位置优化Fisher测度在轴承故障特征选择中的应用

为了提高滚动轴承故障诊断率,充分利用时域、频域及时频域特征对轴承运行状态的识别能力的差异性,并考虑到特征之间易出现不相关、冗余干扰等问题以及实际工程对简单、快速、有效的特征评估方法的需求,在构建轴承混合域特征集的基础上,提出了一种位置优化Fisher测度(POFM)方法并将其应用于轴承故障特征选择。该方法基于Fisher准则,引入中值法通过多类样本的位置关系修正特征对状态分离聚合敏感程度的评估系数,从而筛选出能抑制状态间重合度的特征。此外,针对智能诊断模型确定最优特征集效率低的问题,提出了多维空间测度-Fisher的特征集评估方法,通过计算不同维数候选特征集在多维空间中的距离测度指标,基于极大值原则筛选出最优特征集。最后,通过轴承故障实验对所提算法进行验证,实验结果表明,提出方法得到的最优低维特征集可以有效诊断轴承故障,在特征组合数为3时支持向量机分类器诊断正确率达到了99.17%。

基于敏感特征选择与流形学习维数约简的故障诊断

针对故障诊断中特征集包含非敏感特征和维数过高的问题,提出基于特征选择(Feature Selection,FS)与流形学习维数约简的故障诊断方法。提出一种改进的核空间距离测度特征选择方法(Improved Kernel Distance Measurement Feature Selection,IKDM-FS),在核空间中计算样本类间距离和类内散度,优选出使样本类间距大、类内散度小的特征,并根据特征的敏感程度对特征进行加权。通过线性局部切空间排列算法(Linear Local Tangent Space Alignment,LLTSA)对由敏感特征组成的特征子集进行特征融合,提取出对故障分类更加敏感的融合特征,并输入加权k最近邻分类器(Weighted k Nearest Neighbor Classifier,WKNNC)进行故障识别。WKNNC具有比k最近邻分类器(k Nearest Neighbor Classifier,KNNC)更加稳定的识别精度。最后,通过滚动轴承故障模拟实验验证了该方法的有效性。

基于心理落差测度的共识决策方法及应用

针对目前已有群体共识研究大多都忽略了决策者心理感知和实际评价差异之间关系的不足,提出了一种基于心理落差测度的共识决策方法.首先,本文提出了空间距离测度和序测度,并基于此构建了求解决策者最优权重的线性规划模型.其次,将韦伯费希纳心理物理学定律拓展到群体共识过程之中,提出了基于群体决策的心理落差概念,并定义了心理落差测度;该测度能够较好地刻画评价差异刺激带给决策者的主观感受,进而能够量化决策者对群体意见的接受程度.在此基础上,提出了心理阈值的概念,并给出了确定心理阈值的方法;本文所提心理阈值是根据决策环境客观确定的,且能够满足不同评价层次对阈值的差异性需求.然后,设计了基于心理阈值的调整反馈机制.最后,通过物流企业智能化水平评价的案例研究和对比分析,验证了本文所提方法的可行性和有效性.