基于分形维数和GA-SVM的风电机组齿轮箱轴承故障诊断

对风机齿轮箱轴承故障诊断进行了研究,提出一种基于分形维数和遗传算法支持向量机(GA-SVM)相结合的故障诊断算法。基于常用的时域特征参数作为支持向量机的识别参数,引入分形维数特征参数来提升支持向量机的识别精度。提出了基于遗传算法(GA)的支持向量机参数优化的模型,通过GA的寻优自动获得最优的支持向量机参数。采用某风场的风电机组齿轮箱轴承数据进行故障诊断,实验表明,所提出的GA-SVM模型很好地解决了参数选择的问题,同时基于分形维数的特征参数也提高了风电机组轴承故障的识别准确率。     

基于非广延小波特征尺度熵和支持向量机的轴承状态识别

摘要：为了对轴承的运行状态进行有效的识别,以便进一步评估和预测轴承的寿命,提出了基于非广延小波特征尺度熵和Morlet小波核支持向量机（Morlet wavelet kernel support vector machine, MWSVM）的轴承运行状态识别的新方法。对采集到的轴承振动信号进行小波分解,得到相应的小波分解系数,在此基础上结合非广延熵理论提出了沿尺度分布的非广延小波尺度熵特征提取方法。但是通过小波特征尺度熵分析后获得的特征信息存在维数较高,特征信息间冗余严重的问题,因此,引入了流形学维数约简算法(locality preserving projection, LPP)进行敏感特征信息的提取,减少在特征信息提取过程中人为因素的干扰。以约简后的特征信息作为MWSVM的输入进行训练,建立轴承的状态识别模型,从而实现轴承状态的识别。通过对某轴承内圈正常状态和几种故障程度不同的状态进行识别,试验结果表明了方法的有效性。     

基于KSLPP与RWKNN的旋转机械故障诊断

针对旋转机械高维故障特征集识别精度低的问题,提出基于核监督局部保留投影（Kernel Supervised Locality Preserving Projection, KSLPP）与ReliefF特征加权的K近邻（ReliefF Weighted K-Nearest Neighbor, RWKNN）分类器相结合的维数约简故障诊断方法。该方法首先应用KSLPP提取故障特征集中的非线性信息,同时在降维投影过程中充分利用类别信息,使降维后最小化类内散度,最大化类间分离度;随后,将降维后得到的低维敏感特征集输入RWKNN进行模式识别,RWKNN能够突出不同特征对分类的贡献率,强化敏感特征,弱化不相关特征,提升了分类精度和鲁棒性。最后,通过典型转子实验台的故障特征集验证了该方法的有效性。     

粗糙核主元分析方法及其在故障特征提取中的应用

将粗糙集理论的属性约简与核主元分析方法结合起来,提出一种基于粗糙核主元分析的故障特征提取方法.该方法首先采用粗糙集理论的属性约简删除与分类无关或关系不大的特征,降低输入特征维数,排除干扰特征的影响,减小了特征提取计算量;然后再采用核主元分析方法进一步提取非线性特征;最后将该方法应用于轴承故障特征提取及故障识别中.应用结果表明,所提出的粗糙核主元分析方法(RKPCA)与传统的KPCA、PCA方法相比,使整个样本集的可分性变大,提高了分类正确率;同时还有效地降低了输入特征维数,提高了分类效率;并且对分类器具有较强的适应性和鲁棒性.     

基于正则化核最大边界投影维数约简的滚动轴承故障诊断EI北大核心CSCD

针对旋转机械故障诊断中故障样本获取困难的现状,提出一种基于正则化核最大边界投影(Regularized Kernel Maximum Margin Projection,RKMMP)维数约简的滚动轴承故障诊断方法。该方法首先利用RKMMP对小样本、少标记信息的混合故障样本集进行训练降维,然后将降维后的低维敏感特征子集输入到核极限学习机(Kernel Extreme Learning Machine,KLEM)分类器中进行故障识别。上述方法的特点是所提出的RKMMP能充分利用少量标记样本信息与大量无标记样本的故障信息,避免过学习的缺陷,同时通过添加正则化项克服小样本问题。滚动轴承故障模拟实验表明:该方法结合了RKMMP在维数约简和KLEM在模式识别上的优势,在一定程度上能提升故障诊断的泛化能力与识别精度。该研究可为解决好故障诊断中样本获取困难的问题,提供理论参考依据。     

基于正则化核最大边界投影维数约简的滚动轴承故障诊断

针对旋转机械故障诊断中故障样本获取困难的现状,提出一种基于正则化核最大边界投影(Regularized Kernel Maximum Margin Projection,RKMMP)维数约简的滚动轴承故障诊断方法。该方法首先利用RKMMP对小样本、少标记信息的混合故障样本集进行训练降维,然后将降维后的低维敏感特征子集输入到核极限学习机(Kernel Extreme Learning Machine,KLEM)分类器中进行故障识别。上述方法的特点是所提出的RKMMP能充分利用少量标记样本信息与大量无标记样本的故障信息,避免过学习的缺陷,同时通过添加正则化项克服小样本问题。滚动轴承故障模拟实验表明:该方法结合了RKMMP在维数约简和KLEM在模式识别上的优势,在一定程度上能提升故障诊断的泛化能力与识别精度。该研究可为解决好故障诊断中样本获取困难的问题,提供理论参考依据。     

集值信息系统的属性约简

属性约简是粗糙集理论研究中的重要内容之一。本文主要研究集值信息系统的属性约简问题。在集值信息系统中基于拟序关系引入了信息量的概念,给出了属性特征的判定方法,以及信息量与属性约简之间的关系。根据信息量定义了属性重要性,研究了属性重要性与属性约简之间的关系。进而得到了基于信息量和属性重要性的属性约简算法,给出了该算法的时间复杂度。通过实例说明,该算法是有效的。     

薄壁圆盘裂纹的应变分形特征及诊断识别研究

运用有限元方法对裂纹圆盘进行动态特性分析,获得振型和应变响应。应用多重分形理论计算和分析裂纹圆盘应变响应的广义维数和敏感维数。把应变广义分形维数、敏感维数作为圆盘裂纹状态的特征量,对圆盘的裂纹诊断与识别进行定性及定量研究。通过计算得到圆盘裂纹的应变广义维数相关系数,用广义维数相关系数法对圆盘裂纹长度进行定量识别。通过对实例的识别分析,考查了裂纹长度的识别精度及广义维数相关系数法对裂纹长度的定量识别的实用性。     

基于平均多粒度决策粗糙集和NNBC的滚动轴承故障诊断

采用求同排异思想的悲观多粒度粗糙集是一种规避风险的决策策略,其限制条件过于苛刻,导致约简后的征兆属性集维数过低,难于对滚动轴承的状态做出准确判断。为此,提出一种基于平均多粒度决策粗糙集和非朴素贝叶斯分类器(Non-Naive Bayesian Classifier, NNBC)的滚动轴承故障诊断方法。该方法提取训练样本中滚动轴承的故障特征,用于构建平均多粒度决策粗糙集;采用基于平均多粒度决策粗糙集的属性约简算法,降低训练样本中征兆属性集的维数;根据约简后的训练样本构建NNBC,用于判断待诊样本中滚动轴承状态。实验结果表明该方法能够准确地判断滚动轴承的故障类型及故障程度。     

基于敏感特征选择与流形学习维数约简的故障诊断

针对故障诊断中特征集包含非敏感特征和维数过高的问题,提出基于特征选择(Feature selection, FS)与流形学习维数约简的故障诊断方法。提出了一种改进的核空间距离测度特征选择方法(Improved kernel distance measurement feature selection, IKMD-FS),在核空间中计算样本类间距离和类内散度,优选出使样本类间距大、类内散度小的特征,并根据特征的敏感程度对特征进行加权。通过线性局部切空间排列算法(Linear local tangent space alignment, LLTSA)对由敏感特征组成的特征子集进行特征融合,提取出对故障分类更加敏感的融合特征,并输入加权k最近邻分类器(Weighted k nearest neighbor classifier, WKNNC)进行故障识别。WKNNC具有比k最近邻分类器(k nearest neighbor classifier, KNNC)更加稳定的识别精度。最后,通过滚动轴承故障模拟实验验证了本文方法的有效性。     

模糊粗糙集在轴承故障模式识别中的应用

提出一种基于模糊粗糙集理论的模式识别方法,将动态聚类法和方差分析法引入连续属性模糊化,获取模糊隶属函数,避开了粗糙集理论属性离散化过程带来的信息丢失;利用F检验判断分类的合理性,克服了人为确定分类数目的缺点;应用模糊化得到的模糊决策表进行条件属性约简,通过属性值约简,提取了清晰、简明的故障模式规则。轴承故障模式识别结果表明,该方法对比一般粗糙集理论,有效地提高了模式识别精度,在实际模式识别中具有很好的应用价值。     

基于火焰图像特征和粗糙集理论的燃烧诊断系统

针对电站锅炉炉膛内燃烧状况的诊断问题, 本文提出了一种基于火焰图像特征提取并采用粗糙集理论诊断锅炉燃烧状态的方法. 采用图像绿光通道亮度值的阈值分割有效地减少了背景辐射对火焰图像的影响, 改进的极坐标边界标定法保证了火焰核心区域的有效提取和图像的完整性, 为燃烧诊断研究提供了可靠的特征区. 采用基于粗糙集的决策规则的推理方法, 建立以火焰图像特征量为条件属性、炉膛工况为决策属性的决策表, 并运用粗集理论中近似集的概念确定了条件属性对决策属性的影响权系数, 对锅炉燃烧状况做出了客观性的判断, 进而为锅炉燃烧状况做出准确的诊断提供了有力的依据. 对从现场获得的一组不同工况下的火焰图像进行了实验,并把实验结果和实际的炉膛燃烧状况进行了比较, 实验结果表明本文的方法是可行的.     

滚动轴承故障模式识别方法现状分析

在提取滚动轴承故障特征后,如何设计合理的分类器对滚动轴承进行故障模式识别是故障诊断的关键步骤。分别介绍了粗糙集模式识别中的变精度粗糙集、统计模式识别中的最小二乘支持向量机、模糊模式识别中的模糊[C]均值聚类算法。分析各种方法的基本原理、应用和特点。研究发现,多种故障模式识别方法的融合运用是今后研究的重点方向。     

Integration of rough set and neural network ensemble to predict the configuration performance of a modular product family

Configuration performance prediction (CPP) is critical in the whole process of configuration design for a modular product family. Its aim is to estimate the key performance parameter values in advance, thus evaluating if the product variant can satisfy the customers’ personalised requirements or not. In this paper, we propose a novel prediction approach based on the integration of rough set and neural network ensemble through discovering the knowledge from the historical configuration information table. The minimal hitting set is introduced and its equivalence relationship with the minimal attribute reduction is proven. A genetic algorithm is designed to perform the approximate reduction of the condition attributes. A neural network ensemble model used for regression prediction is constituted by means of the variant bagging method based on error clustering. This methodology can reuse the discovered configuration rules and knowledge efficiently, as well as reduce the effort of experimental measurement to some extent. Finally, the applicability of this prediction method is verified on a newly developed refrigerator family.     

基于改进蝙蝠优化自确定的模糊C-均值聚类算法

针对模糊C-均值聚类算法敏感于初始聚类中心及聚类收敛慢、聚类数目手动设定等缺陷,提出了基于改进蝙蝠优化自确定的模糊C-均值聚类算法。该算法是基于密度峰值综合衡量聚类中心外围数据密集程度和聚类中心间距离,自动确定聚类中心和聚类数目,以此作为改进蝙蝠算法的初始中心;在原始蝙蝠算法中引入Levy飞行特征加强算法跳出局部最优能力;使用Powell局部搜索加快算法的收敛,利用改进的蝙蝠种群进行种群寻优,并将最优蝙蝠位置作为聚类C-均值新聚类中心,进行模糊聚类,以此循环交叉迭代多次最终获得聚类结果。将基于改进蝙蝠优化自确定的模糊C-均值聚类算法与其它两种聚类算法在标准数据集上进行仿真对比,实验结果表明:与其它两种算法相比,该算法收敛速度快、误差率低。     

Optimal wavelength band clustering for multispectral iris recognition

This work explores the possibility of clustering spectral wavelengths based on the maximum dissimilarity of iris textures. The eventual goal is to determine how many bands of spectral wavelengths will be enough for iris multispectral fusion and to find these bands that will provide higher performance of iris multispectral recognition. A multispectral acquisition system was first designed for imaging the iris at narrow spectral bands in the range of 420 to 940 nm. Next, a set of 60 human iris images that correspond to the right and left eyes of 30 different subjects were acquired for an analysis. Finally, we determined that 3 clusters were enough to represent the 10 feature bands of spectral wavelengths using the agglomerative clustering based on two-dimensional principal component analysis. The experimental results suggest (1) the number, center, and composition of clusters of spectral wavelengths and (2) the higher performance of iris multispectral recognition based on a three wavelengths-bands fusion.     

一种基于属性约简和SOM的客户细分方法

客户细分是保险行业进行差异化营销的基础。由于知识冗余的存在,采用传统的聚类方法进行客户细分存在细分质量低的问题。为有效进行客户细分,提出基于属性约简和SOM的聚类模型。应用属性约简规则处理数据可有效识别冗余知识,找出关键属性;将关键属性作为SOM神经模型的输入,提高客户细分质量。以H保险公司作为实例,使用该模型进行客户细分,通过聚类结果比较,证明方法有效。     

Indentifying attributes for knowledge-based development in dynamic scheduling environments

Inductive learning techniques have shown inspiring success in reducing the effort for knowledge acquisition in the development of knowledge-based scheduling systems. However, there is little research on selecting the proper attributes to facilitate development of knowledge bases and to enhance the generalization ability of resulting knowledge bases. In this study, we proposed a neural network based approach to identify the essential attributes for knowledge-based scheduling systems. Through the case study conducted, the proposed identification procedure is capable of selecting the essential attributes out of a given set of candidate attributes. Not only can this procedure consider several primary performance measures simultaneously, but also, by using a modularized representation, the previous results of attribute identification have the flexibility to cope with the new control strategies which may be introduced in the future.

The results of experiments show that the scheduling knowledge bases developed by the set of selected attributes have superior ability to select the correct control strategy over other knowledge bases under new production conditions in a Mazak flexible manufacturing system.     

Fault Pattern Recognition based on Kernel Method and Fuzzy C-means

A method about fault identification is proposed to solve the relationship among fault features of large rotating machinery,which is extremely complicated and nonlinear. This paper studies the rotor test-rig and the clustering of data sets and fault pattern recognitions. The present method firstly maps the data from their original space to a high dimensional Kernel space which makes the highly nonlinear data in low-dimensional space become linearly separable in Kernel space. It highlights the differences among the features of the data set. Then fuzzy C-means( FCM) is conducted in the Kernel space. Each data is assigned to the nearest class by computing the distance to the clustering center. Finally,test set is used to judge the results. The convergence rate and clustering accuracy are better than traditional FCM. The study shows that the method is effective for the accuracy of pattern recognition on rotating machinery.     

基于约束谱聚类的印刷套准状态识别

目的 针对实际生产中获取印刷标志图像标签成本较高的问题,研究基于约束谱聚类的印刷套准状态识别方法.方法 基于少量有标签的样本,建立样本之间的must-link约束和cannot-link约束,并进行约束扩展.计算印刷标志图像样本点欧式空间相似度矩阵,并根据扩展后约束关系修正,构建样本点的特征向量空间.采用K-means方法对样本点特征向量空间进行2类聚类,即印刷套准图像和印刷套不准图像.结果 文中方法在实验数据集上的最高印刷套准识别准确率为98.11％.文中方法(约束对数为30)的识别准确率优于无监督的谱聚类方法、朴素贝叶斯方法和决策树方法,文中方法与SVM方法的识别准确率接近.文中方法获取印刷标志图像标签的成本低于SVM方法,且模型建立和识别的时间也少于SVM方法.结论 文中方法以较少的获取印刷标志图像标签成本达到了较高的印刷套准识别准确率.