二维联合模糊的液压系统故障诊断专家系统

提出了基于二维联合模糊评判的液压系统故障在线诊断方法;用MATLAB小波分析与模糊评判相结合的双重故障诊断模式,运用联合权重分配法构建故障诊断专家系统模糊矩阵;采用复杂样本方差估计,得出一个客观合理的故障征兆向量,实现了液压系统故障诊断的实时性,精确性;建立了起重机液压系统故障诊断专家系统。     

基于模糊支持向量机的变压器故障诊断

针对支持向量机对训练样本内的噪声和孤立点比较敏感,影响了支持向量机分类性能的弱点,利用模糊支持向量机的学习方法,构建了变压器故障诊断模型．采取一种基于二叉树的多分类方法,使用模糊C均值聚类算法求取模糊支持向量机的模糊隶属度,采用径向基核函数,并利用遗传算法对模糊支持向量机的参数进行寻优．实验结果表明,基于二叉数的模糊支持向量机模型相比BP神经网络、支持向量机有更高的诊断准确率,基于二叉树模糊支持向量机的变压器故障诊断方法是可行的．     

基于有向图的传统村落建筑群火灾蔓延风险分析

在传统村落开发保护过程中,建筑消防改造及建筑布局改变等会导致火灾风险发生变化.火灾蔓延模拟工作量大、成本高及基础资料获取困难.为克服这些难点,首先,将单体建筑视为有向图的节点、建筑间的火灾蔓延关系视为节点间的边,通过火灾蔓延模拟判断节点周边局部蔓延路径,并建立有向图的邻接矩阵,利用有向图遍历算法确定特定火灾场景下的蔓延...     

基于图论及矩阵理论的系统层次结构划分

利用有向图及邻接矩阵的关系,结点的度及邻接矩阵的运算性质,将有向图中结点间的序关系转化为系统要素间的层次结构,从而为评价者和决策者用层次分析法进行定量研究打下坚实的定性分析基础.     

基于模糊灰色关联模型的舰船液压装置故障诊断研究

从舰船液压装置及其故障的特殊性出发,提出液压系统是个灰色系统,其故障具有灰色性质,从而为灰色系统理论应用于液压装置的故障诊断提供了前提.鉴于液压系统的状态特征参数不确定或存在区间取值,基于模糊隶属函数提出了一种模糊灰色关联诊断模型,并对舰船液压装置进行故障诊断研究.结果表明,在信息量较少的情况下,模糊灰色关联分析方法是舰船液压装置状态识别与故障诊断的一个有效工具.     

Fault Diagnosis and Reliability Analysis Using Fuzzy Logic Method

A new fuzzy logic fault diagnosis method is proposed. In this method, fuzzy equations are employed to estimate the component state of a system based on the measured system performance and the relationship between component state and system performance which is called as “performance-parameter” knowledge base and constructed by expert. Compared with the traditional fault diagnosis method, this fuzzy logic method can use human＇s intuitive knowledge and dose not need a precise mapping between system performance and component state. Simulation proves its effectiveness in fault diagnosis. Then, the reliability analysis is performed based on the fuzzy logic method.     

含表决系统的网络联络矩阵的一种降阶方法

为了解决含有表决子系统的网络系统在转化为网络图时增加大量重复弧和重复节点，使网络的联络矩阵变为一个高阶稀疏矩阵的问题，提出了一种降阶方法．此法针对该稀疏矩阵的特点进行分块，使表决子系统对应于分块矩阵中的一个矩阵块；引入矩阵的对角乘法算子和对角还原算子，对表决子系统对应的矩阵块进行独立运算．运算结果表明，该方法使联络矩阵明显降阶．     

基于Sugeno模糊模型的CNC机床故障诊断方法

通过将Sugeno模糊模型用于数控机床故障诊断系统的方式,实现了对各个诊断专家诊断结果的模糊综合,消除了诊断专家诊断结论的随意性,保证诊断结论的准确.利用此方法基于诊断专家系统技术可以实现对数控机床的自动诊断,诊断结果准确可靠.     

一种交流电机故障诊断中的特征提取与强化

为提高电机故障诊断的准确率和有效性,提出了一种故障特征提取与强化的新方法.即在对所采集的交流电机振动加速度信号进行数据预处理之后,用盲源分离方法进行独立振动源的分离,然后采用小波包分析方法进行特征提取,并进行特征频带的简化及特征强化处理,特征强化后的数据作为交流电机故障诊断模型的输入.该方法通过对振动加速度信号进行分离,能够分离出混合信号中的独立振动源,提高了故障特征提取的正确率和准确度;通过对特征频带化简,减少了故障诊断模型的输入,进而简化了模型的结构;特征强化使模型能够更有效地识别故障状态.     

Fault diagnosis for wind turbine based on improved extreme learning machine

A fault diagnosis method based on improved extreme learning machine (IELM) is proposed to solve the weakness (weak generalization ability, low diagnostic rate) of traditional fault diagnosis with feedforward neural network algorithm. This method fuses signal feature vectors, extracts six parameters as the principal component analysis (PCA) variables, and calculates correlation coefficient matrix among the variables. The weight values of control parameters in the extreme learning model are dynamically adjusted according to the test samples’ constantly changing. Consequently, the weight fixed drawback in the original model can be remedied. A fault simulation experiment platform for wind turbine drive system is built, eight kinds of fault modes are diagnosed by the improved extreme learning model, and the result is compared with that of other machine learning methods. The experiment indicates that the method can enhance the accuracy and generalization ability of diagnosis, and increase the computing speed. It is convenient for engineering application.     

Power transformer fault diagnosis model based on rough set theory with fuzzy representation

Objective Due to the incompleteness and complexity of fault diagnosis for power transformers, a comprehensive rough-fuzzy scheme for solving fault diagnosis problems is presented. Fuzzy set theory is used both for representation of incipient faults＇ indications and producing a fuzzy granulation of the feature space. Rough set theory is used to obtain dependency rules that model indicative regions in the granulated feature space. The fuzzy membership functions corresponding to the indicative regions, modelled by rules, are stored as cases. Results Diagnostic conclusions are made using a similarity measure based on these membership functions. Each case involves only a reduced number of relevant features making this scheme suitable for fault diagnosis. Conclusion Superiority of this method in terms of classification accuracy and case generation is demonstrated.     

基于TQWT和稀疏表示的滚动轴承故障诊断方法

基于稀疏表示理论,提出了一种采用可调品质因子小波变换(TQWT)的滚动轴承故障诊断新方法,分析了包含早期故障成分的原始采集振动信号的特点和早期故障信号的特性,研究了稀疏表示模型在解决故障特征提取问题和故障类型识别问题的应用;运用TQWT将原始信号转换为一组子带小波系数集,研究了利用迭代收缩阈值算法提取出稀疏小波系数的有效性和谱峭度对故障冲击信号敏感的特性,通过计算各子带信号分量的谱峭度,选取包含故障信息明显的子带小波系数,建立了包含稀疏故障信号分量的故障特征提取方法;利用提取出的故障信号稀疏表示分类模型,实现了基于稀疏表示的滚动轴承故障诊断方法。试验结果表明:在凯斯西储数据集上,提出的故障特征提取方法在剔除干扰成分方面有显著效果,提出方法对于4种类型数据的平均诊断准确率为99.83%,对于10种类型数据的平均诊断准确率为97.73%;与只运用TQWT和迭代收缩阈值算法进行故障特征提取的方法相比,故障诊断精度提高了11.60%,算法运行时间减小8%;在QPZZ-Ⅱ旋转机械平台采集到的振动数据集上,提出的方法对于4种类型数据的平均诊断准确率为100%;与传统小波去噪方法相比,准确率提高了35.67%,算法运行时间减小了7.25%。可见,本文提出的方法可以有效解决滚动轴承故障诊断问题。      

大型独立电力网络拓扑识别及故障潮流计算

针对大型独立电力网络的特点,提出了一种新的网络拓扑结构在线分析法--扩展关联矩阵法.该方法融合了深度及广度优先搜索的优点,并可以进行局部搜索,提高了故障跟踪时的速度及准确度,给出了节点和支路的编码方法及扩展关联矩阵的形成方法.利用新方法,研究了系统的故障跟踪、故障处理方法及带有网络拓扑结构识别的实用简单潮流计算方法,为系统的故障恢复做好了充分的准备.     

基于权重的Jaccard相似度度量的实体识别方法

社会网络分析方法将社会行动者映射为图的节点,社会行动者之间的关系映射为图的边,然后利用图论的相关知识来解决社会网络问题．将数据挖掘方法应用于社会网络分析是数据挖掘研究领域的一个新方向．本文主要在算法改进和系统实现层面展开数据挖掘在社会网络分析中的应用,提出了基于权重的Jaccard相似度度量的方法及处理多链接属性的实体识别算法．最后基于电信分析系统平台,使用上述算法在电信数据集上进行测试,实验结果表明上述算法的有效性和实用性．     

基于深度时频特征的机车轴承故障诊断

针对现有机车轴承诊断方法存在故障特征提取不理想、诊断精度低等问题,提出了一种基于深度时频特征的机车轴承故障诊断新方法;利用双通道一维和二维卷积神经网络(CNN)分别对输入的一维原始信号和连续小波变换(CWT)提取的二维时频信号进行深度特征提取;为使输入的一维原始信号简单而有效地反映出信号在时域的全局特征,上通道使用一维CNN,为使输入的二维时频域信号能多角度地反映出信号的细微局部变化,下通道使用二维CNN;在融合层中将上下通道特征自动融合成一个新的深度时频特征,并将提取到的深度融合时频特征经归一化指数函数进行故障分类识别;在此基础上,分析了某局机务段实测的7种机车轴承数据,验证了本文方法的实际工程应用价值。研究结果表明:基于深度时频特征的机车轴承故障诊断方法对7种机车轴承故障的平均诊断精度达到了100%,与一维CNN模型、二维CNN模型和支持向量机(SVM)模型相比,平均诊断精度分别提高了0.7%、1.9%和2.2%;本文方法提取的深度时频特征中每类故障分布间隔规则有序,类内间距很小,而单个一维CNN模型和二维CNN模型提取的特征的每类故障分布间隔不规则,类内间距较大,说明基于深度时频特征的机车轴承故障诊断方法提取深度特征的能力优越,是一种解决机车轴承故障诊断问题的有效模型。      

基于引力搜索RBF神经网络的柴油机故障诊断

为了解决RBF神经网络的参数选择问题,以便提高柴油机故障诊断的精度,提出了一种基于引力搜索算法和RBF神经网络相结合的智能故障诊断方法.该方法首先采用减聚类算法确定网络隐层单元数,然后提出改进引力搜索算法优化RBF神经网络的参数.利用国际标准样本集对该方法进行分类测试,并将该方法应用于柴油机故障的诊断,仿真实验验证了该方法对柴油机故障的分类和诊断效果.     

基于多尺度卷积类内迁移学习的列车轴承故障诊断

考虑变工况下列车轴承振动数据分布不一致情况下, 传统深度学习诊断模型的泛化能力下降, 提出了一种多尺度卷积类内自适应的深度迁移学习模型; 模型利用改进的ResNet-50网络分析振动数据的频谱, 得到了中间层次特征, 构造了多尺度特征提取器, 从不同尺度处理中间层次特征得到高层次特征; 将高层次特征作为分类器的输入, 同时计算了伪标签以缩短在不同工作条件下收集的振动信号的条件分布距离来进行类内匹配; 为了验证模型的通用性和优越性, 将提出的模型分别用于列车轮对轴承数据集和凯斯西储数据集的多个工况进行试验验证和分析。研究结果表明: 通过对齐不同域中同一类样本的高层次特征作为分类器的输入, 提出的模型获得了更为理想的故障诊断精度; 在列车轴承6个变工况诊断实例中, 平均诊断精度为90.75%, 与传统深度学习模型相比, 模型诊断精度平均提高了约10%, 召回率为0.927;在凯斯西储数据集的12个变工况诊断实例中, 模型平均诊断精度达99.97%, 比传统模型提高约10%。可见, 利用伪标签减小了不同域之间的条件分布差异, 很好地处理了源域和目标域数据分布不一致的问题; 多尺度特征提取器能从不同尺度对齐样本的高层次特征, 增强了模型的泛化性与鲁棒性, 是解决变工况列车轴承故障诊断问题的一种有效模型。      

��·��ͨ������֧�����������Ԥ��

对交通运量做出较为准确的预测，能对相关部门和人员把握运输市场或进行决策有所裨益。对灰色、神经网络和支持向量机的三个预测模型进行了研究，以全国1996 ～ 2003年公路货运量为例，对公路货运量进行了预测，经过比较，支持向量机的预测方法精度较高。在分析组合预测特性的基础上，提出了对灰色系统、神经网络和支持向量机三种预测方法结果进行了线性组合预测方法和支持向量机的组合预测方法。与单一预测方法结果和线性组合预测进行对比，支持向量机组合预测方法比较精确。     

一类混合判断矩阵排序的优化模型及其应用

研究混合判断矩阵的排序问题,提出了一种新的混合判断矩阵排序法.定义一类新型混合判断矩阵,利用C-OWA算子、C-OWG算子及三角模糊数期望值公式分别将区间数互补、区间数互反和三角互补互(或互反)判断元素一致化为数值型互补与互反判断元素.基于一致性互补与互反判断矩阵的定义,建立一个优化模型,通过求解该模型获得方案的排序向量.提出一种新的混合判断矩阵序法,该方法具有操作简便和易于上机实现的特点.通过实例说明方法的可行性和实用性.     

基于EEMD-Hilbert和FWA-SVM的滚动轴承故障诊断方法

为有效提取非平稳特性的滚动轴承振动信号特征,提高故障诊断效率,提出一种采用集合经验模态分解（empiricalmode?decomposition,EEMD）、Hilbert变换的特征提取方法,并利用烟花算法优化支持向量机（support vector machine,SVM）分类参数的滚动轴承故障诊断方法. 通过EEMD方法将目标信号分解成若干个模态函数,采取Hilbert变换获取模态函数的瞬时频率,并对模态函数及其瞬时频率进行统计特征提取,从而实现特征的有效降维. 结果表明:信号经过EEMD-Hilbert处理后特征能有效提取,将训练集和测试集各600组数据代入烟花算法优化SVM模型得到测试集正确率为99.63%;比传统的遗传算法和粒子群算法优化模型分别提高0.4%和0.2%左右;同时收敛时间更短,验证了该算法模型的可行性与有效性.