基于置信规则库的并发故障诊断方法

针对具有不确定性的并发故障诊断问题,提出基于属性权重和权衡分析的置信规则库(belief rule base, BRB)诊断方法。以属性权重大小来表示属性与特定故障模式之间的相关性,设计能够反映故障模型约束的基于差分进化的优化算法,通过相邻故障模式置信度与预设阈值的权衡分析完成对并发故障诊断。该方法仅需构造单个置信规则库来有效处理各种不确定性信息,与已有研究方法相比极大地降低了建模复杂度。诊断结果不仅能得到故障的并发情况,还可分辨故障的主次关系,并且建模和推理过程开放,可解释性强。最后以船用柴油机的并发故障诊断作为实例,验证了所提方法能够有效的诊断出并发故障并且模型具有较好的稳定性。     

基于主导从属框架的变结构置信规则库多目标优化方法

置信规则库(belief rule base,BRB)是一种十分有效的非线性建模工具,当前BRB优化相关研究仅局限于单目标优化.为了解决BRB的多目标优化问题,尤其需要解决在优化BRB参数的同时对BRB的结构也进行优化的问题,即BRB在优化过程中将变结构,本文提出基于主导从属框架结构(dominant-subordinate framework)的置信规则库多目标(multi-objective)优化方法(DSM-BRB).在主导优化过程中,将采用多种群策略和冗余基因策略对不同规模的BRB进行协同优化,其中多种群策略确保每个种群中的个体长度相等,不同种群中的个体长度不等,冗余基因策略将冗余基因添加到基因数量较少的个体中以确保每个个体具有相同的长度,因此不同种群中的个体可以协同优化,并在进入适应度计算之前删除添加的冗余基因.在主导优化过程完成之后,采用多线程并行优化机制将不同种群分配至多个从属优化线程中,即在一个线程中仅对一个种群中的个体进行优化,多个线程同时进行并行优化以提高优化效率.最后本文以某石油管道泄漏检测问题作为示例验证本文提出方法的有效性.     

基于置信规则库推理的不确定性建模研究

置信规则库推理作为一种新颖的表达和处理复杂不确定性的方法,在系统建模和分析方面具有很大的应用前景.本文讨论了基本置信规则库推理的性质,证明其不但可以以足够高精度拟合确定性和随机性系统,而且可以处理确定性和随机性数学模型不能表达的复杂不确定问题.另外本文通过对其规则库进行扩展和改进激活算法,解决了基本置信规则库推理在处理局部未知度方面的局限性问题,最后通过一个报童库存问题对提出的方法进行了说明和验证.     

基于双层模型的置信规则库参数与结构联合优化方法

作为置信规则库优化过程的两个重要方向,参数学习和结构学习共同影响着置信规则库的建模精度和复杂度.然而,现有的置信规则库优化方法大多只关注参数学习或结构学习某一方面的研究,无法有效平衡建模精度和复杂度这对相互影响的指标.为此,本文提出了置信规则库参数与结构联合优化方法.该方法基于赤池信息准则将建模精度和复杂度两方面信息纳入统一目标,建立置信规则库联合优化目标函数;然后,建立交集假设下的置信规则库双层优化模型并提出模型求解算法;进一步拓展前提假设条件,提出并集假设条件下的置信规则库规则激活方法和权重计算方法,并提出并集假设下的置信规则库双层优化模型以及相应的求解算法.经过参数与结构联合优化之后,得到置信规则库最优决策结构.文末,引入输油管道泄漏检测案例验证所提出方法的有效性.通过与已有研究相对比,结果表明并集假设下的置信规则库联合优化方法在提高建模精度和降低复杂度方面均具有良好表现.     

基于置信规则库的捷联惯组误差系数预测方法

捷联惯组(strapdown inertial measurement unit, SIMU)是火箭等大型飞行器控制系统的核心部件,结构复杂,可获得的误差系数样本较为缺乏。置信规则库(belief rule base, BRB)作为一种专家系统能够有效融合专家知识和监测数据,可以有效处理小样本情况下复杂系统建模问题。鉴于此,本文提出了一种基于BRB的SIMU误差系数预测方法。为充分利用脉冲量输入信息,提高信息转换精度,降低指标转换过程中的信息损失,根据惯组脉冲量输出特点提出了一种新的匹配度计算方法,提升模型的精度。最后,以某型SIMU加速度计为例验证了所提方法的有效性。     

基于置信规则库的捷联惯组误差系数预测方法

捷联惯组(strapdown inertial measurement unit, SIMU)是火箭等大型飞行器控制系统的核心部件,结构复杂,可获得的误差系数样本较为缺乏。置信规则库(belief rule base, BRB)作为一种专家系统能够有效融合专家知识和监测数据,可以有效处理小样本情况下复杂系统建模问题。鉴于此,本文提出了一种基于BRB的SIMU误差系数预测方法。为充分利用脉冲量输入信息,提高信息转换精度,降低指标转换过程中的信息损失,根据惯组脉冲量输出特点提出了一种新的匹配度计算方法,提升模型的精度。最后,以某型SIMU加速度计为例验证了所提方法的有效性。     

基于扩展置信规则库联合优化的桥梁风险评估

作为避免桥梁安全事故和确保公众安全的一种重要途径,桥梁风险评估得到了国内外学者的广泛关注.然而,现有的桥梁风险评估模型大多忽视了在建模过程中优化与模型相关的参数取值和参数数量,导致无法有效提升桥梁风险评估的准确性.为此,本文在现有基于扩展置信规则库的桥梁风险评估模型的基础上,通过引入参数优化和数据包络分析分别提出扩展置信规则库的规则生成方法和规则约减方法,再以此进一步提出扩展置信规则库的联合优化方法,确保应用于桥梁风险评估模型中的扩展置信规则库具有最优的参数取值和参数数量.文末,引入桥梁风险评估领域中常用的公认数据集验证所提模型的有效性.通过与已有研究成果相对比,结果表明基于扩展置信规则库联合优化的桥梁风险评估模型在提高评估准确性和降低模型复杂度方面均有良好表现.     

基于证据推理和置信规则库的涡扇发动机故障预测

针对某型涡扇发动机故障预测的问题,提出一种基于证据推理和置信规则库的涡扇发动机故障预测模型。为描述涡扇发动机的健康状态,利用证据推理算法融合发动机系统状态信息;结合先验知识建立混合驱动的置信规则库仿真预测模型;采用投影协方差自适应进化策略用于优化模型参数;通过实验验证了模型的有效性。研究结果表明：该方法不仅准确预测涡扇发动机故障风险概率,而且为故障诊断和维修保障提供了有力的支撑。     

不完备信息条件下基于置信规则库的能力满足度评估方法

信息不完备条件下,已有的置信规则库(belief rule base, BRB)〖JP+1〗建模方法较难构建完整结构的BRB,为武器装备体系能力需求满足度评估带来较大挑战。为此,本文提出了基于有限交集规则和自组织映射方法建立并集规则库的体系能力需求满足〖JP+2〗度评估方法。首先,分别对交集假设下和并集假设下的BRB进行描述,并分析了两者的关联性;其次,引入了自组织映射方法,定量计算每条并集规则同与其相关的交集规则之间的关联程度,进而计算并集规则所关联的交集规则的权重;在此基础上,给出了基于不完备交集BRB生成完整结构并集BRB的步骤;最后,以某区域防空武器装备体系能力满足度评估为例验证所提出方〖JP〗法的可行性和有效性。     

一种基于主成分分析的评标方法

招投标广泛应用于建筑市场,通常采用的投标方法除具有主观性外,还忽略了评标指标之间的相关性.针对这一问题,该文提出了一种基于主成分分析的评标方法.     

基于核主元聚类的股票分类

为了正确区分不同的股票类别, 降低分类的复杂度,论文结合核主元分析和K均值聚类构造核主元聚类方法对上市公司股票进行了分类处理.在核主元聚类方法中, 首先对样本数据进行预处理,然后利用核主元分析以非线性方式降低数据的维数,再利用K均值聚类方法对降维后数据进行聚类,并最终得到不同的股票分类情况.选择了沪深股市中20支上市公司股票来进行实证分析.实证结果表明：核主元聚类方法取得了较好的分类结果,为上市公司股票分类和评估提供了很好的依据, 具有较好的适用性.     

一种基于PCA分析的DoA估计算法

阵列信号处理中,MUSIC、ESPRIT等高分辨率DoA估计算法都要通过特征值分解来获得波达方向估计,然而矩阵特征值分解的计算量较大,不利于实时处理。提出使用PCA(principal component analysis)高效迭代算法,来逼近信号子空间矢量。该算法的计算过程相对简单,并具有自组织特性,适合于神经网络实现。仿真结果表明,所提算法的DoA估计性能与MUSIC算法相当。     

无先验知识下基于概率主元分析的故障检测方法

基于故障可检测性条件, 提出了概率主元个数选择方法,根据能将所有故障检测出的条件, 确定出主元的个数.但是在有些实际工业过程中, 其故障形式往往不可尽知, 从而无法得出主元的个数, 给监控带来了困难. 为了能够有效地检测出故障,进一步提出一种多概率主元 分析(PPCA)模型的检测方法,首先选择不同的主元个数, 建立PPCA模型, 然后联合这些PPCA 模型进行检测,如果有一个主元模型的指标值超出控制限, 则认为过程出现故障, 从而实现故障检测.     

Support vector classifier based on principal component analysis

Support vector classifier （SVC） has the superior advantages for small sample learning problems with high dimensions, with especially better generalization ability. However there is some redundancy among the high dimensions of the original samples and the main features of the samples may be picked up first to improve the performance of SVC. A principal component analysis （PCA） is employed to reduce the feature dimensions of the original samples and the pre-selected main features efficiently, and an SVC is constructed in the selected feature space to improve the learning speed and identification rate of SVC. Furthermore, a heuristic genetic algorithm-based automatic model selection is proposed to determine the hyperparameters of SVC to evaluate the performance of the learning machines. Experiments performed on the Heart and Adult benchmark data sets demonstrate that the proposed PCA-based SVC not only reduces the test time drastically, but also improves the identify rates effectively.     

Comprehensive multivariate grey incidence degree based on principal component analysis

To overcome the too fine-grained granularity problem of multivariate grey incidence analysis and to explore the comprehensive incidence analysis model, three multivariate grey incidences degree models based on principal component analysis （PCA） are proposed. Firstly, the PCA method is introduced to extract the feature sequences of a behavioral matrix. Then, the grey incidence analysis between two behavioral matrices is transformed into the similarity and nearness measure between their feature sequences. Based on the classic grey incidence analysis theory, absolute and relative incidence degree models for feature sequences are constructed, and a comprehensive grey incidence model is proposed. Furthermore, the properties of models are researched. It proves that the proposed models satisfy the properties of translation invariance, multiple transformation invariance, and axioms of the grey incidence analysis, respectively. Finally, a case is studied. The results illustrate that the model is effective than other multivariate grey incidence analysis models.     

神经网络主元分析的传感器故障诊断方法

针对多传感器故障诊断问题,将神经网络引入主元分析(principal component analysis, PCA)模型之中,提出一基于主元分析的多传感器故障诊断模型。首先,应用传感器正常工作时测量的历史数据,由PCA模型得到所有传感器的预测值。其次,计算传感器系统的平方预期误差值(squared prediction error, SPE),根据系统的SPE值是否跳变,判定有无故障发生。通过分别重构单个传感器信号的SPE值来确定发生故障的传感器。最后,应用一个多传感器故障诊断仿真实例证明了该方案的可行性。