基于AESL-GA的BN球磨机滚动轴承故障诊断方法

针对基于知识的贝叶斯网络(BN)构建方法存在不完全和不精确的缺点,提出一种基于知识引导和数据挖掘的BN结构构建方法。针对单一信号故障诊断结果不精确的问题和故障信息中存在的不确定性问题,将电流信号与振动信号融合建立BN的特征节点,分别提取2种信号的故障特征参数,利用区分度指标法进行特征筛选,将其作为BN结构特征层的节点。将专家知识构建的初始BN结构结合自适应精英结构遗传算法(AESL-GA)进行结构优化,通过自适应限制进化过程中的搜索空间,减少自由参数的数量,提高其全局搜索能力,得到最优BN结构。通过MQY5585溢流型球磨机滚动轴承实测数据和Paderborn University轴承数据集对所提方法进行验证,结果证明了所提方法的有效性。

少量样本下基于PCA-BNs的多故障诊断

针对一些工业设备因有标签故障样本数据少而导致诊断准确率低的问题,提出了一种PCA-BNs主成分分析和斯网络(principal component analysis-Bayesian networks, PCA-BNs)结合的多故障网络模型的建模方法。通过PCA对时序信号进行降维,得到相互独立的故障特征,提高提取故障关键信息的能力;利用融合单故障贝叶斯网络构建多故障贝叶斯网络结构的方法,解决BN建模过程耗时的问题;通过高斯分布与极大似然估计结合的方法确定网络参数,提高少量数据BN建模的精度,实现在少量样本下的故障诊断。试验结果表明,基于PCA-BNs的故障诊断方法在少量样本条件下,能实现高精度的故障诊断,并且有效缩减了算法运行时间。

Multi-GAT:基于多度量衡构建图的故障诊断方法

基于图神经网络的故障诊断方法,通常需要根据度量衡确定样本之间的相似性,进而构建图的拓扑结构.然而,根据单一度量衡可能无法准确衡量数据样本之间的相似性,进而导致无法准确表征样本之间的关系.因此,选用不同的度量衡会极大地影响图神经网络的诊断性能.为了解决通过单一度量衡无法准确表征数据样本之间相关性的问题,本文提出了一种基于多度量衡构造图的故障诊断模型——Multi-GAT.通过结合3种度量衡的计算结果,从而判断数据样本之间相关性的强弱.本文改进了图注意力网络的评分函数,使其能够依据样本之间相关性的强弱更准确地确定数据样本之间的相似性.在本文基准数据集上的实验表明, Multi-GAT能够提升模型的诊断精度,且拥有较好的稳定性.

基于AE-BN的发电机滚动轴承故障诊断

为解决风力发电机在复杂工况及耦合性、不确定性条件下故障识别的准确性问题,提出了一种基于自动编码器(AE)与贝叶斯网络(BN)的AE-BN故障诊断方法。采用AE对电流信号进行特征提取,得到能够高度表征信号的特征分量;基于故障与特征之间的因果关系,建立由故障位置、故障状态和故障特征搭建的三层BN;将AE的特征分量与BN的拓扑结构相结合建立风力发电机故障诊断模型,解决故障诊断中的不确定性问题,提高多故障诊断的准确性。实验结果表明:所提方法能够对故障特征信号进行分析及诊断,精确辨识不同故障类型,相比K近邻算法等具有明显优势。

基于多特征融合与RF的球磨机滚动轴承故障诊断

由于冶金工业工况复杂,很难从单一信号中获取高质量的故障特征,诊断效果不佳。针对直接使用电流和振动信号进行融合,不能体现2类信号在不同频段上的优势和彼此之间的互补信息,而影响诊断性能的问题,提出一种基于振动和电流信号的多特征互补融合故障诊断方法。将振动信号和电流信号的高频系数特征通过最大绝对值规则融合,形成体现高频段特征的互补特征;将振动信号和电流信号的低频系数特征通过稀疏表示(SR)融合,形成体现低频段特征的互补特征。通过定义由多特征组成的特征矩阵融合全频段特征,增强全局特征表征能力。采用递归特征消除法消除融合后的冗余特征,提高分类精度,结合随机森林(RF)对轴承故障状态进行分类。实验结果表明:所提方法相比基于振动信号和基于电流信号的诊断结果更加准确。

一种新的协作机器人人机用电容式多维力传感器设计

针对传统的应变式和压阻式多维力传感器存在信号需要放大调理、制作工艺难度大、成本较高等不足,设计出一种新型电容式多维力传感器。该传感器把所有的传感元件制造在单个印刷板上,无需粘贴应变片等元件,而是采用容值的变化来感知外部信息;COMSOL多物理场仿真软件仿真分析结果显示该电容式多维力传感器具有输出信号幅值大无需放大、抗干扰能力强、无需粘贴应变片等元器件易于实现小型化、成本较低、运行稳定等优势。

一种基于特征融合的点特征目标跟踪算法

联合目标的颜色和纹理特征,构造了由目标的颜色和纹理特征联合表示的特征点目标表示模型,利用Mahalanobis距离构造特征点匹配函数,利用自适应kalman滤波(AKF)算法预测特征点在下一帧图像中的位置,通过特征点匹配准确定位目标,达到实时、准确跟踪的目的。实验表明,该方法对于光线变化,目标形状相似以及目标被部分遮挡时的跟踪是有效和稳健的。

基于修正IMM的风机变桨系统故障诊断方法

针对交互式多模型(IMM)故障诊断方法固定模型转移概率导致的诊断准确性、速度下降和估计精度损失问题,提出了一种基于模型转移概率和模型概率修正的故障诊断方法,并与粒子滤波(PF)结合实现了风机变桨系统传感器的多故障诊断。在非模式切换阶段,采用后验模型概率梯度信息设计模型转移概率的修正函数,以抑制噪声对IMM估计精度的影响;在模式切换阶段,采用模型概率反转的策略快速切换模型,弥补模型软切换导致的诊断延迟和错误诊断。通过仿真实验证明所提方法的准确性、模型切换速度以及状态估计精度都得到了较好的提升。

强噪声环境下自适应CRPF故障诊断方法

针对非线性非高斯系统在实际工作环境中受强噪声干扰影响导致的故障诊断精度低的问题,提出了一种状态转移密度方差自适应更新的代价评估粒子滤波(CRPF)故障诊断方法。通过设计观测值与先验状态之间的相关性判别函数,根据噪声和误差的大小实时自适应调整状态转移密度方差,增强算法对强噪声干扰的适应能力;研究了残差自适应阈值的设计方法,通过引入滑动窗求区间均值代替基于参数置信区间自适应阈值的均值和方差,在保证故障诊断准确性的前提下减少计算时间。以160 MW燃油机组为例,通过对不同强噪声环境下的汽包水位传感器故障诊断实例分析,结果表明该方法在复杂噪声环境下故障诊断的准确性得到了明显提高,同时减少了计算时间。

基于证据分类的加权冲突证据组合

为了有效融合高度冲突的证据,在三角模算子和折扣因子分析的基础上,提出了一种基于证据分类的冲突证据融合规则。采用基于3角模算子定义的平均证据距离与冲突因子将证据分成可信任证据、不冲突证据和冲突证据三类,并赋予可信任证据和不冲突证据折扣因子1,极大程度上保留了证据对正确假设的支持;然后基于证据距离定义了改进的证据权重,基于加权原则对冲突证据进行合成得到修正的证据体,从而消除证据间的冲突;最后利用Dempster规则完成证据组合。算法分析表明所提方法是合理有效的。

智能优化的代价评估粒子滤波算法

针对噪声未知情况下粒子滤波算法进行状态估计时准确性低的问题,对智能优化的代价评估粒子滤波算法进行研究。结合代价评估粒子滤波算法特点设计了智能优化重采样策略,利用概率质量函数评价粒子的可信度,通过交叉变异操作引导粒子向风险较小的区域移动,改善基于风险和代价进行样本更新而导致的样本贫乏问题;通过对风险较大粒子的变异,扩展了粒子的后验分布区域。仿真结果表明,提出的智能优化代价评估粒子滤波算法具有良好的粒子优化性能,能在噪声统计特性未知情况下提高状态估计的精度。

基于AE-IFCM的轴承故障诊断方法

针对传统模糊聚类(FCM)方法对故障进行聚类的依据是原始数据之间的相似性,在滚动轴承的故障诊断中无法提取轴承数据的深层特征,对于耦合故障、微弱故障等复杂情况下,不同故障的特征难以有效区分,导致故障诊断准确率较低的问题,提出AE-IFCM轴承故障诊断方法。利用自动编码器(AE)网络提取轴承故障的样本特征,再利用改进的FCM(IFCM)进行故障诊断,通过对AE网络提取的抽象特征聚类,不仅可最大限度地利用样本数据,也能降低模型陷入局部极小值的风险。通过在凯斯西储大学轴承故障数据集中的实验表明,AE-IFCM能提高轴承故障诊断的准确性。

基于改进“当前”统计模型和AKF的机动目标跟踪

采用"当前"统计模型设计Kalman滤波算法,实现对机动目标的自适应跟踪;并针对"当前"统计模型对机动目标跟踪中存在的缺陷,提出改进的"当前"统计模型,根据滤波估计值对最大加速度进行自适应调整,使得系统噪声方差随着目标运动情况自适应变化;此算法在没有增加任何计算量的基础上有效提高了机动目标的跟踪性能.通过对实际交通视频的仿真实验验证了算法的有效性.

未知时变噪声下故障诊断的粒子滤波方法

针对复杂系统故障诊断问题中未知时变噪声对系统精度的影响,提出了一种噪声统计特性未知且时变的粒子滤波方法.将过程噪声和量测噪声组成联合噪声,并用Normal-inverse-Wishart分布来表示联合分布的统计特性,通过参数的递归更新实现对未知及时变噪声统计特性的实时估计和修正;然后根据噪声的组成原则,对联合噪声分解得到过程噪声和量测噪声.同时,考虑噪声时变特性和运行时间,采用部分重采样和变异操作结合的方法通过对小权值粒子的变异减小计算量,变异操作更加符合时变噪声引起的系统状态时变特性,提高采样效率.最后通过对噪声时变的非线性系统故障诊断仿真分析,验证了该方法的有效性.

基于改进粒子滤波的视频目标跟踪算法比较分析研究

针对标准粒子滤波算法存在的缺陷,本文引入了两种改进的方法,引入最新的量测信息,改进粒子滤波的建议分布。EKPF通过引入扩展卡尔曼算法改进粒子分布,UPF引入无味变换改进粒子的分布,并对其进行了仿真对比分析。实验结果表明,UPF算法优于扩展卡尔曼粒子滤波算法与标准粒子滤波算法。

基于特征点的运动汽车跟踪算法研究

设计了一种基于特征点的运动汽车实时跟踪算法。结合自适应卡尔曼滤波(Adaptive Kalman Filter,AKF)算法,提出了一种简单实用的特征点匹配跟踪算法,实验表明该算法既能准确的描述目标,又减少了匹配计算量,从而实现了快速准确地跟踪运动汽车的目的。

一种多方位超声波测距仪的设计

由于超声波对环境的适应能力强、信息处理简单、速度快等特点而广泛应用于液位测量、机械手控制、车辆自动导航、移动机器人、物体识别等方面,但它也存在一些缺陷使得测量的准确度受到影响.基于对超声波测距原理和超声波特点的研究,针对回波信号弱,方向性差的缺陷,为了实现在某些特殊场合(如井下测量、能源勘探)的测距以及提高测量强度,提出了一种多方位超声波测距仪的设计思想.

基于自适应高斯混合模型与静动态听觉特征融合的说话人识别

对特征参数和高斯混合模型进行改进,提出了一种特征域和模型域混合补偿的方法用于解决说话人识别特征受噪声影响较大以及高斯混合模型随训练样本长度减小而性能下降的问题。通过模拟人耳听觉,给出了基于伽马通滤波器的伽马通滤波倒谱系数;考虑其只反映了语音的静态特征,提取了能够反映语音动态特征的伽马通滑动差分倒谱系数。基于因子分析技术,利用移动因子表示高斯混合模型的自适应过程,通过训练语料较充分的说话人模型中的均值向量补偿受训练语料长度影响较大的分量的均值向量。仿真实验表明:在纯净背景下,本文方法的识别率达到了98.46%;在不同噪声环境下,本文提出的混合补偿方法能有效提高说话人识别系统的性能。

基于VMD和SVPSO-BP的滚动轴承故障诊断

为了提高旋转机械滚动轴承故障诊断的准确率,提出一种基于变分模态分解(VMD)和缩放变异粒子群算法(SVPSO)优化BP神经网络的旋转机械滚动轴承故障诊断方法。通过在标准粒子群算法中加入缩放因子以及粒子变异操作提升其局部与全局寻优性能,得到一个改进的粒子群算法——缩放变异粒子群算法(SVPSO),再利用该算法优化BP网络的权值与阈值,提高BP神经网络的故障诊断精度;进一步,为了减少输入特征向量对BP神经网络分类性能的影响,采用VMD分解轴承振动信号,并计算其IMF分量时频熵的方法构建信号特征向量。通过与其他采用相同基准轴承数据集的诊断方法作对比,所提方法的故障诊断精度和算法稳定性均得到有效提升。