基于深度残差收缩网络的滚动轴承故障诊断

滚动轴承的准确故障诊断是确保机械设备安全可靠运行的必要手段。针对多故障、长时间序列的滚动轴承振动信号，提出了一种基于深度残差收缩网络(DRSN)模型的故障诊断方法。首先，根据采集到的滚动轴承数据构造故障样本，针对多种故障类型下的长时间序列的振动信号，按照一定尺寸将长时间序列矩阵化，构成多故障类型的灰度图故障样本。从正常到故障的滚动轴承性能退化过程，通过多个采样点的随机采样，构造全寿命周期的故障样本用于故障诊断。其次，在多层深度学习模型基础上，将残差收缩网络模块加入到卷积神经网络(CNN)中构建深度残差收缩网络模型用于故障诊断，其中通过将残差项加入到网络中训练解决了多层网络模型的模型退化问题，利用软阈值化实现了样本降噪。最后，为了验证所提方法的有效性，采集了滚动轴承的多故障时间序列样本和全寿命周期故障样本用于故障诊断。实例验证的结果表明:所提深度残差收缩网络模型在处理含噪声样本时仍具有良好的鲁棒性，多层网络模型下没有明显的网络退化，能够保持较高的故障诊断正确率。在处理2种轴承故障数据集时，与其他模型相比，所提方法训练误差更低，平均故障诊断正确率提高1%~6%。      

航空液压泵柱塞游隙增大故障诊断

柱塞游隙增大是航空液压泵典型的渐进性故障之一,其故障特征模糊,样本有限,故障数据充满噪声,对其进行精确的故障诊断十分困难,因此提出了一种基于简约支持向量机的故障诊断方法.利用粗糙集对故障特征变量进行简约,去除冗余信息,在保证分类质量不变的前提下寻求覆盖系统故障特征的最小属性集合;将简约后的数据样本用来训练支持向量机进行故障分类.使用训练完成后的简约支持向量机进行故障诊断的实验结果表明,此种诊断方法适合于航空液压泵柱塞游隙增大的高精度故障诊断.     

基于EMD与LS-SVM的刀具磨损识别方法

针对刀具磨损声发射信号的非平稳特征和BP神经网络学习算法收敛速度慢、易陷入局部极小值等问题,提出了基于经验模态分解和最小二乘支持向量机的刀具磨损状态识别方法.首先对声发射信号进行经验模态分解,将其分解为若干个固有模态函数之和,然后分别对每一个固有模态函数进行自回归建模,最后提取每一个自回归模型的系数组成特征向量,特征向量被分为两组,一组用于对最小二乘支持向量机训练,另一组用于识别刀具磨损状态.试验结果表明:该方法能很好地识别刀具磨损状态,与BP神经网络相比具有更高的识别率.     

航空发动机传感器故障与部件故障诊断技术

结合局部学习思想与集成学习技术,提出了一种基于支持向量机-极端学习机-卡尔曼滤波器(SVM-ELM-KF,Support Vector Machine-Extreme Learning Machine-Kalman Filter)的航空发动机传感器故障与突发性部件故障诊断的方法.将改进的迭代约简最小二乘支持向量回归机训练技术推广到分类机中,用于区分传感器故障与部件故障,使得该分类机具有一定的稀疏性.对于传感器故障,利用ELM分类机对故障进行定位.对于部件故障,利用改进的卡尔曼滤波器对发动机各部件的健康参数进行估计,从而对部件故障进行定位.仿真结果表明,提出的故障诊断方法能够准确地区分传感器故障和部件故障,实现故障的有效定位,验证了方法的可行性.     

一种改进的近似支持向量机算法

标准近似支持向量机受类别差异影响和噪声、野值数据干扰较重,使得分类能力不高.提出一种改进的近似支持向量机算法--加权近似支持向量机,通过为不同类别设定不同的惩罚参数和为每个样本引入模糊隶属值,有效补偿类别差异带来的倾向性并去除噪声和野值数据的影响.模糊隶属函数的选取采用样本与类中心的距离和样本紧密度的加权平均值计算,以有效去除噪声和野值数据的干扰.经过分析,改进后的算法可近似归结为一种岭回归模型.实验表明,与标准近似支持向量机相比,该算法有更好的分类能力.     

基于支持向量机的船舶操纵运动黑箱建模

根据船舶自航模15°/5°Z形试验结果,应用最小二乘支持向量机对船舶操纵运动进行了黑箱建模,针对支持向量机参数选择的不确定性,使用网格搜索法进行了参数寻优;应用所建立的支持向量机回归模型对该自航模的10°/1°,25°/5°Z形试验及35°回转试验进行了操纵运动预报.预报结果同试验结果相比吻合良好,证明了支持向量机应用于船舶操纵运动黑箱建模的有效性,以及网格搜索法在支持向量机参数寻优中的可行性.     

多传感器斜置系统故障检测的奇偶向量补偿方法

提出采用神经网络对多传感器斜置组件的奇偶向量进行补偿,从而消除安装误差、刻度系数误差以及常值偏差对奇偶向量的影响,提高系统对小幅值故障检测与隔离的准确性.基于神经网络的方法与卡尔曼滤波、偏差分离估计方法相比,不需要各项误差的动态模型和噪声统计特性.神经网络采用有一定时间延迟的样本进行在线学习时,利用补偿后的奇偶向量能够检测出有一定斜率的斜坡型故障.     

基于贝叶斯准则的支持向量机预测模型

对实际统计数据中存在的相关性、不确定性和非线性问题,提出贝叶斯支持向量机预测模型方法.构建基于高斯分布的权值分布模型描述信息的不确定性,基于先验概率分布和贝叶斯关系获得后验分布模型,利用极大似然方法和递推迭代算法求解后验分布的最佳参数,从而得到关联向量机.建立起基于参数分布多维时间序列预测模型,将每一步迭代过程中的支持向量机输入作为随机变量,考虑数据不确定性的传递,递推得到贝叶斯支持向量机预测输出.由于贝叶斯支持向量机可以有效反映随机影响及其传递,可以克服数据不确定性和相关性的影响,因此基于贝叶斯支持向量机预测效果更加符合实际.实例表明利用贝叶斯支持向量机预测高科技企业发展趋势与实际发展趋势接近,可以克服数据相关性、不确定性和非线性对信息模型的影响,具有较高的预测精度和预测鲁棒性.     

基于最小二乘法的椭圆拟合改进算法

基于最小二乘法研究了一种改进的椭圆拟合算法.最小二乘椭圆拟合算法,由于包含误差较大样本点在内的所有样本点都参与运算,所以会对椭圆拟合的最后结果产生偏差.针对这种情况,采用随机理论的思想,先随机选取6个点拟合椭圆,然后计算与此椭圆匹配的所有样本点个数.重复此过程一定次数,采用投票机制,匹配样本点多的椭圆即为最优椭圆,构造了一种快速准确剔除误差较大样本点的改进椭圆拟合算法,并在实际图像应用中验证了算法能够有效地处理包含有较大比例误差点的样本空间,拟合出具有高精度的椭圆,并且算法的速度能够满足实时性的要求.     

一种高精度实时GPS卫星钟差预测算法

为获得高精度实时GPS卫星钟差,文章提出一种基于多项式和最小二乘支持向量机(Least Squares Support Vector Machines,LS-SVM)相结合的钟差预报方法.该方法采用国际GNSS服务发布的超快速观测星历建模进行短期预报,首先根据卫星钟的物理特性用附有周期项的多项式模型进行拟合以提取趋势项和周期项,然后用LS-SVM对多项式拟合残差进行建模预报,最后将预报结果加上趋势项和周期项,得到最终的钟差预报值.试验结果表明,所提算法能够实时有效地对GPS卫星钟差进行预报,且精度优于超快速预报星历.     

一种新的快速衰落信道非线性预测算法

快速衰落信道预测是实现快速资源配置和快速自适应调制等容量提升技术的重要途径.为解决快速衰落信道参数预测问题,对系统输出的低维标量时间序列,利用坐标延迟理论,重建系统的高维相空间,从而获得比标量时间序列更多的系统信息,进而采用递归最小均方支持向量机在这一高维空间中进行回归预测.具有局部可预测性的高斯带限过程可对快速衰落信道特性进行准确的描述是该预测算法的前提,另外从非线性动力学的角度讨论了快速衰落信道的可预测性.仿真结果表明该算法适于进行较大时间范围的预测,是进行衰落信道非线性预测的有效途径.     

偏最小二乘回归模型内涵分析方法研究

偏最小二乘回归是一种新型的多元分析方法。它可以在自变量多重相关的条件下,有效地构造出对系统解释性最强的子空间,进行发建模,使模型的精度和可靠性得到很大的提高。本文提出采用因素分析方法,对偏最小二乘回归的最优子空间进行正交变换。这种变换方法对偏最小二乘回归的模型结果没有任何影响,却可以使最优子空间的实际含义得到更好的解释。案例研究表明,经过正交变换后,原始变量被分为若干变量组,每个变量组分别对应于最     

PH曲线拟合在数控前瞻中的应用

为解决数控系统进行微小直线段平稳加工的问题,提出了一种拟合方法.综合了误差限制下的微小直线段长度、拐角、直线段相交点单调性等判定条件,将连续的微小直线段分割成若干区域.使用非线性最小二乘法将每一个区域内的点拟合成PH曲线,并通过模拟退火方法调整切矢量来控制拟合误差.根据区域的连接情况,将切矢量分为单向和双向两种调节方法.在模拟退火算法中,将微小直线段的斜率作为切矢量的初始值,利用细分直线的方法逐点计算弓高误差,并将此误差作为目标函数来快速进行切矢量的调整.结果表明,对微小直线段进行区域划分可以提高拟合效率.在控制弓高误差的情况下,此方法可以形成具有良好精度的光滑曲线,可以获得平稳的速度轨迹.     

基于串行支持向量分类器的模拟电路故障诊断

介绍了支持向量机的基本原理,提出一种新型支持向量多类分类器,其中多个二类分类器组成串行结构,每个二类分类器均带有非线性主元素分析特征提取器.描述了其训练与分类算法,并将其应用于非线性电路的部件级诊断.和传统BP网和RBF网分类器相比,支持向量方法在分类准确率上表现出明显的优势,其中串行支持向量多类分类器无论在训练和分类速度方面,还是在诊断准确率方面,都要优于传统并行结构的多类分类器.     

基于测试性D矩阵的多故障诊断与维修策略

针对复杂的多故障诊断问题以及多故障直接处理方法实现的难点，在测试性D矩阵基础上，提出了一种基于单故障化的多故障诊断与维修策略（MFDMSTS）。首先，在多故障假设下引入析取运算，定义了可隔离单故障和可隔离多故障，据此定义将多故障转化为单故障，并将转化的单故障与测试集组成新的D矩阵；然后，运用单故障诊断算法处理新的D矩阵，得到最优诊断树；最后，针对诊断树的不同叶子节点，提出了多故障诊断与维修策略。实例验算表明：MFDMSTS能降低平均诊断费用和平均诊断步数，并大幅降低误修率。     

基于NMF的SVM故障诊断方法

针对大维数系统故障诊断中存在特征提取困难和识别率低的问题,提出基于非负矩阵分解(NMF,Non-negative Matrix Factorization)的支持向量机(SVM,Support Vector Machine)诊断方法,避免了直接对故障特征的选择和提取,实现特征降维,提高故障模式分类的准确性和速度;对于NMF中的结果随机性问题,提出用前次分解所得系数矩阵求解样本降维特征矩阵的方法,保证多次NMF分解尺度一致.实验表明该方法能对故障特征有效降维,并具有较高的诊断效率和故障识别率.     

Gram-Schmidt回归及在刀具磨损预报中的应用

多元线性回归是一种应用广泛的统计分析方法.在实际应用中,当自变量集合存在严重多重相关性时,普通最小二乘方法就会失效.为解决这一问题,利用Gram-Schmidt 正交变换,提出一种新的多元线性回归建模方法--Gram-Schmidt回归.该方法可实现多元线性回归中的变量筛选,同时也解决了自变量多重相关条件下的有效建模问题.将该方法应用于机械加工过程中刀具磨损的预报分析,有效地进行了变量筛选,并得到了解释性强同时拟合优度也很高的模型结果.