基于 SVD-VMD 和 SVM 滚动轴承故障诊断方法

针对故障滚动轴承振动信号中含有干扰信号,难以准确提取出故障信息,提出了一种基于奇异值分解(SVD)、变分模态分解(VMD)、和支持向量机(SVM)的滚动轴承故障诊断方法。首先利用奇异值分解对信号进行处理,根据奇异值峰度差分谱来确定分解后重构矩阵的有效阶数,然后根据该有效阶数重构信号,对重构后的信号进行VMD分解,根据上述有效阶数确定分解的本征模态函数(IMF)分量的个数,从分解后的IMF分量中提取故障特征参数,将其作为支持向量机的输入参数进行故障诊断。最后采用合肥工业大学轴承试验机进行验证,并与直接进VMD分解及基于带通滤波器信号去噪的故障诊断方法进行对比,结果表明该方法能有效识别滚动轴承的故障类型,可用于滚动轴承故障诊断。     

基于群智能加权核聚类的水电机组故障诊断

针对核聚类中核参数选择依赖经验,最优聚类中心难以有效获取的问题,提出了一种仿电磁蜂群加权核聚类算法。首先,考虑不同特征对聚类结果的影响,对样本进行加权处理,利用核空间的Xie-Beni指标建立加权核聚类模型;然后,提出并引入仿电磁蜂群算法求解聚类模型,实现聚类中心、特征权重与核参数的同步寻优。利用该方法分别对3组标准测试样本集以及水电机组故障样本进行聚类测试,并与传统方法进行对比分析。试验结果表明,提出的仿电磁蜂群加权核聚类算法较传统聚类方法具有更高的精度,能够有效实现水电机组振动故障的准确聚类与识别,完成故障诊断。     

ȼ�����ֱ�ը�¹�Σ��Դ��ʶ��Σ����ģ�����

城市燃气输配系统主要分布在人口和建筑物集中的区域，一旦发生火灾爆炸事故，将会造成严重的人员伤亡和财产损失。为此，从燃气泄漏危险源和火源危险源入手，对城市燃气火灾爆炸事故危险源进行了系统地辨识分析，得出事故危险源，并建立了以城市燃气火灾爆炸事故为顶上事件的故障树图。在实际应用过程中，分析了故障树的智能绘制，并阐述了运用蒙特卡罗法的计算机事故危险性模拟方法，将危险性指数模拟程序运行结果与理论值进行了对比，所得结果误差较小，从而证实了该方法的可靠性及其合理性。同时，利用模拟结果，分析了各指标危险性重要度指数。该项研究量化了每个危险源在事故致灾中的贡献，也得到了整个系统的危险性，为制定相应的预防和控制事措施提供了参考。     

基于关系数据库的土石坝病险智能诊断专家系统设计

土石坝病险智能诊断专家系统的研制和应用对于土石坝的安全运行意义重大。文中介绍了利用ActiveX数据对象（ADO）数据库访问技术，结合关系数据库与规则库，实现基于关系数据库的土石坝病险智能诊断专家系统的设计方法。     

S变换用于滚动轴承故障信号冲击特征提取

为从低信噪比的滚动轴承故障信号中提取出冲击特征,以便于进行轴承故障诊断,引入S变换的信号处理方法。以短时傅里叶变换（short time Fourier transform,简称STFT）以及连续小波变换（continuous wavelet transform,简称CWT）为理论基础,分别推导得出了连续S变换的定义式,并利用快速傅里叶变换（fast Fourier transform,简称FFT）实现S变换离散化计算。S变换克服了STFT时频分辨率固定的缺点,弥补了CWT缺乏相位信息的不足。仿真信号研究表明,S变换在信号整个频带上具有良好的时频分辨率和时频聚集性,能够提取低信噪比信号中的冲击特征,且性能优于STFT和CWT。最后对一组实际的滚动球轴承故障振动信号进行S变换处理,结果表明,S变换能够方便有效地从中提取出周期性的冲击特征,从而指导滚动轴承相关故障的诊断。     

混沌振子识别轴承早期故障的极半径不变矩判据

现有的基于混沌振子检测轴承故障的方法的关键步骤是混沌振子相态转变判别,目前大多采用李雅普诺夫指数等特征值进行判断,针对其计算过程复杂,耗费时间长的缺点,基于图像识别技术,提出了一种以极半径不变矩参数作为相态转变的识别方法。通过构造Duffing混沌振子,分析了其相态转变与周期策动力的变化关系,证明其用于轴承早期故障识别的可行性;给出了极半径不变矩的定义,并证明在混沌振子相图由混沌运动态向大尺度周期态转变的过程中,随着周期摄动力不断增加,极半径不变矩表现出单调递增的特性;与HU氏不变矩及二维近似熵判别方法进行对比,讨论了极半径不变矩的抗噪声干扰能力;最终,将该方法用于实际搭建的钻机动力头轴承早期故障诊断的试验中。试验结果表明:极半径不变矩可以识别混沌振子相态过程转变,最低检测信噪比达到-36.99dB,且识别准确率也较另外两种方法提高了4%~7%。证明该方法可以用于轴承早期故障识别,具有识别准确率高,抗噪声干扰能力强,计算简便的优点。     

电力系统故障诊断神经网络专家系统的一种实现方式

对人工神经网络和专家系统结合应用于电力系统故障诊断问题进行了研究，提出了电力 系统故障诊断神经网络专家系统的一种实现方式。该结构方案中，采用三层前向BP网络作 为 故障诊断的核心部分，与传统的专家系统相结合组成混合式的神经网络专家系统。基于该方 案建造的故障诊断神经网络专家系统综合了专家系统和人工神经网络各自的优点，充分利用 专家系统的推理判断能力和人工神经网络的学习和容错能力，比单独利用专家系统或人工神 经网络的电力系统故障诊断系统具有更好的性能。     

基于传感器最优配置的等价空间故障检测方法

提出一种基于传感器最优配置的等价空间故障检测方法．针对线性时不变动态系统,给出了传感器最优配置问题的描述,以及基于传感器最优配置的故障检测多目标优化问题的描述．在系统可供测量的N个变量中,选择能获得关于系统故障尽可能多信息的m个变量作为测量变量,在满足对故障具有尽可能高的灵敏度,同时对扰动等未知信号具有尽可能强的鲁棒性的条件下,使整个系统测量成本达到最低．仿真算例说明了所提出设计方法及算法的有效性．     

面向乳腺超声计算机辅助诊断的两阶段深度迁移学习

目的 为了提升基于单模态B型超声（B超）的乳腺癌计算机辅助诊断（computer-aided diagnosis,CAD）模型性能,提出一种基于两阶段深度迁移学习（two-stage deep transfer learning,TSDTL）的乳腺超声CAD算法,将超声弹性图像中的有效信息迁移至基于B超的乳腺癌CAD模型之中,进一步提升该CAD模型的性能。方法 在第1阶段的深度迁移学习中,提出将双模态超声图像重建任务作为一种自监督学习任务,训练一个关联多模态深度卷积神经网络模型,实现B超图像和超声弹性图像之间的信息交互迁移;在第2阶段的深度迁移学习中,基于隐式的特权信息学习（learning using privilaged information,LUPI）范式,进行基于双模态超声图像的乳腺肿瘤分类任务,通过标签信息引导下的分类进一步加强两个模态之间的特征融合与信息交互;采用单模态B超数据对所对应通道的分类网络进行微调,实现最终的乳腺癌B超图像分类模型。结果 实验在一个乳腺肿瘤双模超声数据集上进行算法性能验证。实验结果表明,通过迁移超声弹性图像的信息,TSDTL在基于B超的乳腺癌诊断任务中取得的平均分类准确率为87.84±2.08%、平均敏感度为88.89±3.70%、平均特异度为86.71±2.21%、平均约登指数为75.60±4.07%,优于直接基于单模态B超训练的分类模型以及多种典型迁移学习算法。结论 提出的TSDTL算法通过两阶段的深度迁移学习,将超声弹性图像的信息有效迁移至基于B超的乳腺癌CAD模型,提升了模型的诊断性能,具备潜在的应用可行性。     

运行控制系统集中式容错控制方法

本文针对运行控制系统,建立了运行优化控制过程的双层结构模型.在此基础上,通过建立相应的自适应故障诊断算法,提出了保证在系统有故障和干扰时仍能渐近优化指标的集中式容错控制方法,利用李雅普诺夫稳定性理论分析了自适应故障诊断算法的构建.已证明:该方法通过调整已优化的设定值来保证在回路控制层出现故障时整个运行控制仍可收敛到其原有的优化控制效果.该方法属于非完备容错控制,仿真结果验证了所提方法的有效性.