时间序列中异常值检测的负向选择算法

针对转子振动时间序列中异常数据的检测问题,采用欧氏距离进行匹配计算,在实数域实现了负向选择算法。通过对抗体库中元素增加一个描述其覆盖半径的参数,可更有效地发挥每个抗体元素的检测作用,显著提高了抗体库对异常数据集合的覆盖范围。计算结果表明,这种算法可有效地检测出时间序列中的异常值,且抗体库中元素数量少而可望用于信号的在线监测。     

粒子滤波在轴承故障振动信号降噪中的应用

针对轴承故障信号的降噪处理,研究了粒子滤波方法和它在信号降噪中的应用.首先建立轴承故障振动信号的数学模型,将其作为粒子滤波的状态方程;然后提取背景噪声,将其和状态信号一起作为观测信号,得到观测方程,据此对原始真实信号进行估计,得到降噪后的信号,并通过仿真分析可知降噪前后的信噪比有明显的提高;最后将粒子滤波降噪思想用于所...     

基于改进的自适应遗传粒子滤波算法的车辆质心侧偏角估计

质心侧偏角是表征车辆稳定性和安全性的一个重要状态参数,该参数一般通过汽车行驶状态观测器估计来获取,提高质心侧偏角的估计精度将有助于车辆控制理论的研究.文中针对分布式纯电动汽车非线性、非高斯的行驶特点和四轮独立控制的特点,在自适应遗传粒子滤波算法的基础上,提出一种改进的粒子选择算法,并基于该算法设计了分布式纯电动汽车行驶...     

基于混合粒子滤波的电力设备载流故障预测

为有效预防设备载流故障,提高设备稳定运行能力和延长使用寿命,提出基于混合粒子滤波的滚动式电力设备载流故障趋势预测方法.首先,借助传热学理论,分析电力设备触点在载流故障状态下的温度变化,建立触点温升模型;然后,利用降维思想,根据温升模型给定参数估计方程,初始化温升模型参数.最后,基于在线更新的温度,利用粒子滤波修正模型参数,滚动式优化温度预测曲线,实现载流故障发展趋势的精确预测.基于某电站实际温度数据的验证表明,所提方法能够快速精准地预测载流故障的发展趋势,有效保护电力系统安全运行.     

基于粒子滤波算法的动力电池SOC估计

针对电池荷电状态(SOC)容易受到电流、温度、循环寿命等非线性因素的影响,建立基于温度和电流变化的电池容量修正方程。结合安时法和复合电化学原理构建电池状态空间模型。由于粒子滤波算法对非高斯、非线性系统的适应性,因此选用粒子滤波算法来研究电池SOC估计。通过美国FTP-75工况和NEDC工况实验仿真显示,基于粒子滤波算法的电池SOC估计比扩展卡尔曼滤波算法估计精度高、适应性好。     

基于粒子滤波的彩色图像跟踪算法的研究

摘 要;在以往的视频跟踪中,目标检测和跟踪常常需要两个计算法则,过程比较复杂,实现耗时较多。为了实现序列彩色图像的实时检测与跟踪,本文以目标有无信息和目标位置信息为变量建立联合状态向量,利用粒子滤波方法实现目标检测及跟踪。此外为了减少计算量并且充分考虑到跟踪区域各像素的权重,建立基于颜色信息的特征直方图作为观测向量,用于后验估计。实验证明本文提出的方法能够在14.37ms内检测并跟踪目标,并且对目标的旋转变化和尺度变化具有一定的鲁棒性     

基于MCMC粒子滤波的GPS接收机自主完好性监测算法研究

提出将马尔可夫蒙特卡罗方法与标准的粒子滤波算法有机结合应用于接收机自主完好性监测(RAIM)中.通过状态观测概率密度似然比方法建立一致性检验统计量进行卫星故障的检测与隔离.对算法进行了数学建模,描述了算法的流程.通过实测数据验证,结果表明,该方法在非高斯测量噪声情况下可以对状态进行精确的估计,成功检测和隔离故障卫星,克服了卡尔曼滤波的RAIM算法在处理非高斯测量噪声时性能下降的问题,从而验证了MCMC粒子滤波在接收机自主完好性监测中的有效性.     

基于多重分形与SVM的齿轮箱故障诊断研究

针对齿轮箱振动信号的非平稳性和非线性,提出一种多重分形和支持向量机相结合的故障诊断方法。运用多重分形理论方法对齿轮振动信号进行分析,通过分析发现多重分形谱和广义维数作为故障特征能够很好地反映齿轮箱的工作状态;对支持向量机的参数利用粒子群优化算法进行优化,并将齿轮箱振动信号的多重分形特征量作为支持向量机的输入参数以识别齿轮的故障类型。实验结果表明,该方法在样本较小的情况下能够准确对齿轮箱的故障类型进行分类。     

PSO与LS混合算法在故障特征选择中的应用

为了提高分类器的分类精度和泛化能力,提出一种基于粒子群算法(Particle Swarm Optimization,PSO)和拉普拉斯分值(Laplace Score,LS)的混合式故障特征选择方法。该方法首先采用过滤式的特征选择方法(LS)对原始特征集进行筛选,然后利用PSO在经过精简的特征子空间里进行随机搜索,搜索过程中以支持向量机的分类准确率为适应度函数,选择出最优特征子集。用双跨转子实验台的一组故障特征数据集进行验证。实验结果表明,该方法可以有效地筛选出规模较小且最有辨别力的特征子集,能显著提高分类器的分类准确率及效率。     

一种改进的粒子滤波跟踪算法的应用研究

粒子滤波跟踪算法计算量大且存在严重的粒子退化现象,因此提出了将均值漂移算法嵌入到粒子滤波的跟踪框架中的算法,该算法可以改善粒子滤波的退化现象,大大减少了算法的运行时间,同时克服了均值漂移算法容易陷入局部最大且无法恢复的缺点。监控系统应用的仿真实验结果表明,该方法具有较强的实时性和鲁棒性。     

粒子滤波在轴承故障振动信号降噪中的应用

针对滚动轴承振动信号容易受到较为复杂的随机噪声的污染,提出了基于Rao-blackwellised粒子滤波的振动信号降噪方法。建立了不含噪的振动信号的时变自回归模型,进而转化成对应的状态空间模型,把降噪问题转化成在状态空间模型下的滤波问题,并用仿真信号进行了试验研究,结果表明,该方法具有较好的降噪效果。     

基于改进粒子滤波的重型燃气轮机跳机故障预测

重型燃气轮机是清洁发电的重要装备,其轴系的振动水平是机组运行状态的直观表征.跳机故障是由于振动加大而触发的非计划突然停机,会对燃气轮机的核心部件(如叶片、拉杆等)产生较大冲击,造成设备损伤.提出基于改进粒子滤波的重型燃气轮机振动趋势预测方法,通过对粒子滤波方法的分析,提出一种二次重采样策略,使得改进粒子滤波对粒子匮乏现...     

双阈值单类支持矢量机在线故障检测算法及应用

为了将单类支持矢量机应用于机械系统的在线故障检测,提出一种双阈值单类支持矢量机在线检测算法.该算法引入序贯最小优化算法以提高计算效率,使用两层决策边界以区分故障样本和非边界支持矢量,并对检测模型进行在线自适应地更新,同时剔除故障样本对检测模型自适应更新的贡献,使得该算法能够有效剔除单类支持矢量机的原理性误差和因工况变化引起的误差,提高了检测精度.将该算法应用于某型液体火箭发动机涡轮泵振动信号的故障检测,结果表明,该算法可以在无虚警的情况下快速有效地检测涡轮泵故障.     

改进阴性选择算法的风机振动故障诊断方法

为了正确、快速地判断风电机组振动故障类型,减小其对发电效率及人身财产安全的影响,提出了一种改进型阴性选择算法。在传统的阴性选择算法中引入马氏距离进行振动数据的初步筛选,并将算法应用于风电机组振动故障的预测。研究结果表明,改进的阴性选择算法可以更为快速、准确地判断风电机组振动的故障类型,诊断正确率达到97.5%,从而提高了风电机组运行的可靠性和发电效率。     

基于特征选择的支持向量机在故障诊断中的应用

机械设备因为其本身结构的复杂性,故障很难简单地进行诊断,所以智能诊断成为一个热点的研究方向。以前的工作中多是通过神经网络甚至支持向量机等方法进行诊断,本文提出了基于支持向量机集成的特征选择算法,通过该算法可以有效去除故障数据集中所提取的不相关特征,并在新的更少特征的数据集上进行建模。在实际某柴油机故障数据上的计算表明:在通过特征选择后的数据集上利用支持向量机集成的方法建模可以得到比不进行选择更好的结果,也得到了比单个支持向量机建模更好的结果。     

基于倒频谱理论的滚动轴承故障检测

探讨了倒频谱技术在滚动轴承故障诊断中的应用。针对滚动轴承振动信号的特征,利用倒频谱技术可简化谱图的特征分析,提高滚动轴承故障诊断的准确性。     

基于支持向量机和顺序前项选择算法的PNN风电机组液压变桨的故障诊断

针对液压变桨距系统的强耦合、非线性,以及液压变桨距故障发生原因复杂、故障单一造成的定位问题,该文提出基于支持向量机和顺序前项选择算法的概率神经网络诊断方法。首先,选取SCADA数据的特征值为输入,桨距角为输出,利用支持向量机进行模型的回归,得出桨距角输出的预测值;接着,将测量值与预测值带入顺序前项选择算法,挖掘和发现特征与故障之间的关系,评估各特征之间的重要性,并选出最好的一组特征集合;最后,建立变桨距概率诊断模型,将所选的数据送到故障诊断模型进行训练,再用所选数据进行测试,定位出变桨距系统的故障原因。实验分析表明:基于支持向量机和顺序前项选择算法的概率神经网络液压变桨距故障诊断方法可以有效地分辨出不同故障,并且诊断的精确度得到了提高。     

Simultaneous Multi-vehicle Detection and Tracking Framework with Pavement Constraints Based on Machine Learning and Particle Filter Algorithm

Due to the large variations of environment with ever-changing background and vehicles with different shapes, colors and appearances, to implement a real-time on-board vehicle recognition system with high adaptability, efficiency and robustness in complicated environments, remains challenging. This paper introduces a simultaneous detection and tracking framework for robust on-board vehicle recognition based on monocular vision technology. The framework utilizes a novel layered machine learning and particle filter to build a multi-vehicle detection and tracking system. In the vehicle detection stage, a layered machine learning method is presented, which combines coarse-search and fine-search to obtain the target using the AdaBoost-based training algorithm. The pavement segmentation method based on characteristic similarity is proposed to estimate the most likely pavement area. Efficiency and accuracy are enhanced by restricting vehicle detection within the downsized area of pavement. In vehicle tracking stage, a multi-objective tracking algorithm based on target state management and particle filter is proposed. The proposed system is evaluated by roadway video captured in a variety of traffics, illumination, and weather conditions. The evaluating results show that, under conditions of proper illumination and clear vehicle appearance, the proposed system achieves 91.2% detection rate and 2.6% false detection rate. Experiments compared to typical algorithms show that, the presented algorithm reduces the false detection rate nearly by half at the cost of decreasing 2.7%–8.6% detection rate. This paper proposes a multi-vehicle detection and tracking system, which is promising for implementation in an on-board vehicle recognition system with high precision, strong robustness and low computational cost.