基于改进联合分布适应的轴承智能故障诊断方法

在轴承故障诊断过程中,存在缺乏足量故障样本、变工况下信号分布差异等问题。虽然基于机器学习和深度学习方法的智能故障诊断方法的运用取得了许多成果,但该方法在应用过程中仍面临一些挑战,阻碍了智能故障诊断方法在实际工业场景下的应用。为此,提出了一种基于改进联合分布适应的轴承智能故障诊断方法(BIFD-IJDA)。首先,利用小波包变换对振动信号进行了分解与重构,再计算了重构信号的统计参数,构成了原始特征集;然后,设计了基于特征重要度与KL散度的迁移特征选取方法,对各统计参数特征进行了量化评估;采用了改进联合分布适应方法,对源域和目标域特征集进行了分布适应处理,降低了域间分布差异;最后,利用源域特征样本训练的故障诊断模型预测了目标域样本故障类别,采用美国凯斯西储大学实验台和机械故障模拟(MFS)实验台的轴承故障数据,开展了不同工况下的故障诊断实验。实验结果表明:该故障诊断方法在2种轴承故障数据下取得的最大故障诊断准确率分别为100%和96.29%,明显优于其他对比模型。研究结果表明:该故障诊断方法具有应用于实际工业场景的潜力。

变工况轴承的联合分布适应迁移故障诊断

针对传统的机器学习算法在变工况条件下的轴承故障分类中诊断率低的问题,提出了基于联合分布适应(JDA)算法与K-最近邻(KNN)分类算法相结合的轴承故障诊断方法。首先该方法通过提取不同工况下的轴承故障信号的时域特征分别作为源域样本和目标域样本,并通过Fisher线性判别分析(FLDA)方法计算各个特征所占权重。然后将权重较大的特征组成的特征向量通过JDA方法进行联合分布适配,即通过核函数将源域样本和目标域样本映射到低维潜在空间,以最大均值差异(MMD)距离为度量标准,同时减小源域和目标域样本的边缘分布和条件分布差异。最后将适配完的源域和目标域样本分别作为训练集和测试集,通过KNN分类器进行模式识别,最终实现在变工况条件下的轴承故障诊断分类。通过仿真分析和实验验证,所用方法相较于主成分分析(PCA)、核主成分分析(KPCA)传统机器学习方法以及TCA迁移学习方法,显著提高了变工况条件下的轴承故障诊断精度。

单峰高斯分布适应面上的误差阈

在Eigen的单峰适应面模型基础上,提出了生物体的适应值为高斯分布的随机适应面模型。利用系综平均的方法,计算了在单峰高斯分布适应面上准物种的浓度分布和误差阈。结果表明,对于小的适应面涨落,准物种分布和误差阈与确定情形相比变化极小,误差阈对于小的涨落是稳定的。然而,当适应值涨落较大时,从准物种到误差灾变的转变不再明显。误差阈变宽,并且在涨落增加时向大的突变率方向移动。

基于平衡分布自适应迁移学习的多风电机组运行状态监测方法

风电机组状态的准确监测对风电机组安全稳定运行和经济效益提升至关重要。但是,受不同风电机组运行数据分布差异的影响,现有状态监测方法在多风电机组应用场景下存在精度和效率难以兼顾的问题,而平衡分布自适应迁移学习(BDA)可以拉近数据距离,同化数据分布。因此,文章提出了一种基于BDA的多风电机组状态监测方法。首先,基于Copula熵的互信息法挖掘风电机组运行状态关键影响参量;然后,构建基于门控循环单元模型(GRU)和序贯概率比检验(SPRT)方法的单风电机组状态监测模型;最后,构建基于BDA的多风电机组运行数据分布同化模型,并用于多风电机组运行状态监测。算例结果表明,所提方法可以有效节省建模成本和计算成本,能够在保障多风电机组运行状态监测精度的前提下,显著提升监测效率。

基于Circle映射和自适应t分布变异改进的鹈鹕优化算法

针对传统鹈鹕优化算法(POA)存在收敛速度慢、易陷入局部最优解等缺陷,提出一种基于Circle映射初始化和自适应t分布变异的改进的鹈鹕优化算法(IPOA)。首先,在种群初始化阶段,采用Circle映射生成具有高度多样性的初始解,并结合反向学习策略,提高种群多样性,增强种群的探索能力。其次,在迭代过程中,采用自适应t分布变异操作对个体进行扰动,有助于鹈鹕优化算法跳出局部最优解并提高收敛速度。另外,在鹈鹕优化算法的探索阶段引入自适应因子和改进惯性权重,更好地平衡算法全局探索能力和局部开发能力。最后,在多个测试函数上将IPOA与其他4种经典算法进行比较。实验结果表明,IPOA在收敛速度、全局搜索能力和收敛鲁棒性方面均有显著提升。

融合自适应t分布和随机游走策略的松鼠优化算法的研究

针对松鼠优化算法在后期寻优能力不足、容易陷入局部最优以及种群多样性损失较大的问题,提出了一种融合自适应t分布和随机游走策略的松鼠优化算法(TRWSSA)。该算法利用折射反向学习策略进行种群初始化,增强了种群的整体多样性;引入非线性搜索因子并且在每一次松鼠位置更新中加入自适应t分布扰动位置,减少算法陷入局部最优的概率,增强全局寻优能力;在最后的位置更新中加入随机游走策略对最优松鼠位置进行扰动更新,提高算法后期的收敛精度和速度。通过在8个基准函数上的仿真实验,对比其他智能算法以及改进算法,实验结果和分析表明TRWSSA在收敛速度、收敛精度上有明显提升,且能较好地解决寻优不足问题。

一种基于深度自适应网络迁移的暂稳评估模型更新框架

为解决电力系统的运行方式或拓扑结构变化后暂稳评估模型的适应性问题,常规的特征迁移学习方法主要侧重于拉近源域与目标域数据集间的条件分布或边缘分布的距离,却不能定量的评价这两种分布对于不同域之间的贡献,导致模型迁移性能不理想。针对该问题,引入SENet注意力机制和动态分布自适应算法,构建了基于SEDDAN迁移的深度自适应网络暂稳评估模型更新框架,从特征提取和不同域间分布权重的动态调整两个层面进行改进,进一步提升了评估模型的迁移性能和自适应性。在IEEE 39和IEEE 140节点系统上进行测试,仿真结果表明所提模型在更新后的评估准确性、适应性和迁移性能方面有一定的优势。

无线传感器网络的鲁棒分布式估计算法

为了提高无线传感器网络在非高斯噪声环境下的分布式估计性能,提出了一种基于半二次准则的变尺度扩散式自适应滤算法,该算法采用了一种凸代价函数的半二次准则(half-quadratic criterion,HQC),使算法可以更加有效地寻找最优解、具有更快的收敛速度和更高的滤波精度,并且对脉冲噪声具有更强的鲁棒性.另外,通过引入变尺度因子来平衡和进一步提高算法的收敛速度与稳态误差性能.文中对算法的性能进行了理论分析和仿真对比,结果表明在不同的非高斯噪声环境下,所提算法对未知系统具有更高的辨识效率,其收敛性能和稳态误差性能都优于其他的扩散式自适应滤波算法.

基于自适应t分布与动态权重的樽海鞘群算法

针对樽海鞘群算法寻优精度低、收敛速度慢和易陷入局部最优等缺点,提出一种基于自适应t分布与动态权重的樽海鞘群算法。首先,在领导者位置更新中引入蝴蝶优化算法中的全局搜索阶段公式,以此来增强全局探索能力;然后,在追随者位置更新中引入自适应动态权重因子来加强精英个体的引导作用,从而增强局部开发能力;最后,为了避免算法陷入局部最优,引入自适应t分布变异策略对最优个体进行变异。通过对12个基准测试函数进行求解,根据平均值、标准差、求解成功率、Wilcoxon检验和收敛曲线分析,表明所提出的算法要优于标准樽海鞘群算法,以及参与比较的其他改进樽海鞘群算法和其他群智能算法,说明了其在寻优精度和收敛速度方面都有显著提升,并且具备跳出局部最优的能力。通过将其应用在脱硝入口浓度最低点寻找上,验证了算法的有效性。

基于改进T分布烟花-粒子群算法的AUV全局路径规划

针对传统粒子群算法在处理自主水下机器人(Autonomous Underwater Vehicle,AUV)全局路径规划时面临的寻优时间长、能耗高的问题,本文提出一种改进的T分布烟花-粒子群算法(T-distribution Fireworks-Particle Swarm Optimization Algorithm,TFWA-PSO),该算法融合了烟花算法的高效全局搜索能力和粒子群算法的快速局部寻优特性.在变异阶段,提出自适应T分布变异来扩大搜索范围,并在理论上证明了该变异方式能够使个体在局部最优解附近增强搜索能力.在选择阶段提出了适应度选择策略,淘汰适应度差的个体,解决了传统烟花算法易丢失优秀个体的问题,并对改进的T分布烟花算法与传统烟花算法的收敛速度进行对比.将改进算法的爆炸操作、变异操作和选择策略融合到粒子群算法中,对粒子群算法的速度更新公式进行了改进,同时从理论上对所改进的算法进行了收敛性证明.仿真实验结果表明,TFWA-PSO能够有效规划出一条最短路径,同时与给定的智能优化算法相比,TFWA-PSO在寻找最优路径的时间上平均降低了24.72%,能耗平均降低了17.33%,路径长度平均降低了16.96%.

平衡分布自适应的变工况轴承故障迁移诊断研究

针对机器学习方法中样本满足独立同分布导致的诊断精度低下问题,提出了平衡分布自适应(BDA)算法与K-最近邻(KNN)分类算法结合的轴承故障迁移诊断方法。提取变工况下的轴承故障信号的时域特征分别作为源域和目标域,并利用Fisher判别分析方法优选特征;基于BDA将不同工况的特征样本映射至可再生希尔伯特空间,引入最大均值差异(MMD)对变工况样本的边缘分布差异和条件分布差异进行适配;利用KNN分类器对分布适配后的样本进行迁移诊断。仿真和实验表明:本文方法在同实验平台和跨实验平台迁移上,轴承诊断的准确性和分布距离相较于其他算法优势明显。

基于物种分布模型预测两种风铃木在中国的引种适应分布

物种分布模型(Species Distribution Models,SDMs)常被用于评价物种在不同地域的适生概率,但能否用于指导远距离引种栽培仍需试验证明。该研究以黄花风铃木和红花风铃木这两种外来树种为研究对象,对比理论预测结果与实际栽培分布的差异。结果显示:黄花风铃木和红花风铃木的理论适生阈值分别为0.433和0.469,均明显高于栽培样点的最低适生概率。其中,黄花风铃木的预测适生区面积约为7.96×10^(4) km^(2),仅包含4.19%的实际栽培样点,是实际可栽培面积的6.48%。红花风铃木的预测适生区面积约为28.91×10^(4)km^(2),包含71.79%的实际栽培样点,是实际可栽培面积的62.62%。回归分析结果显示土壤pH值、最冷月均温、土壤有机物碳含量对黄花风铃木在中国的适生概率有明显的正影响,而最冷月均温对红花风铃木的适生概率有明显的负影响。该研究证明了物种分布模型在指导远距离引种栽培时可能存在较大误差,并揭示了影响风铃木预测准确度和适应性分布的可能原因。该研究将为物种分布模型的应用优化以及风铃木的栽培选育提供参考。

一种自适应t分布和Lévy飞行机制的沙猫群优化算法

沙猫群算法是一种新颖的群智能优化算法。为了进一步提高该算法的收敛精度,避免陷入局部最优问题,引入自适应t分布和Lévy飞行机制改进沙猫群算法,称之为TLSCSO算法。首先设计一个非线性收敛因子,用来平衡算法的探索和开发,再引入自适应t分布,提高收敛精度,最后引入Lévy飞行机制,使算法跳出局部最优。在CEC 2022的12个测试函数上与其他算法进行对比,计算结果表明,TLSCSO在大部分测试函数上能够找到更好的解,且收敛速度快。

域适应网络与平衡动态分布自适应的轴承变工况故障迁移诊断研究

机械设备在工业现场下的工况复杂多变,导致故障样本分布不均,给传统机器学习带来巨大的困扰。针对上述问题,提出了一种基于域适应神经网络与平衡动态分布自适应的轴承故障迁移诊断方法。首先,利用小波变换改进卷积神经网络的卷积层,并自适应提取轴承样本特征。其次,利用最大均值差异度量和权重正则化在损失函数处理所生成的特征,改善样本分布差异,获取域适应神经网络模型。最后,利用A-distance距离改进平衡分布自适应,使其具备动态特性,进一步改善样本分布差异,通过KNN分类器实现轴承迁移诊断。经过实验验证,所提方法在同试验台和跨试验台案例验证中,能够较为精确地迁移出轴承故障状态,证明该方法可有效解决无标签样本在变工况条件下样本分布不均的问题,具备有效性与鲁棒性。

基于自适应t分布与随机游走的麻雀搜索算法

针对麻雀搜索算法在解决复杂问题时存在的收敛精度降低以及陷入局部最优等问题,文中提出了一种基于自适应t分布与随机游走的麻雀搜索算法。该算法在初始化过程中使用反向学习来生成反向解,从中选择优秀的个体组成初始化种群。在原始麻雀搜索算法上采用自适应t分布策略和高斯随机游走策略可以提高麻雀个体的寻优能力,同时防止算法早熟。仿真结果表明,相较于对比算法,文中所提算法的收敛精度和收敛速度都有所提升。

多导弹分布式自适应协同制导方法

针对多导弹的齐射攻击问题,提出了一种具有异构"领弹-被领弹"的分布式自适应协同制导方法.该方法在局部通信和传统比例导引基础上,基于分布式网络同步原理设计了领弹和被领弹的分布式协同制导律.领弹的分布协同制导基于固定系数的比例导引律,而被领弹的分布协同制导则基于自适应可变系数的比例导引律,并设计了被领弹比例导引系数的分布式自适应调节规律.给出了5枚导弹协同目标攻击的仿真结果,验证了该自适应分布式协同制导算法的有效性.

火电机组热力系统的自适应汽水分布状态方程

该文以热力学第一定律和质量守恒定律为基础,通过分析大量的热力系统的结构特点,导出火电机组热力系统自适应汽水分布状态方程,该方程首次将热力系统的结构变化因素(如加热器解列、疏水方式的改变等)引入到了方程中,不但能适用于结构一定的任意形式的热力系统,而且能自适应于结构发生随机的、动态变化的热力系统。从而为热力系统的分析计算,特别是为结构发生动态变化的热力系统的理论分析计算和在线监测提供了一种新的工具。

基于任务的自适应分布计算研究

基于我国新一代国防领域信息处理系统要求处理速度快、I/O吞吐量大、可靠性高、良好的可扩展性需求,文章提出了基于任务的自适应分布计算算法思想,并对其实现提出了详细的设计思想。

高速碰撞数值计算中的SPH自适应粒子分布法

针对传统光滑粒子法在计算高速碰撞问题时会出现近邻粒子逸出核函数影响域而产生数值破坏这一缺陷,提出了一种根据粒子间距变化自动添加、合并粒子的SPH自适应粒子分布算法。采用该方法对Taylor碰撞和超高速碰撞问题进行了数值模拟,结果表明,该方法可以有效地消除计算中出现的数值破坏,提高计算精度。

基于自适应t分布变异麻雀搜索算法的无人机航迹规划

为使无人机可以在复杂环境中高效率地完成指定任务,提出一种基于自适应t分布变异的麻雀搜索算法的航迹规划方法。建立用于无人机航迹规划的三维空间模型和航迹代价模型,将航迹规划问题转化为多维函数优化问题,并对其进行优化求解。仿真结果表明,相比传统的粒子群算法和麻雀搜索算法,改进后的算法能够得到一条避开障碍物和威胁区域的最优路径,证实该方法在无人机路径规划中具有更强的稳健性和可行性。