免疫混沌粒子群算法及其在热工辨识中的应用

提出了一种基于免疫和混沌的改进PSO算法(ICPSO),该算法利用了混沌优化的多样性,结合免疫的克隆和交叉变异的原理来初始化和更新粒子群。仿真实验表明,相较于传统的PSO有收敛速度更快、精度更高、不易陷入局部最优的优点。最后采用ICPSO算法对两个典型函数的无约束极值问题和典型二阶传递函数模型辨识问题进行求解,验证了其收敛性和摆脱局部极值点的能力明显优于基本PSO算法。     

基于粒子群优化算法的磁流变阻尼器多项式动力学建模方法

为提高磁流变阻尼器（MRD）多项式动力学模型精度,提出了基于粒子群优化（PSO）算法的多项式模型建模方法。搭建了MRD试验平台,利用测得的力学特性数据,辨识并对比分析了传统多项式与Chebyshev多项式模型;运用PSO算法,结合Lagrange插值方程和实测数据优化插值节点,经MATLAB Simplify函数化简,构建了多项式动力学模型;研究优化插值节点的PSO算法流程及主要步骤,分析比较PSO算法与Chebyshev模型的12阶多项式建模平均累积相对误差。研究表明,在正弦激励频率1 Hz、振幅15 mm、电流0~1.5 A工况下,PSO多项式建模方法比Chebyshev多项式模型相对误差下降了47.0%,能较好地反映MRD动力学特性,满足实际工程应用需要。     

基于T-S故障树和混合μPSO算法的可靠性优化方法

针对可靠性框图构造系统可靠度函数时需不交化处理的不足,提出了基于T-S故障树算法构造系统故障概率函数并结合可靠性费用函数构造可靠性优化模型的方法,降低了构造复杂系统可靠性优化模型的难度。针对微粒子群优化(μPSO)算法局部收敛性差、粒子群优化(PSO)算法全局搜索能力弱的不足,将μPSO算法和PSO算法进行综合,并结合死亡罚函数法构造了适应度函数,提出了混合μPSO算法,即μPSO-PSO算法。结合串联系统和桥式系统可靠性优化实例,考虑不同的粒子个数,证明了混合μPSO算法的优化结果比PSO算法、μPSO算法及PSO-μPSO算法的优化结果更为理想。     

一种基于免疫神经网络的故障检测方法

提出了一种基于径向基函数(RBF)免疫神经网络的故障检测方法,该故障检测方法由系统辨识、残差过滤和故障报警浓度等功能模块构成。系统辨识基于免疫RBF神经网络,用于故障检测的残差是通过对系统的模型输出与系统的实际输出进行在线比较得到的。在克隆选择算法的亲和力函数中引入泛化能力干涉因子,增强了RBF网络的泛化能力。在该故障检测方法中,通过过滤残差和引入故障报警浓度,使得故障检测仅对因故障引起的残差敏感。并联机器人的故障检测实例表明,该方法能够有效地检测和定位出驱动器故障和传感器故障,具有良好的容噪性能。     

一种改进的机器人动力学参数辨识方法

机器人动力学模型是机器人相关研究的基础,而动力学参数辨识是获得动力学模型的有效途径之一.针对机器人动力学参数的辨识问题,提出了由外关节向内关节逐一辨识的方法.并以傅里叶级数作为激励轨迹的基本函数形式,设计了关节激励轨迹.然后利用粒子群优化方法 PSO(Particle Swarm Optimization),以最小化辨识系数矩阵的条件数为目标函数,优化设计了激励轨迹,以提高辨识过程中的抗干扰能力.最后在Simulink中借助SimMechanics模块仿真验证了文中方法的有效性,同时也验证了文中的激励轨迹优化方法可增强辨识过程的抗干扰能力,提高辨识精度.     

融合KPCA与PSO-RBF的数控机床故障诊断研究

针对数控机床发生故障时多故障源、多变量、强耦合的特点和RBF神经网络结构参数选取依据经验的问题,提出一种融合核主元分析方法(kernel principal component analysis,KPCA)与粒子群算法优化RBF神经网络的数控机床故障诊断方法。首先,对所测信号利用核主元分析方法进行降噪、拨冗余,提取故障特征;其次,利用粒子群算法(Particle swarm optimization,PSO)优化RBF神经网络隐层节点中心和宽度;最后,将经KPCA提取的故障特征作为输入,建立PSO优化RBF的故障诊断模型。通过某数控床伺服系统七种常见故障特征仿真实验,结果表明:与RBF神经网络、PSO优化RBF神经网络相比,融合KPCA和PSO优化RBF神经网络的故障诊断方法不仅提高了网络的训练速度及泛化能力,而且具有更高辨识精度。     

基于萤火虫优化的核自动编码器在中介轴承故障诊断中的应用

随着科技进步与工业规模的快速壮大,现代工业监测领域步入大数据时代,如何自动地从大规模原始信号中提取故障特征并诊断是一个重要课题。为了提高深度自动编码网络处理非线性问题的能力,提出一种基于核函数与去噪自动编码器(Denosingauto-encoder,DAE)的深度神经网络方法。采用径向基核函数改进传统的去噪自动编码器,提出核去噪自动编码器(Kernel denosing auto-encoder, KDAE);构建包含一个KDAE层与多个AE层的深度神经网络对故障特征进行层层提取,并添加softmax分类层;采用误差反向传播算法对网络参数进行微调,并采用混沌萤火虫算法优化核参数与深度网络中的待定参数,得到故障诊断模型。针对传统自动编码器泛化性较差的问题,在目标函数中添加L2惩罚项。通过航空发动机中介轴承典型故障试验数据,验证了所提方法与传统去噪自动编码网络相比能够得到更高的准确率。     

基于改进郊狼算法与极限学习机的工业金刚石检测

为了提高工业金刚石的检测效率、保障产品质量，提出一种基于改进郊狼算法与极限学习机的工业金刚石检测方法。将工业金刚石视频图像按照一定时间序列分解为一组较为平稳的、形态单一的二维图像数据；利用深度卷积网络Inception-V3对多视角二维图像数据建立预测模型；在此基础上，以预测结果为输入构建极限学习机模型，并利用反向学习和莱维飞行改进的郊狼算法优化极限学习机输入权值和阈值，提高工业金刚石模型的检测精度。最后将该模型的检测结果与基本极限学习机、差分进化算法、粒子群优化算法和基本郊狼算法优化的极限学习机模型检测结果比较表明，该模型具有良好的检测精度和泛化能力，对于工业金刚石的质量检测具有指导意义。     

基于径向基函数神经网络的板形模式识别研究

针对板带轧制过程中用于辨识板形模式的网络精度较低、在线速度较慢和获得网络辨识模型较复杂的问题,提出了一种基于径向基函数神经网络（RBF）的板形模式识别方法。该方法使输入节点减少,网络模型简化,并用模糊C均值算法和伪逆法确定RBF网络的参数,解决了传统方法学习时间较长的问题。实验表明,该方法能有效的提高板形模式识别的精度和速度。     

基于两类特征与AFSA优化SVM的滚动轴承故障诊断研究

针对非线性、非平稳的滚动轴承振动信号特征"难表征"和基于支持向量机(Support vector machine, SVM)的故障分类模型"精度低"的问题,提出一种基于变分模态分解(Variational Mode Decomposition,VMD)、峭度图(Kurtogram)与人工鱼群算法(Artificial Fish Swarm Algorithm,AFSA)优化SVM相结合的滚动轴承状态辨识方法。首先,利用Kurtogram算法、相关系数最大准则"筛选"出原信号经VMD后包含有效故障信息的本征模函数(Intrinsic Mode Functions, IMF),并计算其形态谱熵和能量熵构建有效特征向量集;其次,利用AFSA寻找最优的惩罚系数C和高斯核宽度系数σ的核函数系数组合(C、σ);并将有效特征向量集作为上述算法的输入建立滚动轴承状态辨识模型。实验结果表明,所提方法不仅能凸显原信号中的有效故障成份,同时也提高了模型学习效率和分类精度。     

An improved PCA method with application to boiler leak detection

Principal component analysis (PCA) is a popular fault detection technique. It has been widely used in process industries, especially in the chemical industry. In industrial applications, achieving a sensitive system capable of detecting incipient faults, which maintains the false alarm rate to a minimum, is a crucial issue. Although a lot of research has been focused on these issues for PCA-based fault detection and diagnosis methods, sensitivity of the fault detection scheme versus false alarm rate continues to be an important issue. In this paper, an improved PCA method is proposed to address this problem. In this method, a new data preprocessing scheme and a new fault detection scheme designed for Hotelling's T2 as well as the squared prediction error are developed. A dynamic PCA model is also developed for boiler leak detection. This new method is applied to boiler water/steam leak detection with real data from Syncrude Canada's utility plant in Fort McMurray, Canada. Our results demonstrate that the proposed method can effectively reduce false alarm rate, provide effective and correct leak alarms, and give early warning to operators.     

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。     

Ensemble semi-supervised Fisher discriminant analysis model for fault classification in industrial processes

In this paper, an ensemble form of the semi-supervised Fisher Discriminant Analysis (FDA) model is developed for fault classification in industrial processes. This method uses the K Nearest Neighbor (KNN) algorithm to merge the metric level outputs, which are obtained by the sub-classifiers in the ensemble model, to get the final classification result. An adaptive form is further proposed to improve the classification performance by putting forward to a new method of weight adjustment. While semi-supervised learning can generate a better model by exploiting additional information contained in unlabeled data, ensemble learning achieves the promotion of algorithm robustness by integrating a series of weak learners. In addition, the property of diversity in ensemble learning can be boosted by incorporating different unlabeled data to different weak learners. Therefore, the combination of those two methods can achieve great generalization for the fault classification model. The performances of two proposed methods are evaluated through an industrial benchmark process.     

基于自注意力机制的深度学习模拟电路故障诊断

模拟电路是集成电路中的重要组成部分,基于深度学习技术对模拟电路发生的故障进行检测,并精准识别故障的类型是当前集成电路测试领域的研究热点。针对模拟集成电路故障检测存在困难的问题,利用人工智能在图像识别领域、语音分类领域的先进技术,提出了基于自注意力机制检测Sallen-Key型低通滤波电路故障的深度学习模拟电路故障检测方案,将输出信号采样成音频信号,并将其输入到自注意力变换网络的音频分类模型中进行训练、测试和优化。结果表明,通过自注意力变换网络音频分类在9种不同的故障类型诊断中,平均准确率达93.1%,最高准确率达98.1%。该模型收敛速度更快,具有较强的模拟电路故障检测能力。     

主元分析方法的故障可检测性研究

主元分析（PCA）是一种有效的多元统计过程监测方法，PCA监测方法不依赖于过程的精确数学模型，这使得其难以对故障的可检测性问题进行系统的研究，基于故障子空间的描述方式，本文在主要元子空间的残差子空间中分别讨论了PCA故障可检测性的充分和必要条件，并提出了临界故障值的概念，通过对双效蒸发过程的仿真故障检测，表明所获得的结果能较好地刻画PCA的故障检测行为。     

多尺度特征自适应融合的气动控制阀故障诊断

气动控制阀作为过程工业典型的终端执行机构,由于故障发生率高、故障类型繁多,导致故障识别难度大,且故障后果 严重,因此对其进行智能的故障检测和诊断具有重要的实际意义。 本文提出了一种多尺度特征自适应融合网络用于气动控制 阀故障诊断。 首先,搭建了融合自注意力机制的多尺度特征提取网络自动提取信号的空间特征和细节特征。 然后,设计了权重 自适应特征融合网络对多尺度特征加权融合,提高模型对故障特征的表征能力。 最后,由长短时记忆神经网络和 SoftMax 函数 实现特征识别和故障分类。 实验结果表明,该模型在 DAMADICS 阀门基准实验平台上的平均检测准确率达到 96. 82% ,均高于 其他对比模型。 与最近发表文献中的检测结果对比发现,本文开发的模型在可检测的故障数量和检测准确率方面也具有一定 的优势,并且通过实验验证了模型的检测性能。     

Broken Rotor Bar Fault Detection of Induction Motors Using a Joint Algorithm of Trust Region and Modified Bare-bones Particle Swarm Optimization

A precise detection of the fault feature parameter of motor current is a new research hotspot in the broken rotor bar(BRB) fault diagnosis of induction motors. Discrete Fourier transform(DFT) is the most popular technique in this field, owing to low computation and easy realization. However, its accuracy is often limited by the data window length, spectral leakage, fence e ect, etc. Therefore, a new detection method based on a global optimization algorithm is proposed. First, a BRB fault current model and a residual error function are designed to transform the fault parameter detection problem into a nonlinear least-square problem. Because this optimization problem has a great number of local optima and needs to be resolved rapidly and accurately, a joint algorithm(called TR-MBPSO) based on a modified bare-bones particle swarm optimization(BPSO) and trust region(TR) is subsequently proposed. In the TR-MBPSO, a reinitialization strategy of inactive particle is introduced to the BPSO to enhance the swarm diversity and global search ability. Meanwhile, the TR is combined with the modified BPSO to improve convergence speed and accuracy. It also includes a global convergence analysis, whose result proves that the TR-MBPSO can converge to the global optimum with the probability of 1. Both simulations and experiments are conducted, and the results indicate that the proposed detection method not only has high accuracy of parameter estimation with short-time data window, e.g., the magnitude and frequency precision of the fault-related components reaches 10~(-4), but also overcomes the impacts of spectral leakage and non-integer-period sampling. The proposed research provides a new BRB detection method, which has enough precision to extract the parameters of the fault feature components.     

基于改进IGG3权函数距离误差模型的工业机器人标定

在工业机器人的标定过程中,测量粗差数据会对标定结果精度产生影响,为此,提出了一种基于改进IGG3权函数距离误差模型的工业机器人标定方法,将改进的IGG3权函数最小二乘辨识算法用于工业机器人距离误差标定中,以进一步提高工业机器人的标定精度。以SR4C型工业机器人为研究对象,建立了机器人距离误差数学模型,进行了IGG3权函数最小二乘辨识算法的理论研究。构建了机器人标定实验系统,进行了基于改进IGG3权函数距离误差模型的工业机器人标定实验,实验结果表明,所提方法可有效减小粗差数据对标定精度的影响。该方法可用于工业机器人标定和校准领域,以提高工业机器人定位精度。     

Recursive fuzzy c-means clustering for recursive fuzzy identification of time-varying processes

In this paper we propose a new approach to on-line Takagi-Sugeno fuzzy model identification. It combines a recursive fuzzy c-means algorithm and recursive least squares. First the method is derived and than it is tested and compared on a benchmark problem of the Mackey-Glass time series with other established on-line identification methods. We showed that the developed algorithm gives a comparable degree of accuracy to other algorithms. The proposed algorithm can be used in a number of fields, including adaptive nonlinear control, model predictive control, fault detection, diagnostics and robotics. An example of identification based on a real data of the waste-water treatment process is also presented.     

基于粒子群优化的核主元分析特征的提取技术

针对核主元分析在参数设置上的盲目性,提出应用粒子群优化算法优化核函数参数.并将核主元分析应用于特征提取中.首先建立核函数参数优化的数学模型,然后应用加速度自适应粒子群优化算法对其寻优,并通过Iris数据集进行仿真研究,验证其提取特征的有效性.将优化的核主元分析方法应用于齿轮箱典型故障的特征提取中,结果表明:参数优化的核主元分析能有效降低齿轮箱特征向量的维数,较线性主元分析取得更好的故障识别效果.该方法在机械故障信号的非线性特征提取中具有优势.