基于深度残差网络的机床减速器故障诊断研究

为了进一步提高对机床不同故障的分类准确率,设计了一种深度残差网络。通过对机床振动试验台信号预处理优化网络结果,并进行故障诊断对比分析。研究结果表明:当行数比列数更少时,随着两者差异增加,模型分类准确率显著降低;当行数超过列数后,模型达到了更高的分类准确率并保持相对稳定的状态。CNN网络比浅层模型LeNet表现出了更强识别性能。ShortCut结构具备明显优越性,有助于网络具备更强识别能力。该研究有助于提高减速器的运行效率,可将其拓宽到其他机械传动领域,具有很好的应用价值。

基于WPD-tSNE-SVM方法的电站机组主轴故障诊断分析

为提高电站机组主轴故障诊断效率,设计一种WPD-tSNE-SVM组合模型,采用小波包混合特征与支持向量机(SVM)对电站机组轴承开展故障诊断。研究结果表明:采用t分布式邻域嵌入方法降维数据呈现规律分布特征,说明小波包混合特征提取方法能够满足有效性。非线性SVM多故障分类器能够满足小波包混合特征的精确故障分析,各分类器都可以实现小波包混合特征集的高效分类,以径向基核函数设置的非线性SVM诊断方式达到了更高的准确率,从而为之后的维护保养过程提供参考价值,促进维护效率的进一步提升,有效保障电站机组主轴处于稳定运行状态。根据该方法诊断主轴轴承运行故障,为后续维护保养提供指导意义,获得更高的维护效率,确保电站机组主轴运行稳定性。

基于随机投影的正交判别流形学习算法

提出一种基于流形距离的局部线性嵌入算法,以流形距离测度数据间的相似度,选择各样本点的近邻域,解决了欧氏距离作为相似性度量时对邻域参数的敏感性.在MDLLE算法中引入最大边缘准则(maximum margin criterion,MMC)来构建最优平移缩放模型,使得算法在保持LLE局部几何结构的同时,具有MMC准则判别能力.通过正交化低维特征向量可消除降维过程中的噪声影响,进而提高算法的监督判别能力.由实验结果得到,所提出的方法具有良好的降维效果,能有效避免局部降维算法对邻域参数的敏感.随机投影独立于原始高维数据,将高维数据映射到一个行单位化的随机变换矩阵的低维空间中,维持映射与原始数据的紧密关系,从理论上分析证明了在流形学习算法中采用随机投影可以高概率保证在低维空间保持高维数据信息.

基于t分布随机邻域嵌入算法的工业过程故障分类

针对在工业过程中数据普遍存在的非线性特性,基于数据的局部相关关系对分类的影响,提出一种基于t分布随机邻域嵌入(t-SNE)的数据特征提取和故障分类方法。利用t-SNE算法非线性、非参数降维的优势,与费舍判别分析(FDA)、支持向量机(SVM)分类器相结合建立故障分类模型。利用t-SNE算法对故障数据进行非线性特征提取,获取数据的关键区分特征。用FDA和SVM算法实现故障分类和识别。通过田纳西-伊士曼(TE)过程获得的实验数据进行实验仿真分析,并分别与基于核主元分析法(KPCA)、拉普拉斯特征映射(LE)构建的KPCA-FDA、LE-FDA、KPCA-SVM、LE-SVM 4种故障分类模型进行比较。定量评估结果表明:即使基于不同分类器,相较于其他2种方法,该文方法的分类准确率分别提升了2%和7%,且其平均分类准确率能保持在97%以上。

基于Mt-SNE的冷水机组故障特征检测研究

针对欧氏距离在高维空间中不能忠实反映样本位于非线性流形上的相似关系,提出基于马氏距离的t分布随机邻域嵌入算法(Mt-SNE)。用改进的算法对输入数据进行降维处理,并将输出结果作为支持向量机(SVM)的输入向量进行分类,采用ASHRAE制冷系统故障实验数据进行模型训练与验证。结果表明,该算法比传统的线性降维算法主元分析法(PCA)和非线性降维算法t分布随机邻域嵌入(t-SNE)都有更好的特征提取能力,可以用于冷水机组故障数据的特征提取。

X射线荧光光谱结合深度学习算法可视化检验食品包装纸

为了实现对案件现场常见食品包装纸的快速分类及认定,提出一种基于X射线荧光光谱(XRF)结合深度学习算法的食品包装纸可视化检验方法。首先,采用XRF检验44个不同来源的食品包装纸样本中的无机元素,并根据主要构成元素的含量,对其进行人工分类和系统聚类分析。其次,分别使用主成分分析和t分布随机邻域嵌入两种降维算法处理数据以检验聚类效果,并实现数据分类可视化。最后,随机选取80%的样本作为训练集构建人工神经网络,并进行相关实验。实验结果表明,所提方法在测试集上的分类正确率为88.9%,可以为未来公安业务实际应用提供参考。