加权决策模板业务感知算法

针对决策模板法在业务感知准确率上的局限性问题,提出了加权决策模板法。该方法首先利用有监督的神经网络模糊聚类分类器作为基本分类器,再通过混淆矩阵衡量分类器对样本不同类别的置信度,经过两级的性能权衡,赋予该算法更高的可信度。在训练阶段根据错误分类的样本构造一个附加的加权决策模板,若在测试阶段有样本离该模板的距离最近时,可以认为该样本被错误分类的可能性很大,从而保证该算法具有高识别准确率。实验结果表明,与决策模板法对比,加权决策模板法在业务感知上具有更高的准确性。

基于LS-SVM多分类器融合决策的混合故障诊断算法

故障诊断的关键是特征向量提取和分类器的选择,提出一种综合运用多特征提取和多分类器组融合决策的故障诊断算法。多特征提取选择小波包变换、总体平均经验模式分解方法(Empirical Mode Decomposition,EEMD)和改进小波能熵方法,得到三组不同的故障特征信息;将这三组特征信息输入由3个最小二乘支持向量机(Least Square Support Vector Machine,LS-SVM)组成的分类器组进行初步诊断;采用自整定权值的决策模板法(Self-adjusting weighted Decision Templates,SWDT)进行多分类器诊断结果的融合决策。实验证明,该方法能实现轴承不同故障类型,尤其是复合故障的可靠识别,验证了该算法提取轴承故障特征信息的完备性,以及分类器组融合决策的可靠性。