基于不平衡分类的Bagging集成污水处理故障诊断

在污水处理过程故障会导致出水水质下降、运行费用增高甚至造成环境的二次污染,而污水处理故障诊断数据的典型不平衡特性,严重影响了故障诊断的效果,尤其会导致故障分类的正确率偏低.针对此问题,文中提出了一种基于加权极限学习机的改进Bagging集成污水处理故障诊断建模方法;以加权极限学习机为基分类器,以Bagging集成框架建立集成分类器;定义可调整的过采样倍率公式,通过虚拟少数过采样算法(SMOTE)对少数类样本进行过采样,以保证基分类器间的多样性;以不平衡分类性能指标G-mean值为基础,定义新的基分类器输出权值更新公式,以提高故障类别识别率.仿真实验表明,该污水处理故障诊断模型的性能优于其他对比算法,可有效提高G-mean值和整体分类正确率,特别是提高了故障类别的识别正确率.     

基于改进角分类神经网络的变风量空调系统故障诊断

针对变风量空调系统的故障诊断问题及其特点,提出了一种基于改进角分类神经网络--FDCC的故障诊断模型.该模型克服了CC4角分类神经网络输出结果为二进制的局限,根据故障模式所落入的k最近邻的样本泛化空间来进行故障诊断,并输出结果向量,其各分量为各故障原因可能出现的概率.     

基于BS＿Bagging-cLightGBM模型的电动汽车故障预测方法

针对因电动汽车故障数据样本类别不平衡引起的机器模型分类性能欠佳、故障查全率低的问题，本文提出一种以LightGBM为基学习器改进的Bagging集成电动汽车故障预测模型：在Bagging集成学习中使用Borderline＿SMOTE方法对训练集重新采样，改善训练子集的数据不平衡程度，避免小类样本信息缺失；将权重系数和正则化项嵌入LightGBM基学习器的损失函数中，提高训练中小类样本的错分类代价。实验结果表明，该模型可有效提高故障查全率、宏平均和AUC值，其中AUC值达到0.898 4，故障样本的查全率为0.808 3，在电动汽车不平衡数据集上的故障分类性能显著优于传统单一模型和其他对比算法。     

改进贝叶斯算法在配网故障诊断中的研究

针对智能电网故障诊断中所存在的大量不确定信息的问题,本文对贝叶斯网络算法在电网故障诊断中的应用进行了相关研究.在原有Noisy-or、Noisy-and两类节点模型和线路、母线和变压器三类故障诊断模型的基础上,对传统贝叶斯算法的不足之处进行改进,提出了一种改进贝叶斯算法.最后以某地区实际配网为研究实例,结果表明,与传统方法相比,改进后的算法在故障诊断中具有更高的灵敏度,降低错误概率,可以构造最小错误概率的贝叶斯分类器等优点,在实际电力系统故障诊断中半角将有很好的应用前景.此外,本文通过图形用户界面(GUI),显示可疑故障元件、后验概率、误动拒动的保护断路器等信息,方便现场工作人员及时做出决策,进一步处理故障.     

多传感器多模型相互作用的数据关联方法

基于信息融合中的数据关联技术,在卡尔曼滤波基础上,结合相互作用多传感器多模型的概率数据互联算法,建立故障监测报警和现场传感器量测数据关联二者之间的关系,建立更具一般性的分布式传感器系统基础上的多传感器多模型,改进概率数据关联方法,以用于故障监测报警中相互作用的算法．并结合一个时变系统中空间位置传感器的故障诊断问题为例,运用多传感器多模型相互作用的数据关联方法进行仿真分析,研究此类故障判据的数据关联问题和数据关联算法的改进,研究表明相互作用多模型的概率数据互联改进方法不仅与有限维数的特定测量阈值相对应,而且直接针对故障模式,能够体现出动态模型的优点,可以与系统诊断知识相融合,为故障诊断的单步的、多步的、长期的预测预报提供依据．     

基于TCGA数据库不平衡数据的改进分类方法

为解决癌症基因组图谱中DNA甲基化数据不平衡导致假阴率上升的问题,提出一种基于TCGA数据库不平衡数据的改进分类方法.使用合成少数类过采样技术和Tomek Link算法进行混合采样,解决数据不平衡问题.在此基础上,将经特征选择后的训练集数据输入改进模型进行训练、学习及分类.基于TCGA数据库6种癌症DNA甲基化数据的实验结果表明:改进方法对少数类样本的分类性能有显著提高,对多数类样本的分类性能也有一定的提升.     

基于概率神经网络的高压断路器故障诊断模型

针对高压断路器在线监测与故障诊断问题,提出了一种基于概率神经网络的高压断路器故障诊断模型.该模型利用Parzen窗函数和Bayes分类规则建立了前向型自监督神经网络,在分析分（合）闸线圈信号的基础上提出了高压断路器故障模型.仿真结果表明,该模型对断路器的故障模式识别过程具有训练速度快、输出误差小和收敛性好等特点.     

基于改进的贝叶斯分类算法的断路器故障诊断

通过监测断路器分合闸线圈电流识别断路器状态是断路器故障诊断重要方法.但是,由于断路器动作频率不高,分合闸线圈电流的数据样本较小.为了在数据样本较小的前提下对断路器进行快速准确的故障诊断,提出了一种基于改进的贝叶斯分类算法的断路器故障诊断方法.针对原始的贝叶斯算法只适用于处理离散型变量的分类问题、应用范畴较为局限的特点,利用入侵杂草优化算法合理选取标准状态,并以此为基础引入基于标准状态概率分配的连续变量离散化方法对特征量进行离散化,对原始的贝叶斯算法进行了改进.研究表明,改进的贝叶斯分类算法将贝叶斯的应用范畴扩展至连续变量的分类问题,提高了故障诊断的准确率.通过仿真分析验证改进的贝叶斯分类算法在不同训练样本数量的情况下故障诊断的准确性,并与原始的贝叶斯算法和支持向量机进行比较.仿真结果表明在训练样本数量为10的情况下,原始贝叶斯算法、支持向量机和改进贝叶斯算法的故障诊断准确率分别为45.05%、83.15%、92.25%,改进的贝叶斯算法故障诊断准确率明显高于支持向量机,说明改进的贝叶斯算法诊断效果更好;改进的贝叶斯算法故障诊断准确率明显高于原始贝叶斯算法,说明入侵杂草优化算法的优化及基于标准状态概率分配的连续变量离散化方法在提高小样本状态下故障诊断准确率方面有良好的效果;改进的贝叶斯算法故障诊断准确率最高,这表明本文所提改进贝叶斯算法能够在样本数据较小的前提下快速准确地对断路器进行故障诊断.     

基于小波包分析和相关向量机的电路故障诊断

针对模拟电路故障变化的复杂性,提出一种小波包分析和相关向量机的电路故障诊断模型,首先采集模拟电路不同故障状态下的输出信号,将输出信号进行小波包分解,提取分解信号的归一化能量特征,然后将特征向量输入相关向量机中进行训练,建立模拟电路故障诊断模型,实现不同的故障状态分类识别;最后通过仿真实例对模型性能进行测试.测试结果表明,相对于其他模拟电路故障诊断模型,该模型不但提高了模拟电路故障诊断的正确率,而且减少了故障诊断时间.     

基于稀疏性贝叶斯极限学习机的气动调节阀多类故障诊断

气动调节阀是工业过程中使用最广泛的终端执行机构之一,它的性能好坏直接影响控制回路的性能.将基于稀疏性贝叶斯的极限学习机(SBELM)方法运用于多类故障诊断,基于DAMADICS平台的典型气动调节阀多类故障模型数据通过SBELM进行训练.不仅能根据模型的先验知识和基于最大后验概率准则(MAP)的贝叶斯思想估计出模型输出的概率分布,而且能基于设定的性能指标自动剔除无用的训练样本,用一小部分观测数据达到多故障分类的目的,能训练出一个精确且紧凑的故障诊断模型.     

一种能给出充油电气设备油色谱故障诊断可靠性的神经网络方法

为了提高基于人工神经网络方法的充油电气设备油色谱故障诊断的准确性及诊断结果的可靠性,基于神经网络理论分析指出了采用不同训练算法、隐层神经元数量、初始权值和阈值训练得到多个网络输出的均值作为诊断结果能提高故障诊断的准确性,根据多个网络输出的标准差可以获得诊断结果的可靠性.根据搜集得到的大量油色谱样本,分别采用振荡传播(resilient propagation,RPROP)算法、共轭梯度法、拟牛顿法和Levenberg-Marquardt算法训练共计得到40个结构相似的神经网络,将训练得到神经网络应用于基于油色谱的充油电气设备故障诊断,同时比较了不同算法的训练时间和诊断结果的准确性.结果 表明多个网络输出的平均可提高故障诊断的准确性,根据多个网络输出的标准差可获得诊断结果的可靠性,而且表明神经网络结构相似时,4种算法训练得到的神经网络具有相近的故障诊断准确性,但从训练时间上看,RPROP算法、拟牛顿法和Levenberg-Marquardt算法非常接近,而共轭梯度法的训练时间为其他3种算法的6倍左右.同时考虑到Levenberg-Marquardt算法计算速度最快,可在充油电气设备油色谱故障诊断中用于训练神经网络.     

汽车稳定性控制系统关键传感器故障诊断

设计了基于解析模型的故障诊断算法实现传感器信号的自诊断功能,首先建立关键传感器的故障诊断算法基本框架,然后利用不同的故障诊断模型分别设计了基于等价方程与基于观测器两种故障诊断算法.等价方程算法利用车辆线性单轨模型及车辆运动学方程,将车辆操纵稳定性控制需求的传感器联系起来,并用于彼此的相互诊断.观测器方法利用车辆非线性单轨模型,通过建立龙贝格观测器提取传感器故障信息.从灵敏度与误报率两方面出发,提出了将两种算法有效融合的算法改进措施,重新制定诊断规则.实车试验的结果表明融合算法能够准确快速地诊断出微小故障,并给出故障等级.     

一种基于改进极端梯度提升决策树的轴承故障诊断方法

针对传统故障诊断模型面向海量故障数据时诊断准确度低的问题，首先，提出了一种局部均值分解与固定点算法联合降噪方法，以消除轴承振动信号中的噪声；其次，为了避免原始信号中敏感特征难以提取的问题，提出了一种基于核主成分分析的降维方法；再次，构建了一种基于改进极端梯度提升决策树的故障诊断模型，采用GS-PSO算法优化SVM性能，进而运用改进极端梯度提升决策树思想修正分类模型的残差以提升模型分类精度，应用Spark-大数据平台，通过并行处理技术进行科学计算；最后，采用CWRU提供的滚动轴承数据进行训练与仿真，证明构建的模型能实现对不同类型滚动轴承的识别诊断，并保证诊断结果的准确率。通过对4种不同故障诊断模型的对比分析，表明本文模型具有可行性和优越性。     

基于ADAM优化卷积神经网络的火电厂大数据平台预警模型测试与应用

为了提高火电厂大数据平台的生产维护安全化、监控管理精细化、经济效益持续化,提出了大数据平台内开发故障诊断预警系统,采用基于自适应力矩估计(adaptive moment estimation, Adam)算法优化二维卷积神经网络方法建模技术融入于大数据平台中,并结合大数据平台和专家故障预警诊断功能进行测试与应用。首先对故障预警模型进行数理建模及模型训练优化,直至满足模型功能要求,实施模型算法代码与大数据平台的合库部署上线、满足提前发现系统故障的功能,并结合机理分析对故障系统进行细致化分类,最终发现根本的故障原因。实现了火电厂生产过程中各系统运行特性的全周期监控,在系统或设备发生故障前进行预警并推送异常信息,规范化了模型部署在大数据平台后的测试与实施工作,进一步发现模型缺陷,提高模型准确率。     

基于模糊神经网络的车辆避撞预警算法

为实现车辆的智能控制提供理论基础,研究了碰撞预警算法．在分析不同驾驶员的驾驶行为的基础上,确定碰撞预警算法的报警准则,用于指导报警算法做出合理的报警．基于报警准则采用模糊神经网络方法,提出一种多输入、多输出的协作预警算法模型,用于支持碰撞预警系统．利用实测数据对预警算法进行测试,试验结果表明,算法能够对车辆碰撞进行有效的报警,对提高车辆行驶的安全性具有重要意义．     

改进的D-t-SNE滚动轴承故障数据集降维方法

针对传统降维方法难以保持数据集的局部与全局几何结构特征问题,选择测地距离作为度量指标,提出改进t-SNE的故障数据集降维方法D-t-SNE.首先提取消噪振动信号的多域高维故障数据集,在对其进行归一化处理之后,利用GD指标改进后的D-t-SNE算法对高维故障数据集进行降维运算,去除冗余信息,然后通过不同的分类器对低维特征子集进行故障模式辨识.以UCI数据集和双跨转子实验台的模拟故障数据集为实验对象对D-t-SNE算法进行验证,并与SNE和t-SNE算法的各项实现结果进行对比.结果表明,D-t-SNE算法具有通过降低高维故障数据集的维数从而达到降低故障分类难度、提高故障辨识准确率的性能,可为降低旋转机械原始故障特征数据集的规模、降低故障分类的难度与提高故障辨识结果的可视化效果提供理论参考依据.     

基于DW-ICA-SVM的工业过程故障检测算法

为了有效提高支持向量机(SVM)算法的故障检测和监视性能,提出一种新的基于DW-ICA-SVM的工业过程故障检测算法。首先,对训练数据进行标准化,运用独立元分析(ICA)获取数据的独立元矩阵,提取隐藏的非高斯信息。其次,运用杜宾-瓦特森(Durbin-Watson, DW)准则计算独立元(ICs)的DW值,通过DW方法有效提取重要噪声信息,选取重要的ICs。再次,将包含重要信息的ICs作为SVM模型的输入,获得判别分类函数,将测试数据的ICs输入该模型,对其进行故障检测和监视。最后,将新算法运用于非线性数值例子和田纳西-伊斯曼工业过程,并与PCA,LPP,ICA,SVM和ICA-SVM方法进行比较。结果表明,所提方法降低了样本间的自相关性,有效提高了故障检测率。因此,新算法在一定程度上加强了对隐藏非高斯信息的提取与识别,为提高SVM算法在工业过程故障检测中的应用性能提供了参考。     

基于时空特征组合模型的转辙机故障诊断

为解决转辙机故障诊断领域中存在的单一特征信息提取不足、单一诊断方法难以避免因方法局限性造成的分类误差,同时其存在一定程度的过拟合,以及泛化能力、鲁棒性不足的问题,提出了一种基于时空特征组合模型的故障诊断方法。首先,在ZYJ7电液转辙机的8种故障模式和正常模式所对应的油压曲线上提取时频域小波系数作为原始数据集,采用核主成分分析（KPCA）和长短期记忆网络（LSTM）提取其空间、时间特征,之后基于add思想构建时空特征集。其次,对卷积神经网络（CNN）、LSTM两分类器关键参数寻优后分别进行故障诊断,得到各个故障类型的概率值和误差系数。最后,利用误差倒数法对两分类器各个故障类型的概率值赋予权重,得到最终输出结果。仿真结果表明：CNN-LSTM组合模型诊断准确率达98.14%,较单一多层感知机（MLP）、CNN、LSTM模型准确率分别提升7.40%、5.55%、1.85%。可见此方法有效提高了转辙机诊断准确率,为集成学习模型在转辙机故障诊断领域的应用提供了一种思路。