基于改进的LSSVM循环冷却水结垢预测研究

工业循环冷却水结垢机理十分复杂,对其进行准确的结垢预测一直是工业界的研究热点问题。采用LSSVM进行结垢预测,运用加权灰关联分析法选择预测模型的输入变量,通过全局搜索能力强的PSO对LSSVM的重要参数进行优化。并通过与经典预测模型BP神经网络进行预测结果对比,表明在小样本情况下改进的LSSVM具有较小的拟合误差和较强的泛化能力。结论对于循环冷却水的结垢预测具有科学指导意义和广泛的应用价值。     

基于BP-AdaBoost的耦合碰摩故障特征识别研究

旋转机械故障诊断研究中,采用BP神经网络容易陷入局部极小点而无法得到全局最优解,导致对耦合碰摩故障分类识别率不高的问题。研究了经验模态分解方法和BP-Ada Boost方法,结合二者优点,提出了一个故障识别的新方法,首先为了去除背景信号和噪声信号,选用经验模态分解方法来分解转子的振动信号,得到转子系统碰摩信号的主要故障特征,然后用BP-AdaBoost模型对3种不同工况进行识别。基于实验数据的分析表明方法的识别率要优于BP神经网络。     

基于深度学习的局部放电数据诊断系统的样本处理方法研究

电力电缆在工作中由于受到电、热、机械等复杂应力的作用会产生局部放电现象，严重时还会威胁到输电线路的可靠性和电网的安全性。对电缆中局部放电信号的识别和诊断是电缆智能运维的重要手段，鉴于此，介绍了如何使用样本清洗、样本查重等筛选手段和噪声叠加、稀疏处理等数据增强方法对局部放电信号的样本进行处理，从而为基于深度学习的局部放电智能诊断系统提供可靠的基础样本数据，提高局放诊断的准确率。     

基于多重分形维数的GIS局部放电模式识别

根据气体绝缘组合电器（GIS）设备内部绝缘缺陷产生局部放电的特点，设计了4种典型的GIS缺陷模型，采用甚高频高速采集大量局部放电样本，构造了局部放电图谱；以差盒维数和多重分形理论为基础，给出了基于差盒维数的多重分形计算方法；提出了一种基于多重分形特征的GIS局部放电图谱特征提取方法，对局放图像求取了相应的差盒维数、多重分形维数及放电重心特征，最后将提取的特征量通过RBF神经网络进行分类，识别结果显示本文方法有效地提高了GIS局部放电4种缺陷的识别率。     

基于支持向量机的产品编号识别

为了提高仓库管理系统的性能,将支持向量机用于产品编号的模式识别。采用基于投影法的图像处理算法提取编号数字;对倾斜的数字进行矫正,并对提取的数字进行归一化;构造支持向量机分类器对归一化的数字进行识别;通过对一组数字样本的测试,分析了支持向量机参数与分类器的识别率的关系。测试结果表明,支持向量机分类器可以在小样本的情况下获得较高的识别率。     

基于LMD多尺度熵和LSSVM的往复压缩机故障诊断方法研究

针对往复压缩机振动信号的非线性和非平稳多源冲击性,提出一种基于局部均值分解(LMD)、多尺度熵(MSE)和最小二乘支持向量机的诊断方法。首先,利用LMD将不同状态振动信号分解为一系列乘积函数(PF)分量,然后根据各PF分量与原信号的互信息值,选择相关性较大且包含故障状态主要信息分量,计算其相应的多尺度熵值,并构造能够定量描述往复压缩机状态的特征向量,最后利用LSSVM作为模式分类器,对上述不同状态下的特征向量样本进行训练和识别,诊断得出往复压缩机气阀故障类型。进一步与小波多尺度熵、EMD多尺度熵方法所提取特征向量识别结果进行对比,结果表明:该方法具有更高的识别率,为往复压缩机故障诊断提供了一种新途径。     

应用虚拟样本对SAR图像目标识别的研究

鉴于SAR图像获取的困难,无法保证机器学习算法时需要的大数据量训练样本,因此影响了识别结果。首次提出了应用虚拟样本来扩大SAR图像目标识别训练集,提高SAR图像目标识别率的方法。通过使用重采样算法,奇异值重构与轮廓波重构等方法构建虚拟样本,与原有样本组成训练集,并通过SVM支持向量机进行训练识别在MSTAR公共数据集上的识别实验结果表明,对于不同数量的实际训练样本,通过添加本文方法构建的虚拟样本扩大训练集后,SAR图像目标识别率均会得到提高,尤其在小样本的情况下,识别率提高非常显著。该文证实了虚拟样本应用于SAR图像目标识别的有效性。在样本数目有限时,添加虚拟样本对SAR图像目标识别性能具有明显的改善作用。     

基于BP神经网络算法的电缆局部放电类型模式识别

利用计算机技术的模式识别已被运用到了局部放电分析领域。与人工识别相比,其识别结果准确,识别速度快,有很大的发展潜力。现研究了基于BP神经网络算法的电缆局部放电模式识别技术,简述了模式识别的原理,重点研究了BP神经网络的结构及算法,并利用BP神经网络对电缆典型绝缘缺陷局部放电类型进行模式识别。     

基于遗传算法改进的BP神经网络模型的磨损机理智能识别

通过提取磨粒形状特征参数、颜色特征参数和表面纹理等特征参数对磨粒形态进行量化表征,并以此为输入矢量,引入遗传算法(GA)改进BP神经网络对磨粒进行自动分类识别,建立遗传算法改进的BP神经网络模型,并给出具体的算法实现过程。分别应用遗传算法改进的BP神经网络模型和未引入遗传算法改进的BP神经网络模型对磨粒图像进行智能识别。实验结果表明,遗传算法改进的BP神经网络综合了遗传算法的全局优化和BP算法局部搜索速度快的特点,网络识别率较高,具有较好的全局性。     

基于遗传算法改进的BP神经网络模型的磨损机制智能识别

通过提取磨粒形状特征参数、颜色特征参数和表面纹理等特征参数对磨粒形态进行量化表征,并以此为输入矢量,引入遗传算法(GA)改进BP神经网络对磨粒进行自动分类识别,建立遗传算法改进的BP神经网络模型,并给出具体的算法实现过程。分别应用遗传算法改进的BP神经网络模型和未引入遗传算法改进的BP神经网络模型对磨粒图像进行智能识别。实验结果表明,遗传算法改进的BP神经网络综合了遗传算法的全局优化和BP算法局部搜索速度快的特点,网络识别率较高,具有较好的全局性。     

多核LSSVM算法在轴承故障识别中的应用

针对最小二乘支持向量机(LSSVM)实现过程中盲目选择核函数的现象,提出了一种基于核极化的多核LSSVM与EMD相结合的滚动轴承故障识别算法。首先,对滚动轴承振动信号进行EMD信号提取,进而提取故障特征向量;然后,根据多核构造原理,引入核极化确定基本核函数的组合权系数,构造多核函数;最后,结合多核函数与LSSVM,形成多核LSSVM学习器,进行故障识别。分析滚动轴承正常状态、内圈故障、外圈故障和滚动体故障的诊断实验结果,可知,EMD与多核LSSVM的故障识别算法可以准确地判断滚动轴承的工作状态和故障类型,并与SVM、LSSVM算法的诊断结果进行对照,表明所提算法的故障识别率更高。     

基于低秩鉴别投影的轴承故障特征提取方法

根据滚动轴承故障振动信号特点,提出了一种基于低秩鉴别投影的轴承故障特征提取方法。由时域指标和小波频带能量组成高维特征空间,通过低秩鉴别投影方法对训练样本数据进行特征提取求出低维嵌入矩阵。为了寻找低秩鉴别投影算法在实例中的最优参数,利用网格搜索法寻参,同时将测试样本经低维嵌入矩阵转化后得到的特征向量输入到稀疏表示分类器中进行故障识别,以最高故障识别率对应的参数为最优参数。试验表明该方法有效、可行。     

基于支持向量机的地雷识别研究

考虑到支持向量机在训练样本有限的情况下处理高维数据的优势,为实现地雷的自动识别,运用支持向量机和遗传算法设计并实现了地雷分类器.但是,地雷目标信号经常淹没在强噪声信号中,为提高雷达回波信号的信噪比,进一步提高识别率,文章采用了基于小波包阈值去噪的方法对雷达数据进行预处理.通过实验结果可以看出,本文所采用的方法有效地克服了数据维数高,样本缺少的问题,实现了地雷的分类和识别,识别率达到了86%.     

基于多维度选择性搜索的小样本缺陷识别方法

超声内检测是油气管道缺陷的主要检测方式之一,目前超声内检测在工业小样本的情况下存在缺陷识别边界定位不准的问题。本文提出了一种基于多维度选择性搜索的小样本缺陷识别方法,该方法首先对超声回波进行特征提取,其中包含使用基于孤立森林的回波特征点提取,和基于自然断点法的特征点聚类;其次提出了风险相似性度量方法,并使用梯度提升树建立波形特征和风险程度的回归模型;然后将多维度缺陷相似性信息融合在选择性搜索算法中,实现小样本缺陷识别;最后使用异常分数等区域风险度量指标实现缺陷边界的精准定位。实验结果表明,本文设计的基于多维度选择性搜索的小样本缺陷识别方法的查全率和查准率分别高达95.08%和85.46%,能有效解决超声信号缺陷识别边界定位不准的问题。     

基于BP神经网络的截齿磨损程度在线监测

为实现截齿截割过程中磨损程度的实时精准在线监测,提出了一种基于BP神经网络的截齿磨损程度多特征信号融合的检测方法。通过提取截割过程中不同磨损程度截齿的三向振动信号、红外温度信号和电流信号,建立了不同磨损程度截齿的多特征信号样本数据库,采用多特征信号样本对BP神经网络进行学习和训练,建立截齿磨损程度的识别模型,实现截齿磨损程度在线监测与精确识别。实验结果表明:基于BP神经网络的截齿磨损程度监测系统,网络判别结果和测试样本的实际磨损程度类别相符,该BP神经网络系统能够对截齿磨损程度类型进行准确的监测和识别。     

无人机结构小损伤程度识别研究

小型无人机结构的局部小损伤识别对于其及时检修有重要意义。针对当前仅能获得有限试验样本而造成识别精度不高的问题,提出了一种将小波能量谱和支持向量机(SVM)相结合的新方法,对无人机结构进行局部小损伤程度识别研究。利用ANSYS软件构建无损和有损仿真模型,于不同损伤工况下对其进行瞬态分析并将响应用小波包分解,在SVM良好小样本泛化能力基础上建立了准确的损伤识别学习机,并通过网格寻优对参数进行优化处理,最后得出识别结果。为了验证识别结果的可信性,同时取用另一组核函数和BP神经网络方法进行对比试验。结果表明,小样本条件下,用小波包能量谱和SVM结合来识别无人机的小损伤程度的方法是可靠有效的。     

基于LCD和KNNCH分类算法的齿轮故障诊断方法

提出了一种基于局部特征尺度分解(LCD)和核最近邻凸包（KNNCH）分类算法的齿轮故障诊断方法。该方法采用LCD对齿轮原始振动信号进行分解得到若干内禀尺度分量(ISC),然后提取包含主要信息的ISC分量的能量作为特征向量输入到KNNCH分类器,根据其输出结果来判断齿轮的工作状态。实验分析结果表明,所提出的方法能有效地提取齿轮故障特征信息,而且在小样本的情况下仍能准确地对齿轮的工作状态进行识别。同时,与支持向量机(SVM)算法的对比分析结果表明,KNNCH算法能取得与SVM算法相当或更高的正确识别率。     

基于SVM和BP神经网络的滚动轴承故障诊断

为更好地对滚动轴承进行状态监测和故障诊断,采集3种不同状态下的滚动轴承振动信号,根据振动信号特点提取其时域和频域的相关特征,然后分别利用SVM(支持向量机)和BP神经网络进行模式识别。不断减少每种状态下训练样本集的个数,利用2种不同的方法进行模式识别。当每种状态下的样本个数为3个时,支持向量机仍然能准确地将测试样本进行分类,而BP神经网络完全无法识别。实验结果表明,支持向量机比BP神经网络更适合于小样本的故障诊断。     

滚动轴承的VMD-LSSVM故障识别方法

滚动轴承是工程设备中的关键部件,对滚动轴承进行故障识别方法研究有重要的意义。为了解决滚动轴承振动信号分析能力薄弱的问题,提出了一种基于变分模态分解（Variational mode decomposition,VMD）与最小二乘支持向量机（Least square support vector machine,LSSVM）的滚动轴承故障识别方法。以凯斯西储大学滚动轴承实验数据为研究对象,获取4类故障7种滚动轴承状态实验振动数据。进行VMD分解,得出最佳分解本征模态函数（Intrinsic mode function,IMF）个数4,然后计算4个IMF样本熵（Sample entropy,SE）得到相应特征量,输入LSSVM模型进行状态识别。实验表明,基于VMD-LSSVM的方法比EMD(Empirical mode decomposition)-HMM(Hidden Markov model)和EMD-LSSVM方法有更高的识别率。     

基于MGAN和CNN的齿轮故障智能诊断方法

针对实际工程中采集的齿轮故障信号样本不足,以及在噪声干扰的情况下采用常见深度学习网络进行模式识别出现的训练不足、故障识别率低和生成对抗网络易发生模式坍塌等问题,提出了一种基于MGAN(Mixture generative adversarial nets)和CNN(Convolutional neural networks)的齿轮故障智能诊断方法。将真实齿轮信号经形态学滤波处理后通过时频变换技术转变为时频信号,利用MGAN网络合成新样本来获得一个平衡数据集,克服了样本不足的问题;同时,分析了MGAN网络主要参数对合成样本质量的影响规律;采用平衡数据集训练CNN进行故障诊断,有效提高了故障诊断率。通过对比试验和试验台试验,验证了该方法在样本不足条件下对故障进行准确识别以及克服神经网络模式坍塌方面的有效性及优势,为实现齿轮箱典型故障提取及智能识别提供了新的研究思路。