一种基于相容信息粒原理的图像分类方法

首先,通过分析研究相容信息粒和相容粒度空间,提出了一种基于相容粒度空间的多层次规则产生方法;其次分析研究多层次图像特征并生成相应的图像特征信息粒,构建了图像相容粒度空间;再次,将相容信息粒的多层次规则产生方法应用于图像相容粒度空间中实现图像的分类;最后对图像数据集进行了测试,并与其他方法进行了对比.测试和对比结果说明了所提出的方法是可行的和有效的.     

基于粒计算-SDG的故障诊断仿真平台

针对目前实际工业系统不允许在运行中进行实时的故障诊断试验及研究的问题,设计了基于Matlab中GUI的高温硝酸冷却系统的故障诊断仿真试验平台。本试验平台采用符号有向图的深层知识模型和反向推理方法,利用系统模型中的相容通路,推理基本故障的故障诊断规则,引入信息粒度和信息粒化原理,实现了粒矩阵的知识约简算法,构建了基于粒计算-SDG的故障诊断方法。最后通过实验验证了该仿真试验平台的有效性。     

应用粒计算的混合智能故障诊断技术研究

针对现有的混合智能故障诊断模型缺乏通用方法和混合框架,未能实现不同智能诊断方法的实质性融合和优势互补的问题,提出并构建了一种基于粒计算的混合智能故障诊断模型.该模型的核心是在邻域粗糙集中求取不同的邻域值,对故障特征集进行分层粒化,在不同粒度下获得核属性集.利用核属性集在相应粒度下构建人工神经网络和支持向量机子分类器,通过评估矩阵算法对所有粒度下全部子分类器的诊断结果进行融合集成.模型应用结果表明,分类精度随着粒度层的增加而不断提高,集成后的分类精度高于不同粒度下的所有子分类器,从而体现了粒化分层的优势和不同智能诊断方法的优势互补,为混合智能诊断提供了一种新途径.     

基于深度学习和经验模态分解的 双列圆锥滚动轴承故障诊断

双列圆锥滚动轴承在列车走行部应用广泛,由于该类轴承结构比较复杂,传统的故障诊断方法难以识别该类轴承的早期微弱故障.为此,提出基于深度学习的双列圆锥滚动轴承早期微弱故障诊断方法.首先,对轴承的振动信号进行经验模态分解,提取信号的瞬时能量构造特征向量;最后,利用深度学习方法对特征向量进行无监督学习,生成故障诊断分类器,完成故障的分类识别.实验中对某型号双列圆锥滚动轴承的正常状态、内圈故障和外圈故障进行信号分析与故障识别.结果表明,所提方法能有效识别双列圆锥滚动轴承的早期微弱故障,分类准确率达到98%.     

利用非线性流形学习的轴承早期故障特征提取方法

针对早期故障微弱特征难以提取的问题,提出了一种基于非线性流形学习的滚动轴承早期故障特征提取方法.在由时域指标和小波频带能量组成的原始特征空间中,结合局部切空间排列学习算法的特点,采用散布矩阵分类测度指标,实现了局部邻域的优化选取,从而提取出最优的敏感故障特征.通过实例应用,表明该方法有效地克服了主分量分析和非线性核主分量分析方法的不足,提取的融合特征敏感性更好,从而提高了故障模式的分类性能,实现了轴承的早期故障诊断.     

信息系统中粒计算模型及其属性约简方法

粒计算是一种基于问题概念空间划分的新的智能计算理论和方法,目前在国际上逐步得到了人工智能有关研究人员的重视。模糊粒度模型、粗糙集粒度模型、邻域系统下的粒计算模型、商空间模型、相容粒度空间模型是目前几种常用的粒计算模型。基于粗糙集理论的粒度模型,通过决策信息系统的粒子空间中各粒子的推理,给出了决策信息系统中核属性计算方法;在此基础上,提出了决策信息系统属性约简的计算方法;通过实例验证了该方法的有效性。     

基于多层次相容粒度的图像分类

通过图像块的局部特征生成图像特征的空间分布信息和层次信息,提出了基于相容粒度空间的图像特征分层分类方法.该方法体现了基于粒计算从粗到细对图像进行分类的原理;实验测试说明了所提出方法有效.     

基于符号有向图的属性约简算法

提出一种新的属性约简算法——基于符号有向图的属性约简算法。该算法利用符号有向图中故障只能在相容通路中传播的性质对系统中的变量进行约简,然后利用支持向量机优良的分类性能进行故障诊断。挑选过程控制界公认的Tennessee-Eastman Process仿真系统进行属性约简,并进行故障诊断仿真,证明了该算法的可行性,该方法可广泛应用于化工和冶金等大型系统的故障诊断中。     

FCM属性约简方法在汽轮机故障诊断中的应用

文章通过汽轮机故障样本数据的空间分布状态分析,基于模糊c均值(FCM)聚类方法实现故障征兆参数属性的离散化处理;采用粗糙集(RS)属性约简方法对原始特征向量进行优化,去除冗余特征,提取特征向量的本质信息;基于约简后的特征向量建立支持向量机(SVM)故障诊断模型.实验结果表明,该文所提出的方法不仅可以提高故障诊断的准确性...     

基于改进型深度网络数据融合的滚动轴承故障识别

针对传统智能诊断方法依赖于信号处理和故障诊断经验提取故障特征以及模型泛化能力差的问题,基于深度学习理论,提出将卷积神经网络算法结合softmax分类器,针对数据集不平衡问题引入加权损失函数、正则化以及批量归一化等模型优化技术搭建适于滚动轴承故障诊断的改进型深度卷积神经网络模型。模型从原始实测轴承振动信号出发逐层学习实现特征提取与目标分类。实验结果表明,优化后的深度学习模型可实现对早期微弱故障、不同程度故障的精确识别,在不平衡数据集上也可达到95%的识别准确率,并且模型拥有较快的收敛速度和较强的泛化能力。