多变量过程传感器故障检测的SVM方法

提出一种适用于具有纯滞后多变量过程的传感器故障检测方法.该方法结合支持向量机回归算法与数据驱动的信息融合技术,给出一种采用广义支持向量机观测器的传感器故障检测、分离和数据恢复系统的架构.每个关键传感器都配置一个由过程输入和除被监视传感器之外的过程输出共同驱动的观测器,对传感器实际输出与观测器输出进行了比较,并对数据的有效性进行了确认.多组分精馏塔系统实验表明,该方法能够对过程传感器故障进行检测,并且具有较好的鲁棒性.     

基于SVM与多振动信息融合的齿轮故障诊断

针对齿轮振动信号故障特征微弱以及单个传感器故障诊断可靠性与准确性低等问题,采用多传感器信息融合方法,利用支持向量机(SVM)对8路齿轮振动信号进行特征级融合,实现故障诊断.研究结果表明:基于多个传感器单个特征量信息融合的齿轮故障诊断率比常规的基于单个传感的多个特征量的诊断准确率更高,诊断结果更可靠;峰值因子对齿轮故障最敏感,以峰值因子为特征量的多传感器信息融合,诊断准确率达93.33%.     

复杂道路环境中前方车辆检测方法研究

为提高前方车辆检测在不同道路环境中的鲁棒性和实时性,提出一种基于支持向量机的多传感器融合前方车辆检测方法。系统工作前利用多传感器数据融合建立雷达坐标与图像坐标的转化关系,以毫米波雷达在各种复杂道路环境中前方障碍物的检测数据为基础,利用支持向量机(SVM)训练分类器构建车辆与非车辆识别系统,最终根据车辆宽高比的统计规律建立前方车辆识别窗口。道路试验结果表明该方法前方车辆识别准确率为90.7%,单帧图像的处理速度为35ms,对于不同道路环境中的前方车辆检测表现出了良好的稳定性和准确性,总体性能取得较为显著的提高。     

复杂道路环境中前方车辆检测方法

为提高前方车辆检测在不同道路环境中的鲁棒性和实时性,提出一种基于支持向量机的多传感器融合前方车辆检测方法。系统工作前利用多传感器数据融合建立雷达坐标与图像坐标的转化关系,以毫米波雷达在各种复杂道路环境中前方障碍物的检测数据为基础,利用支持向量机(SVM)训练分类器构建车辆与非车辆识别系统,最终根据车辆宽高比的统计规律,建立前方车辆识别窗口。道路试验结果表明该方法前方车辆识别准确率为89.2%,单帧图像的处理速度为31 ms。对于不同道路环境中的前方车辆检测表现出了良好的稳定性和准确性,总体性能取得较为显著的提高。     

基于粗糙集的支持向量机故障诊断

该文结合粗糙集属性约简及支持向量机分类机理,提出了一种新的故障诊断方法。首先利用粗糙集对过程特征变量进行约简,去除冗余的过程信息,并降低过程数据的维数,获得具有代表性的过程特征信息。基于该特征信息建立支持向量分类机用于故障的诊断。以高压直流输电系统为例,对交流单相接地故障和直流接地故障进行诊断,诊断时间分别为12ms和11ms,诊断正确率分别为98.8%和96.8%。     

基于多源信息融合和ADCNN的离心鼓风机故障诊断

针对离心鼓风机故障识别过程中单一传感器信号故障信息有限,传统的卷积神经网络(CNN)在处理多源高维数据时特征提取能力不足的问题,提出一种基于多源信息融合和自适应深度卷积神经网络(ADCNN)的离心鼓风机故障诊断方法。首先,基于相关性方差贡献率法实现离心鼓风机多源同类信息的数据层融合,建立多源信息融合框架;然后,利用ADCNN自适应地提取各异类信息的特征并完成特征融合,建立融合多源信息的ADCNN故障诊断模型;最后,将此方法应用于离心鼓风机转子故障诊断上,并与传统的融合模式以及CNN、反向传播神经网络(BPNN)、支持向量机(SVM)方法进行对比,试验结果表明:提出的方法在诊断精度与鲁棒性上均优于其他方法。     

基于证据理论和支持向量机的风机故障智能诊断

为了提高风机故障的诊断精度, 提出一种证据理论和支持向量机相融合的风机故障识别方法. 首先从振动信号中提取Wigner-Ville谱熵作为风机故障诊断特征; 然后采用不同核函数支持向量机进行训练, 建立风机故障诊断的子分类器; 最后采用DS证据理论对子分类器的输出结果进行融合, 并对其性能进行仿真测试. 实验结果表明, 该方法可以充分利用全部故障信息, 诊断结果更接近期望值, 诊断效果优于其他风机故障诊断方法.     

采用ELM和优化电压传感器布局的光伏阵列故障检测与区域定位

为快速检测并定位光伏阵列中出现的故障,提出一种新的传感器布局策略,通过优化电压传感器的位置减少电压传感器的数量,同时显化故障的特征.然后,将定位问题转化为分类问题,选用极限学习机(ELM),将最大功率点处的电压数据作为输入训练分类模型.结合实验室屋顶光伏并网发电平台获取的故障数据,对健康状态和所设置的3种故障状态下细化的故障共18种类别,进行分类模型的建立与测试.实验表明,应用本模型故障检测与区域定位的精确率达99.52%,优于所对比的支持向量机、多层感知机网络和随机森林的诊断结果.     

基于支持向量机的发动机故障诊断

针对发动机的故障特点,提出了一种基于主分量分析和支持向量机的发动机故障诊断方法.利用小波包对声级计采集到的解放CA141型汽车发动机声音信号进行特征提取,应用主分量分析方法在不损失有效信息的情况下,将原始特征向量中的冗余信息约简,在此基础上通过支持向量机对发动机故障进行分类.诊断结果表明,该方法在保证较高诊断精度的同时,可将支持向量机的训练时间缩短1/3,从而提高了故障诊断效率.     

基于多重回归LSSVM的并发故障诊断

提出了一种基于多重回归最小二乘支持向量机模型的并发故障诊断方法,并将其应用于诊断某船舶主柴油机冷却系统的并发故障.仿真结果表明,该方法具有良好的效果,能够对系统的单个故障和并发故障进行检测.仿真结果还表明,多重回归最小二乘支持向量机模型适合于小样本条件下多输入多输出数据样本的建模,在一定噪声的影响下仍能够得到相对准确的诊断结果,因此多重回归最小二乘支持向量机模型为一种有效的并发故障诊断方法.     

基于多传感器信息融合的轮履混合移动机器人路况识别方法

针对未知环境下轮履混合移动机器人的路况识别问题,提出一种将支持向量机(SVM)与Dempster-Shafer(D-S)证据理论相结合的多传感器信息融合路况识别方法.设计了一个基于超声波传感器和红外传感器的数据采集系统,以提取路况的信息特征;以Platt后验概率为基础,建立了多类SVM的后验概率模型,并构造D-S证据理论所需基本概率分配(BPA)函数;同时,将SVM与D-S相结合的信息融合识别方法应用于轮履混合移动机器人的3种典型路况识别实验.结果表明,所提出的方法能够满足轮履混合移动机器人识别平坦路面、斜坡和台阶等路况的要求.     

证据理论在旋转机械综合故障诊断中应用

针对旋转机械故障诊断中在同一征兆域中很难区分多种故障的实际情况,研究利用其他征兆域的诊断信息,进行全局信息融合,从而获得更为准确的故障定位,提出一种基于神经网络和Dempster-Shafer证据理论的多参数综合诊断系统模型,在该模型中采用证据理论的组合规则进行局部和全局信息融合,得出较好的诊断结果。     

自学习的诊断决策信息融合系统

研究了应用模糊测度理论融合诊断信息的方法 ,给出了一种基于模糊积分学习的模糊测度构造算法 ,并以其为核心实现了一种自学习的诊断决策信息融合系统 .     

二进制量子粒子群优化算法及其在化工过程故障诊断中的应用

针对实际化工生产过程中故障数据缺乏,采用适合小样本问题的支持向量机(SVM)对化工过程稳态故障进行诊断。为了保证在线故障诊断的实时性,消除高维监控数据以及系统噪声对故障诊断的干扰,提出了一种新的基于二进制量子粒子群优化(BQPSO)算法和SVM的故障特征选择方法。仿真实验表明:BQPSO算法具有良好的全局搜索能力,能够快速、准确地搜索到故障特征变量;而基于特征选择的SVM故障诊断方法能可靠地实现对复杂化工过程的在线故障诊断。     

一种基于概率盒-PSO-SVM的滚动轴承故障诊断方法

针对滚动轴承故障诊断的问题,提出了一种基于概率盒理论和粒子群优化支持向量机的故障诊断新方法.在分析故障信号的概率统计特性基础上,利用概率盒直接建模方法获得概率盒,利用证据理论实现了概率盒的融合.不同故障状态下的概率盒特征也不同,采用不同的累积不确定性测量方法提取了概率盒的特征,并构建出用于模式识别的特征向量集,将特征集代入利用粒子群算法优化后的支持向量机中实现故障诊断.通过对滚动轴承振动信号的实验测试与对比分析表明:该方法可以实现对滚动轴承准确的诊断,与传统特征提取方法对比,证明了方法的有效性.     

基于多源多层次信息融合的网络安全态势感知方法

针对网络安全态势感知范围局限、信息来源单一及准确性偏差较大的问题,提出了一个全方位整体上感知网络安全态势框架.充分考虑多信息源和多层次信息融合,从3个维度上动态生成网络当前安全状况,准确地反映网络当前安全态势,易于逆向查找异常组件.提出"3σ法则"离散化连续型随机变量方法,对建立适合处理非确定性信息融合的贝叶斯网模型有重要的理论与实践指导意义.最后,利用网络实例数据,对该模型和算法进行了验证,结果表明了该方法的正确性.     

基于相关向量机的发动机剩余寿命预测

针对民航发动机寿命预测中监测参数较多筛选困难的问题,提出一种基于信息融合与相关向量机的发动机剩余寿命预测方法。首先通过核主元分析方法从发动机多维监测数据中提取退化特征信息;然后利用非线性模型将主元序列融合成反映发动机退化趋势的健康指数序列;最后采用相关向量机以历史失效数据为训练样本建立预测模型,对现有的发动机健康指数序列进行外推预测得到当前样本的寿命预测值。通过NASA Ames研究中心公开的涡轮风扇发动机仿真数据验证了该方法的有效性,其预测性能优于常用的支持向量机模型和过程神经网络模型。     

融合多特征信息的模式识别方法

研究在有不确定知识的情况下,融合多种类特征信息的模式识别方法.首先用模糊逻辑表示关于对象的具有不确定性的经验知识,通过模糊推理可由特征得到关于对象的用基本概率分配函数表示的具有不确定性的模式分类信息.然后利用D-S证据推理的方法最大程度地消除其不确定性,得到对象的最终分类结果.仿真结果证明,该方法对处理具有多种类特征且带有不确定性知识的一类模式识别问题是有效的.通过将模糊推理方法与证据理论的结合能有效利用多种特征的不确定知识对目标进行分类.     

融合显示红外在线监测系统的研究

图像融合是信息融合领域的一个热点．图像融合的目的是把来自多传感器数据的互补信息合并，形成一幅新的图像，以便更好地增强监视和侦察之类的视觉感知．红外在线监测以远距离、非接触、实时、快速等方式获取设备的运行状态信息，进而及时地排除故障．本文提出了基于融合显示的红外在线监测系统组成方案，描述了图像融合的基本概念、层次以及应用价值；其次，通过分析红外图像与可见光图像融合的特点，并据此给出本实验融合方法的选择原则；最后，讨论了基于小波变换实现图像融合的原理并给出红外热像和可见光图像的融合效果；通过模拟实验，证明了图像融合技术在热故障的准确定位上有很高的实用价值。