基于支持向量域描述的多故障诊断动态模型

为了提高多故障诊断中对新故障类别和新故障数据的适应性，提出了一种新的多故障诊断动态模型．该模型采用支持向量域描述算法（SVDD）对多类故障进行单独训练，建立独立而封闭的特征空间，满足故障类别的动态增加需要，并采用样本与各特征空间的相对距离进行了多故障的混合识别．应用在线SVDD算法，在已有的故障特征分布信息基础上，通过更新操作，学习新数据信息，从而实现了故障模式的动态调整．通过仿真和机械故障实例数据的检验，表明该模型能够动态地提取多类故障的特征信息，改善诊断学习过程的适应性．     

支持向量机在电力变压器故障诊断中的应用

利用支持向量机的学习方法，构建了电力变压器故障诊断模型．该模型将变压器故障分为放电性和过热性两大类，通过统计分析寻求特征量区分类间的故障类型，采用支持向量机识别类内的故障类型，利用基于交叉验证的网格搜索法来确定支持向量机的参数．考虑到变压器油中溶解气体特征空间的紧致性原理，利用模糊C均值聚类算法对所获取的样本进行预选取，有效地解决了确定模型参数时耗时巨大的问题，并一定程度提高了模型的推广能力．实例验证表明，该模型在有限样本情况下，能达到较高的变压器故障判断率，放电性故障样本正确判断率为90．5％，过热性故障样本正确判断率为85．9％，说明该模型具有很好的分类效果和推广能力．     

支持向量机在电力变压器故障诊断中的应用

利用支持向量机的学习方法，构建了电力变压器故障诊断模型，该模型将变压器故障分为放电性和过热性两大类，通过统计分析寻求特征量区分类间的故障类型，采用支持向量机识别类内的故障类型，利用基于交叉验证的网格搜索法来确定支持向量机的参数．考虑到变压器油中溶解气体特征空间的紧致性原理，利用模糊C均值聚类算法对所获取的样本进行预选取，有效解决了确定模型参数耗时巨大的问题，并在一定程度上提高了模型的推广能力．实例验证表明，该模型在有限样本情况下，能达到较高的变压器故障判断率，放电性故障样本正确判断率为90．5%，过热性故障样本正确判断率为85．9%，说明该模型具有很好的分类效果和推广能力．     

分层结构故障诊断中具有容错特性的聚类算法

分层结构方法是目前在复杂系统故障诊断中常用的方法．但由于电路系统中元器件的容错性问题,如直接采用一般的聚类方法,效果并不理想．因此,在构造加性模糊聚类模型的基础上,提出了一种适合电路容错特性的模糊聚类模型匹配算法．将各故障在特征空间中的容错区间作为集合,用Ｈａｕｓｄｏｒｆ距离测定集合间的相似程度来决定类别．文中用一个实用电路作为例子,采用本算法对故障集进行了聚类分析,并与模糊Ｃ－划分法进行了对比分析．结果表明,该算法是有效的．     

基于遗传编程和支持向量机的故障诊断模型

提出了一种基于遗传编程和支持向量机的故障诊断模型．该模型利用遗传编程对传统的时域指标进行特征选择和提取，得到更能反映信号本质的特征，与其他特征组合后作为识别特征输入多类支持向量机，实现了对机器不同类型故障的识别．实验结果表明，同传统时域指标相比，经过遗传编程选择和提取的特征对轴承的故障具有更好的识别能力，进而提高了多类支持向量机的分类准确性．     

分层结构故障诊断中适合电路容错性的模糊聚类模型匹配算法

分层结构方法是目前在复杂系统故障诊断中常用的方法．但由于电路系统中元器件的容错性问题,如直接采用一般的聚类方法,效果并不理想．因此,在构造加性模糊聚类模型的基础上,提出了一种适合电路容错特性的模糊聚类模型匹配算法．将各故障在特征空间中的容错区间作为集合,用Ｈａｕｓｄｏｒｆ距离测定集合间的相似程度来决定类别．用一个实用电路作为例子,采用本算法对故障集进行了聚类分析,并与模糊Ｃ－划分法进行了对比分析．结果表明,该算法是有效的     

公路交通流车速-流量实用关系模型

针对常用的公路交通流车速-流量关系模型不能进行交通流超饱和状态下交通分析的不足，本文首先应用大量的交通观测数据建立了各级公路车速-流量关系理论模型，通过对公路高峰小时超饱和状态下交通流消散过程的机理分析，研究了各级公路在不同交通负荷条件下的车速-流量关系通用模型的结构，并通过与大量观测数据的拟合，建立了各级公路在任何交通负荷条件下的车速-流量关系通用模型的函数表达式，提出了各级公路在不同设计车速下的实用模型参数．该模型成功地解决了高峰小时超饱和状态下的交通流速度预测问题，为公路网络规划类、终济分析类项目的开展提供了理论基础．     

基于小世界网络的复杂系统故障传播模型

为了从复杂机电系统自身固有的网络拓扑结构出发来研究故障的传播机制，采用小世界网络理论分析方法，对系统网络拓扑结构统计特性进行分析，建立了基于小世界聚类特性的故障传播模型．结合故障的扩散强度，按照分步扩散的原则对故障传播的过程进行了描述，同时用蚁群算法求得扩散能力最强的故障传播路径及相应的关键节点．用该模型对喷射发动机的故障传播过程进行分析，结果表明，该方法可以有效地找到系统中存在的脆弱点，从而为设计改进和故障预防提供了重要依据．     

汽轮发电机组转子振动故障的模糊聚类分析

针对汽轮发电机组多个振动故障与多个振动信号之间综合关系研究的不足，阐述了模糊聚类分析的理论、方法及聚类效果的判别原则，并将其应用于汽轮发电机组转子振动故障的诊断研究中．提出了合适的聚类参数，从而对多故障发生与多故障特征情况下的故障进行分层，指出应优先诊断的范围，从而使诊断工作量和诊断时间大为减少．理论计算与现场检查结果相符，并且与神经网络方法相比，在综合判断振动故障方面显示了优越性     

基于多Agent及Petri网的变压器故障诊断系统

将多Agent技术引入变压器故障综合诊断系统，采用模糊Petri网技术实现建模．该模型中每个Agent代表一种智能知识或智能处理方法，利用Petri网进行知识表示及推理的矩阵运算算法以描述故障征兆与故障的关系，进而达到多Agent之间的协同工作，并利用协调综合Agent给出诊断结果．运用所提出的诊断系统，不但可以充分利用各种故障信息资源，而且可对采用不同诊断方法时的诊断结果进行协调综合，并且在故障信息不全面的情况下也可以做出较准确的诊断结论．实例运算也验证了该诊断系统的快速性、协调性和准确性．     

两盘产状变化条件下矿层平巷中过断层找矿的研究

通过空间解析几何学的方法研究了断层两盘产状条件下矿层平巷过断层时两盘矿层的空间关系，并建立了过断层寻找断失盘矿层的数学模型。原有的断层两盘产状不变条件下矿层平巷过断层寻找断失盘矿层的方法和数学模型，均是文中提出了的断层两盘产状变化条件下矿层平巷过断层寻找断失盘矿层的方法和数学模型的特例。     

基于灰色理论的机械设备智能状态预测

提出了基于灰色理论并与神经网络有机结合的机械设备智能状态预测方法，着眼于机械设备“内在”规律的研究，根据机械设备自身历史数据建立动态微分方程，并预测自身的发展，具有数据量小，计算简单、预测准确的特点，该方法已在实际工程中应用，结果表明方法是行之有效的。     

模糊神经网络在变压器故障诊断中的应用

提出并研究了模糊神经网络在变压器故障诊断中的应用问题。以油色谱分析数据作为输入，故障类型作为输出，建立了邦联诊断的模糊网络模型。故障实例的测试结果表明了这咎方法的有效性。     

多层神经网络的内在容错性

把多层神经网络具有内在容错性归因于其信息处理和信息存贮的分布特性，以及每个神经园固有的故障屏蔽能力，将多层网内在容错性的概念进行了形式化，进而证明了在合理的统计条件下，感知器和两层网是内在容错的。     

基于神经网络的非线性系统故障诊断

本文对非线性系统的故障检测与诊断提出了一种新的方法。利用神经网络对非线性系统进行辩识与建模 ,通过比较实际输出与模型的输出 ,可在线辩识出故障幅值的大小。     

钢板结构损伤的自适应神经网络识别

探讨了动量系数和学习率自适应调整的神经网络算法.以反映结构损伤位置和程度的固有频率作为神经网络输入的特征参数,利用有限元法对钢板结构裂纹损伤位置和程度进行数值模拟,获取训练样本数据,通过自适应神经网络对结构裂纹损伤识别问题进行了定性定量研究.结果表明,采用自适应神经网络技术对钢板等工程结构进行损伤特征识别分析是可行的.     

Performance Prediction of Packet Mobile Communication through Wireless Multipath Fading Channel Modeling

This paper presents a software simulator applicable to multipath fading channels in urban environments of mobile communication networks. The simulator is constructed by a two-state Markov model and several statistical models for simulating the characterizations of different environments. A core idea of the simulator is to construct a Rice distribution-based multipath fading module produced by a modified Gans Doppler power spectrum,and in combination with a Markov model to predict the time-dependent characteristics of packet in different radio circumstances. It can simply predict the packet performance of the future channel and evaluate the relations between the radio channel and the modulation schemes,error control protocols and channel coding. Simulation results demonstrate that it is a reliable and efficient method.     

无线传感器网络的层次化故障模型

为了在无线传感器网络可靠性研究中对故障检测等容错机制进行准确评价和量化分析,有必要进行网络故障模型的研究。该文提出了1种具有高覆盖度特点的网络层次化故障模型。在4种网络故障类型研究基础上利用图论方法提出面向节点层和子网络层的层次化故障模型设计方法,基于复杂网络聚类系数给出1个面向故障模型的单点型关键节点判定定理,并以此为例通过子模型有效性原则对该类模型进行了证明,结果表明该故障模型有效。     

一种新的高阶前馈神经网络及其在旋转机械故障诊断中的应用

剖析了基于 BP神经网络和径向基函数网络的故障诊断模型的诊断性能和应用中的局限性 ,针对这些诊断模型的局限性 ,提出了基于椭球单元 (Ellipsoid Unit)高阶网络的诊断模型 ,并对网络训练算法进行了研究 ,提出了基于模糊聚类算法的网络权重初始化方法和网络动态训练策略 ,有效地改善了网络的学习性能和诊断性能 ;最后对该网络在旋转机械故障诊断中的应用进行了研究。结果表明 :比之经典前馈网络 ,椭球单元网络在故障分类方面因其能形成封闭有界的决策区域而具有明显的聚类的优越性和分类的合理性 ,很适合故障诊断领域的分类问题     

基于深度学习的含未知复合故障多传感器信号故障诊断

深度学习在故障诊断领域的应用已比较成熟,其中卷积神经网络（CNN,convolution neural networks）和长短时记忆网络（LSTM,long short-term memory networks）就是典型模型之一。CNN作为一种常用的多传感器信号故障诊断方法,能够获得较好的诊断效果,却无法实现未知复合故障的诊断,为解决这个问题,提出CNN-LSTM-FCM （fuzzy C-means）模型。LSTM对具有前后联系的时间信号更敏感,利用这个特点将LSTM与CNN相结合,实现未知信号的诊断,并通过概率分类输出实现了复合故障的解耦,CNN-LSTM-FCM模型本身优化参数设计,进一步提高了诊断精度。使用化学过程故障测量数据进行实验,结果表明CNN-LSTM-FCM模型诊断准确率可达到97.15%,优于CNN模型和LSTM模型,具有较高的应用价值。