成分的丢失这一情况,提出一种核主元分析和粒子群支持向量机相结合的异步电机故障诊断方法。利用核函数实现输入空间到高维特征空间的非线性映射以及对映射数据的主元分析,得到原始样本的非线性主元,实现特征提取和数据压缩,将获得的核主元特征通过支持向量机进行模式识别。采用距离比值法和粒子群算法分别对核主元分析和支持向量机的参数进行双重优化选择。实验结果表明,该方法能有效提取故障信号的非线性特征,具有较强的非线性模式识别能力,相比主元分析和支持向量机方法,分类效果更好,实时性更强,可快速有效实现异步电机故障诊断。 相似文献
10.
针对复杂恶劣环境下机组热力参数的数据监测及传感器故障诊断问题,建立了融合机理分析、核主元分析(kernel principle component analysis,简称KPCA)与径向基神经网络(radial basis function,简称RBF)的发电机组热力参数预测及传感器故障检测模型。首先,根据机理分析得到完备的辅助变量集,并利用核主元分析提取辅助变量的特征信息以有效处理发电机组中高维、强耦合的非线性数据;其次,将主元变量集输入径向基神经网络进行学习,实现热力参数的重构;最后,基于预测模型与窗口移动法实现传感器的故障诊断,并对故障数据进行及时修复和准确替换。以燃气轮机排气温度为例进行验证的结果表明,该预测模型具有更高的精度和泛化能力,能在传感器故障发生初期及时发现并识别故障类型,检测效果优良。 相似文献
12.
13.
分析阀门开闭引起管路液力冲击的机理,计算换向阀换向时管路实际压力冲击突变值及换向阀阀芯所受液动力并进行实验验证。 相似文献
14.
为了给交流异步电机伺服系统提供必要的设计数据,根据SVPWM的基本原理和实现算法,基于MATLAB/Simulink平台搭建了SVPWM仿真模型,将该模型应用到异步电机的矢量控制系统中进行了仿真。结果表明,SVPWM控制方式提高了整个系统运行的稳定性和可靠性。 相似文献
15.
16.
17.
18.
19.
基于PKI技术的PMI的研究与实现 总被引:2,自引:0,他引:2
身份认证和权限管理是网络安全的两个核心内容。研发了一个基于公共密钥基础设施技术的权限管理基础设施系统。提出了一个基于属性证书和条件化的基于角色的访问控制、进行权限管理的权限管理基础设施访问控制模型,提供了属性证书的两种提交方式,即“推”模式和“拉”模式,并在此模型的基础上给出了该系统的实现,最后给出了该系统的一个应用实例。实践证明,该系统提供了一个较好的解决方案和实现,基本上能够满足大型应用(上百万用户)的用户需求。 相似文献
20.
《机械制造与自动化》2015,(6)
电力行业中广泛应用的手车式大电流开关柜在用电高峰期,长时间满负荷运行的情况下,由于各种原因大多存在温升超标问题,对供电设备的安全和供电可靠性构成较大的威胁。分析了开关柜温升过高导致的开关柜故障类型及温升过高产生的原因,探讨温升过高问题的改进措施和解决方案。 相似文献