一种基于LLE特征融合的故障识别方法

针对传统的故障识别中未能充分利用特征信息的问题,提出一种基于局部线性嵌入(LLE)特征融合的故障识别方法,通过初步提取信号时域和时频域的特征获得原始特征集,利用LLE算法对原始特征集进行二次特征提取,进一步融合两组特征集并使用KNN算法进行故障识别。仿真信号数据分析与实际故障分析证明了所提方法对故障样本识别的可行性和有效性。     

基于图像处理的光纤预警系统模式识别

针对相位敏感光时域反射计(Φ-OTDR)光纤预警系统对一维信号进行模式识别产生的误报和较低的识别效率,提出基于形态学方法提取时空二维信号特征,并利用相关向量机(RVM)分类器对事件进行分类识别的方法。首先,将Φ-OTDR采集到的时空二维信号当作图像,根据信号在图像上的特征采用图像处理的方法对不同入侵事件信号进行阈值分割。然后,基于本文提出的特征提取方法,利用不同事件区域在幅值、面积、形状以及区域间隔上的差别提取不同信号特征。最后,利用相关向量机分类器对不同事件信号进行识别并采用"一对一"的多分类策略。对3种管道安全事件进行了实验。实验结果表明,本文提出方法的识别精度能够达到97.8%,而算法时间不到1s。与传统模式识别方法相比,提出的算法大幅度地改善了系统性能,且简便易行,能够满足Φ-OTDR光纤预警系统在线实时监测的要求。     

基于深度学习特征提取和粒子群支持向量机状态识别的齿轮智能故障诊断

针对齿轮故障诊断问题,利用数理统计特征提取方法、深度学习神经网络、粒子群算法和支持向量机等技术,提出了一种基于深度学习特征提取和粒子群支持向量机状态识别相结合的智能诊断模型。该模型利用深度学习自适应提取的频谱特征与数理统计方法提取的时域特征相结合组成联合特征向量,然后利用粒子群支持向量机对联合特征向量进行故障诊断。该模型在对多级齿轮传动系统试验台的故障诊断中实现了中速轴大齿轮不同故障类型的可靠识别,获得了满意的诊断结果。应用结果也验证了基于深度学习自适应提取频谱特征的有效性。     

A computer-aided inspection planning system for on-machine measurement — Part II: Local inspection planning —

As a part II of theis research, new local inspection planning strategy is proposed in this paper based on the proposed inspection feature extraction method. In the local inspection planning stage, each feature is decomposed into its constituent geometric elements for more effective inspection planning. The local inspection planning for the decomposed features are performed to determine: (l) the suitable number of measuring points, (2) their locations, and (3) the optimum probing paths to minimize measuring errors and times. The fuzzy set theory, the Hammersley’s algorithm and the TSP method are applied for the local inspection planning. Also, a new collision checking algorithm is proposed for the probe and/or probe holder based on the Z-map concept. Finally, the results are simulated and analyzed to verify the effectiveness of the proposed methods.     

基于压缩频响函数的结构损伤识别

结构的损伤识别可作为一个优化问题来处理。本文直接应用频响函数(FRF)进行结构的损伤识别。通过对FRF的主成分分析(PCA)实现数据压缩和特征提取,建立基于压缩FRF的优化目标函数。为了提高算法的收敛速度,以结合局部搜索算法(LS)的遗传算法(GA)为优化工具,并进一步结合子结构识别法来求解。基于桁架的计算结果表明,这种方法具有很好的鲁棒性和识别效果。     

综合改进奇异谱分解和奇异值分解的齿轮故障特征提取方法

针对齿轮故障特征微弱，在强背景噪声下难以有效提取的问题，提出了一种改进奇异谱分解（ISSD）结合奇异值分解（SVD）的齿轮故障特征提取方法。针对奇异谱分解（SSD）算法中模态参数需凭经验选取的缺陷，基于散布熵优化算法对SSD算法进行了改进，在得到既定的一组奇异谱分量的基础上，根据峭度值最大准则筛选出了最佳奇异谱分量并进行了SVD处理，采用奇异值能量标准谱自适应地确定了信号重构阶数以还原信号和提高降噪效果。最后对信号进行包络解调以提取齿轮故障特征，将所提方法运用到仿真信号和齿轮实测信号中，并同传统包络谱、SSD包络谱以及经验模态分解结合SVD(EMD-SVD)方法进行了对比分析，结果表明，所提方法的降噪和特征提取效果更佳，能够更加有效地实现齿轮故障的判别。     

基于最小熵解卷积-变分模态分解和优化支持向量机的滚动轴承故障诊断方法

提出了一种基于最小熵解卷积和变分模态分解以及模糊近似熵的故障特征提取方法,并采用优化支持向量机对故障进行识别分类。首先利用最小熵解卷积方法降低噪声干扰并增强故障信号中故障特征信息,进而对降噪后的信号进行变分模态分解,并利用模糊近似熵量化变分模态分解后包含故障特征信息的模态分量以构建特征向量,之后通过采用扩展粒子群算法优化惩罚因子和核函数参数的支持向量机,对故障样本训练并完成故障识别分类。将所提方法应用于滚动轴承不同损伤程度、不同故障部位的实验数据,验证了该方法的有效性。与基于局部均值分解的特征提取方法相对比,结果表明所提方法可以更精确地提取出滚动轴承故障特征,并能够更准确地完成不同故障的识别;通过与基于网格寻优算法优化的支持向量机方法和基于扩展粒子群优化的最小二乘支持向量机方法相对比,结果表明所提方法具有更好的分类性能,能达到更好的诊断效果。     

基于信源估计和频域反卷积的滚动轴承故障特征分离与辨识

针对轴承故障的振动特征由于受到强振源的抑制作用而增加了故障分离与辨识难度的问题,建立了基于信源估计和频域反卷积的故障诊断方法。利用小波包分解将信号分离成多个子带信号,并和奇异值分解相结合,解决欠定条件下的信号源数估计问题;根据估计的源数,选取相应维数的观测信号,通过短时傅里叶变换、复数域独立分量分析、相关排序、短时傅里叶逆变换,完成频域反卷积的分析过程,实现故障特征的分离与提取。仿真信号和实验数据均验证了该方法在故障特征分离与微弱特征辨识中的有效性。     

基于改进核模糊聚类算法的软测量建模研究

针对发酵过程软测量建模采用单模型建模方法存在计算量大和精度较差的问题,提出一种基于改进核模糊聚类算法的多模型神经网络软测量建模方法.该方法首先使用主元分析方法对样本数据进行数据处理,所得主元变量作为模型的输入变量,然后使用基于粒子群优化算法的核模糊C均值聚类算法(PSKFCM)对数据集作聚类划分,最后针对每个聚类建立局部神经网络模型,多个局部神经网络模型估计结果的融合即为软测量模型的输出.将所提建模方法应用于红霉素发酵过程生物量浓度软测量建模,结果表明所建软测量模型具有较高的精度和良好的泛化能力.     

Parameters identification of Van der Pol–Duffing oscillators via particle swarm optimization and differential evolution

Many of the proposed approaches for non-linear systems control are developed under the assumption that all involved parameters are known in advance. Unfortunately, their estimation is not so simple because the nature of the non-linear behaviors is very complex in the most part of the cases.In view of this complication, parameters identification of non-linear oscillators has attracted increasing interests in various research fields: from a pure mathematical point-of-view, parameters identification can be formalized as a multi-dimensional optimization problem, typically over real bounded domains. In doing this, the use of the so-called non-classical methods based on soft computing theories seems to be promising because they do not require a priori information and the robustness of the identification against the noise contamination is satisfactory. However, further studies are required to evaluate the general effectiveness of these methodologies. In this sense, the paper addresses the consistency of two classes of soft computing based methods for the identification of Van der Pol–Duffing oscillators. A large numerical investigation has been conducted to evaluate the performances of six differential evolution algorithms (including a modified differential evolution algorithm proposed by the authors) and four swarm intelligence based algorithms (including a chaotic particle swarm optimization algorithm). Single well, double well and double-hump oscillators are identified and noisy system responses are considered in order to evaluate the robustness of the identification processes. The investigated soft computing techniques behave very well and thus they are suitable for practical applications.     

基于启发式搜索策略的牙齿生物特征线提取技术

牙齿生物特征线的提取是数字化口腔修复体设计的关键环节,针对现有的全局特征提取算法难以准确实现生物特征线提取的局限,提出了一种基于启发式搜索策略的牙齿生物特征线提取技术。首先分析牙齿预备体三角网格模型的特征信息;其次在提取过程中设计启发函数评估最优特征点,自适应地提取生物特征线,并对提取结果进行形态优化以保证提取质量;最后通过对100余例临床牙齿预备体数据进行生物特征线提取实验,验证了算法的有效性和实用性。     

基于单试验脑电图的n-back任务中的脑力负荷分类

近年来，脑力负荷估计已经经历了广泛的研究，因为监测认知负荷的能力能够防止认知超负荷并且改善工作场所安全。脑电图（EEG）信号已经被发现是一种客观和非侵入性的脑力负荷的测量方式。然而，作为实时脑力负荷监测和脑机接口研究的重要一步，基于单试验EEG数据的认知负荷的评估一直是一个重大的挑战。最近，许多高级的特征提取方法和机器学习算法已经被采用于基于EEG的脑力负荷评估中。在本研究中，使用在具有2个难度水平的n back任务的执行期间记录的EEG数据进行了单试验脑力负荷分类，测试了3种类型的特征提取的有效性（谱功率、离散小波变换和公共空间滤波），并评估了4种分类算法的性能（支持向量机、K 近邻、随机森林和梯度推进分类器）。研究结果表明，公共空间滤波是性能最好的基于单试验的脑力负荷分类的特征提取方法，而且最佳性能可以通过将来自谱功率或离散小波变换的特征与来自公共空间滤波的特征相结合，并采用随机森林分类器来实现。这项研究可能对基于单试验脑电图数据的脑力负荷评估中的特征提取方法以及机器学习算法的选择提供一些有用的指导。     

Machinery fault diagnosis using supervised manifold learning

Fault diagnosis is essentially a kind of pattern recognition. How to implement feature extraction and improve recognition performance is a crucial task. In this paper, a new supervised manifold learning algorithm (S-LapEig) for feature extraction is proposed first. Via combining preserving the consistency of local neighbor information and class labels information, S-LapEig can not only gain a perfect approximation of low-dimensional intrinsic geometric structure within the high-dimensional observation data, but also enhance local within-class relations. Based on S-LapEig, a novel fault diagnosis approach is proposed. The approach extracts the intrinsic manifold features from high-dimensional fault data by directly learning the data, and translates complex mode space into a low-dimensional feature space, in which pattern classification and fault diagnosis are carried out easily. Comparing with other feature extraction methods such as PCA, LDA and Laplacian eigenmaps, the proposed method obviously improves the classification performance of fault pattern recognition. The experiments on benchmark data and engineering instance demonstrate the feasibility and effectiveness of the new approach.     

用形态梯度法与非负矩阵分解的齿轮故障诊断

振动信号处理与特征参数提取是实现齿轮智能故障诊断的关键。提出采用形态梯度算法对齿轮振动信号进行处理,既可以抑制噪声又可充分突出故障信号的冲击特征,能够在强噪声背景下有效地提取振动信号中反映齿轮工作状态的有用分量;在此基础上提出采用非负矩阵分解的特征提取方法对信号进行压缩,计算用于齿轮故障诊断的特征参量。结果表明,与传统的信号处理与特征参量提取方法相比,笔者提出的方法能够具有更高的分类精度,为准确判断齿轮工作状态提供了一种行之有效的新方法。     

用于结构件模型重建的特征参数提取技术

提出了一种基于测量数据的特征参数提取新方法。首先将特征的边界曲面分解为相互邻接的若干基准面,运用极大似然估计法单独对每个分块数据集进行曲面拟合;然后利用曲面间与坐标无关的关系将拟合曲面与特征基准面匹配,并将拟合曲面用于特征参数的初步计算;最后引入马氏距离来量化重构特征与测量数据之间的误差,对特征进行仿射变换使误差最小,得到优化的特征参数。     

ART算法中几种加权因子模型的研究

ART(algebraic reconstruction technique)算法是一种适合于投影数据采集量比较少的情况的图像重建算法。利用其进行图像重建时的主要工作是计算加权因子,该计算方法严重影响图像重建的重建质量和重建速度。讨论、研究并仿真了加权因子的三种计算模型,经比较分析最后得出了一种最优的重建模型。     

滚动轴承早期故障的多源多方法融合诊断技术

为了使滚动轴承故障的诊断效果更好,提出基于振动信号的滚动轴承多源多方法融合诊断技术。在融合方法中考虑小波分析、时延相关解调法和希尔伯特-黄变换(HHT)3种方法,采用3个传感器测试轴承座加速度,得到多源振动数据。利用3种方法得到的滚动轴承故障特征值,研究了9种融合方案,并利用支持向量机(SVM)进行了特征融合,讨论了不同方法和数据融合的诊断效果。经过实验验证和融合方案比较,表明了融合诊断方法的可行性和有效性     

一种面向订单剩余完工时间预测的SOM-FWFCM特征选择算法#br#

准确的订单剩余完工时间预测有助于动态调整生产计划、优化制造过程,以满足订单产品按时交付的需求。订单剩余完工时间受到车间物料、设备、在制品等各类生产要素的综合影响,相关数据具有典型的大量、多维、高冗余的特点,有效的特征选择能够获得更高的预测精度。在构建候选特征集的基础上,提出了一种基于自组织映射（SOM）网络特征加权模糊C均值（FWFCM）的特征选择算法。通过构建SOM网络初始化FWFCM的聚类中心,减少后者对初始聚类中心的依赖;基于互信息计算特征权重,实现导向性特征聚类,根据聚类结果选择特征代表,构成高质量关键特征子集。以某机加工车间的生产数据为例,通过与其他4种特征选择算法的对比分析,验证了所提算法的有效性。     

炭素制品缺陷X射线自动检测关键技术的研究

以炭素制品X射线检测图像为对象,对其关键技术进行了研究。设计了目标边界提取算法和基于小波变换的图像增强算法等预处理方法。采用数学形态学和迭代阈值分割相结合的方法进行缺陷提取,取得了良好的效果。制定了一套用于特征描述的参数,设计了基于遗传算法的特征选择策略,实现了对缺陷原始特征量的优化选择。利用BP神经网络分类器及选择的特征值对缺陷进行了模式分类。实验结果表明,本文提出的方法比较有效,可以用于实际缺陷的自动提取与识别。     

基于小波包变换和GA-PLS算法的故障特征选择方法

为了提高故障诊断的分类精度,减小分类运算时间等问题,需要从原始特征集合中选择出更为优化的特征子集合,因此,提出了一种基于小波包变换和GA-PLS算法的特征选择方法。首先,采用小波包变换对提取出的振动信号进行分解,从而得到小波包的分解系数;其次,运用遗传算法 偏最小二乘法从原始信号和小波包系数的统计学特征中选择出最优特征集;最后,将最优特征集作为输入,输入到支持向量机中以实现对不同故障的诊断与识别。应用于轴向柱塞泵故障诊断中,与现有特征选择方法对比,实验结果验证了本研究特征选择方法的有效性。