基于蚁群算法的故障识别

提出了一种新的基于蚁群算法的故障诊断知识获取算法。该算法将故障诊断中故障的识别分类问题转化为求解带约束的最优化聚类问题,并应用改进的蚁群算法,基于群体的协作与学习求解这一聚类问题。将该方法应用于一化学反应器的故障诊断过程,结果表明该算法具有实现简单、收敛速度快、本质分布式并行性、鲁棒性强以及故障识别结果可靠等优点。

高斯径向基核函数参数的GA优化方法

核Fisher判别法KFDA(Kernel Fisher Discriminant Analysis)在模式分类应用中通常采用高斯径向基函数做核函数,但高斯径向基函数中参数σ的选取对模式分类的效果影响较大。参数σ的选取目前仅凭经验,缺乏自动选取方法。提出采用遗传算法GA(Genetic Algorithm)实现自动优化参数σ使KFDA具有自适应性的方法,用GA优化参数σ所确定的高斯径向基核函数应用于KFDA时,模式分类的可分性测度大。该方法在电机滚动轴承故障分类实验表明优于其他KFDA分类效果。

模式分析的核函数设计方法及应用

利用卷积算子和H1(R)核函数给出了一种设计Hn(R)核函数的新方法,该方法简便易行。运用该方法设计的核函数,应用在轴承正常振动信号数据、轴承内圈、外圈以及滚动体故障振动信号数据进行核主成分分析(KPCA)中,仿真结果表明:该方法可以有效地识别轴承正常和内圈、外圈以及滚动体故障。

基于Chebyshev最佳逼近的偏正交分解特征提取方法

本文提出一种新的非平稳非线性信号特征提取方法。首先,利用Chebyshev插值法建立非平稳信号的最佳一致逼近函数;然后,通过对该函数进行偏正交分解获取对应的特征值及特征向量。特征值及特征向量作为信号特征,具有较高的稳定性。该方法计算量少,具有较高的模式稳定性。运用该方法通过对CWRU(Case Western Reserve University Bearing Data Center)轴承数据分析计算,得到正常滚动轴承与各类故障滚动轴承的特征值向量。实验表明:特征值向量与正常滚动轴承,故障滚动轴承有明显的差异,取得了良好的分类效果。

基于遗传算法的核函数参数优化

核主分量分析是一种输入输出特征非线性变换技术。选择最优或接近最优的非线性变换核函数参数,使类的可分性测度最大,是KPCA应用于特征提取的关键。本文采用高斯变异遗传算法作优化技术,实现了KPCA和GA的集成,适合核函数参数的优化选择。仿真表明,该技术可行、有效。

基于复值小波模和幅角经验正交分解的奇异性特征提取

提出了基于Hermitian复值小波模和幅角经验正交分解方法,采用这种方法可以提取信号奇异性特征。通过在滚动轴承故障诊断应用表明:小波模和幅角协方差矩阵的特征值向量反映了在时间-尺度平面上的分布结构,不受时间平移影响,便于信号的奇异性特征提取;用主成分重构信号小波模和幅角,能更清晰地反映信号的奇异性特征,便于分类识别.

基于FCS的控制技术研究

基于现场总线的网络控制系统已成为自动化技术发展热点之一,因涉及到网络通信与控制方面的问题,相对比较复杂。近几年来,这种系统在实际过程控制中发挥了很好的作用,但理论研究相对滞后,本文从控制方面总结了国内外这种系统的理论研究成果,并且介绍了几种网络环境下控制器的设计方法,最后展望网络控制技术的发展方向。