针对齿轮箱振动信号复杂多变,导致现有的齿轮箱故障诊断方法诊断精度不高、较弱故障特征容易被噪声淹没等问题,提出了一种基于向量加权平均优化算法(weighted mean of vectors,INFO)、变分模态分解(variational mode decomposition,VMD...针对齿轮箱振动信号复杂多变,导致现有的齿轮箱故障诊断方法诊断精度不高、较弱故障特征容易被噪声淹没等问题,提出了一种基于向量加权平均优化算法(weighted mean of vectors,INFO)、变分模态分解(variational mode decomposition,VMD)和卷积神经网络(convolutional neural network,CNN)的齿轮故障诊断方法。该方法首先采用熵权法将不同位置的振动传感器信号信息进行融合,利用INFO对VMD算法中参数进行优化,并设计一个复合评价指标作为参数优化的评价标准,使用奇异峭度差分谱的方法对敏感分量进行重构;其次,从重构的信号中提取时域、频域特征并输入到CNN模型中进行分类;最后通过Shap(Shapley additive explanations)值法对模型输入特征的重要性进行排序,分析不同特征组合对模型分类和特定故障识别的影响。在东南大学行星齿轮数据集上进行验证,结果表明,利用所提特征组合进行故障诊断,CNN模型故障诊断准确率为98.24%,高于其他特征组合,为行星齿轮箱的故障诊断提供了一组有效的特征指标。展开更多
针对畜禽疫病文本中特征项权重分配不准导致诊断准确率较低的问题,利用提出的TF-IIGM-NW(Term Frequency-Improved Inverse Gravity Moment With Normalization and Weighting)改进算法结合Word2vec词向量进行文本向量化表示。该方法在T...针对畜禽疫病文本中特征项权重分配不准导致诊断准确率较低的问题,利用提出的TF-IIGM-NW(Term Frequency-Improved Inverse Gravity Moment With Normalization and Weighting)改进算法结合Word2vec词向量进行文本向量化表示。该方法在TF-IIGM(Term Frequency-Improved Inverse Gravity Moment)算法的基础之上,对其进行归一化处理并结合基于关键词抽取算法设定的规则,进一步提升文本内核心关键词权重,然后将其与结合Word2vec词向量获取的文本向量化表示结果输入支持向量机(Support Vector Machine,SVM)进行畜禽疫病诊断。为了验证算法的有效性,基于自建的羊疫病文本数据集,将改进算法与现有词向量常见处理方式进行对比分析。结果表明,基于TF-IIGM-NW算法的macro-F1值与micro-F1值分别达到96.73%,96.76%;与传统经典算法TF-IDF(Term Frequency-Inverse Document Frequency)相比,分别提升2.25%,2.26%;与TF-IIGM算法相比,分别提高0.90%,0.97%。改进算法能够有效提升疫病诊断性能。通过SVM在每类疫病上的实验结果分析表明,羊口疮疫病类别最易被错判。展开更多
轨道交通LTE-M(Long Term Evolution-Metro,基于轨道交通的长期演进)同频干扰检测关乎列控信号传输的可靠性,提出一种基于INFO(weIghted meaNoFvectOrs,基于向量加权平均)算法的盲源分离方法,即INFO-BSS。该方法以混合信号的最大化负熵...轨道交通LTE-M(Long Term Evolution-Metro,基于轨道交通的长期演进)同频干扰检测关乎列控信号传输的可靠性,提出一种基于INFO(weIghted meaNoFvectOrs,基于向量加权平均)算法的盲源分离方法,即INFO-BSS。该方法以混合信号的最大化负熵为目标函数,用INFO优化算法替代牛顿迭代法,解决了牛顿迭代法初始参数易设置不当以及容易陷入局部最优的问题。仿真结果对比表明,在不同分辨率带宽、不同信干比等条件下,INFO-BSS的检测性能都要优于常规算法。展开更多
针对二次风机状态监测故障的预警问题,提出了一种基于混沌向量加权平均(chaos weighted mean of vectors, CINFO)算法的长短期记忆(long short-term memory, LSTM)网络多输出回归方法。首先,使用Spearman相关系数分析方法筛选出与二次...针对二次风机状态监测故障的预警问题,提出了一种基于混沌向量加权平均(chaos weighted mean of vectors, CINFO)算法的长短期记忆(long short-term memory, LSTM)网络多输出回归方法。首先,使用Spearman相关系数分析方法筛选出与二次风机轴承温度、二次风机轴承振动相关性系数较高的特征参数,对输入数据进行降维。然后,通过CINFO确定多输出LSTM网络的最优超参数,提高了神经网络的预测精度。随后,根据序贯概率比检验(sequential probability ratio test, SPRT)法确定了设备的故障阈值。最后,将选定的特征参数作为CINFO-LSTM网络的输入,使用序贯概率比检验法实现了二次风机的故障预警。实验结果验证了该方法的可行性和有效性。展开更多
针对最小二乘孪生支持向量机受误差值影响大,对噪声样本敏感及核函数、核参数选择困难等问题,提出一种Critic特征加权的多核最小二乘孪生支持向量机(Multi-Kernel Least-Squares Twin Support Vector Machine based on Critic weighted,...针对最小二乘孪生支持向量机受误差值影响大,对噪声样本敏感及核函数、核参数选择困难等问题,提出一种Critic特征加权的多核最小二乘孪生支持向量机(Multi-Kernel Least-Squares Twin Support Vector Machine based on Critic weighted,CMKLSTSVM)分类方法。首先,CMKLSTSVM使用Critic法赋予特征权重,反映不同特征间重要性差异,降低冗余特征及噪声样本影响。其次,根据混合多核学习策略构造了一种新的多核权重系数确定方法。该方法通过基核与理想核间的混合核对齐值判断核函数相似程度,确定权重系数,可以合理地组合多个核函数,最大程度地发挥不同核函数的映射能力。最后,采用加权求和的方式将特征权重与核权重进行统一并构造多核结构,使数据表达更全面,提高模型灵活性。在UCI数据集上的对比实验表明,CMKLSTSVM的分类准确率优于单核结构的SVM(support vector machine)算法,同时在高光谱图像上的对比实验反映了CMKLSTSVM对于包含噪声的真实分类问题的有效性。展开更多
文摘针对齿轮箱振动信号复杂多变,导致现有的齿轮箱故障诊断方法诊断精度不高、较弱故障特征容易被噪声淹没等问题,提出了一种基于向量加权平均优化算法(weighted mean of vectors,INFO)、变分模态分解(variational mode decomposition,VMD)和卷积神经网络(convolutional neural network,CNN)的齿轮故障诊断方法。该方法首先采用熵权法将不同位置的振动传感器信号信息进行融合,利用INFO对VMD算法中参数进行优化,并设计一个复合评价指标作为参数优化的评价标准,使用奇异峭度差分谱的方法对敏感分量进行重构;其次,从重构的信号中提取时域、频域特征并输入到CNN模型中进行分类;最后通过Shap(Shapley additive explanations)值法对模型输入特征的重要性进行排序,分析不同特征组合对模型分类和特定故障识别的影响。在东南大学行星齿轮数据集上进行验证,结果表明,利用所提特征组合进行故障诊断,CNN模型故障诊断准确率为98.24%,高于其他特征组合,为行星齿轮箱的故障诊断提供了一组有效的特征指标。
文摘轨道交通LTE-M(Long Term Evolution-Metro,基于轨道交通的长期演进)同频干扰检测关乎列控信号传输的可靠性,提出一种基于INFO(weIghted meaNoFvectOrs,基于向量加权平均)算法的盲源分离方法,即INFO-BSS。该方法以混合信号的最大化负熵为目标函数,用INFO优化算法替代牛顿迭代法,解决了牛顿迭代法初始参数易设置不当以及容易陷入局部最优的问题。仿真结果对比表明,在不同分辨率带宽、不同信干比等条件下,INFO-BSS的检测性能都要优于常规算法。
文摘针对二次风机状态监测故障的预警问题,提出了一种基于混沌向量加权平均(chaos weighted mean of vectors, CINFO)算法的长短期记忆(long short-term memory, LSTM)网络多输出回归方法。首先,使用Spearman相关系数分析方法筛选出与二次风机轴承温度、二次风机轴承振动相关性系数较高的特征参数,对输入数据进行降维。然后,通过CINFO确定多输出LSTM网络的最优超参数,提高了神经网络的预测精度。随后,根据序贯概率比检验(sequential probability ratio test, SPRT)法确定了设备的故障阈值。最后,将选定的特征参数作为CINFO-LSTM网络的输入,使用序贯概率比检验法实现了二次风机的故障预警。实验结果验证了该方法的可行性和有效性。
文摘针对最小二乘孪生支持向量机受误差值影响大,对噪声样本敏感及核函数、核参数选择困难等问题,提出一种Critic特征加权的多核最小二乘孪生支持向量机(Multi-Kernel Least-Squares Twin Support Vector Machine based on Critic weighted,CMKLSTSVM)分类方法。首先,CMKLSTSVM使用Critic法赋予特征权重,反映不同特征间重要性差异,降低冗余特征及噪声样本影响。其次,根据混合多核学习策略构造了一种新的多核权重系数确定方法。该方法通过基核与理想核间的混合核对齐值判断核函数相似程度,确定权重系数,可以合理地组合多个核函数,最大程度地发挥不同核函数的映射能力。最后,采用加权求和的方式将特征权重与核权重进行统一并构造多核结构,使数据表达更全面,提高模型灵活性。在UCI数据集上的对比实验表明,CMKLSTSVM的分类准确率优于单核结构的SVM(support vector machine)算法,同时在高光谱图像上的对比实验反映了CMKLSTSVM对于包含噪声的真实分类问题的有效性。
