模拟电路的DCNN-ELM软故障诊断

为提高模拟电路的软故障诊断能力,提出一种基于深度卷积神经网络(DCNN)特征提取的极限学习机(ELM)诊断方法.先利用DCNN在特征提取方面的优势,从含有电路故障信息的信号中自主提取有辨识力的特征;利用ELM出色的分类性能,构建获取特征的故障诊断模型;通过Sallen-Key带通滤波器电路的故障诊断实验对提出方法进行了验证.仿真结果表明,提出的基于DCNN的故障特征提取方法优于传统KPCA与KSLPP方法,与ELM分类器集成后得到的诊断准确率达到98.2％,有助于改善模拟电路的故障诊断精度,从而验证了其可行性和有效性.     

基于NNLI技术的齿轮箱故障诊断

将NNLI技术应用到齿轮箱的故障诊断中,提出了基于NNLI的特征提取方法,并将该方法与神经网络结合起来,进一步提出基于NNLI特征提取的神经网络故障诊断方法,给出了两种不同的网络分类器,通过齿轮箱故障诊断实例验证了该方法的有效性。     

模拟电路故障的深度学习融合模型诊断方法

针对传统智能故障诊断方法因装备电路复杂和工作环境噪声等因素引起的诊断困难问题,提出了基于降噪自编码器和高斯深度信念网络的融合模型,来实现模拟电路的故障诊断。首先,降噪自编码器用于处理原始信号的噪声并学习低层特征;然后,深度信念网络基于所学习的低层特征来提取深层特征;最后将融合的深度特征融入softmax分类器中,对智能诊断模型进行训练。融合模型在模拟电路上进行了故障诊断实验,结果表明,所提方法具有优越的诊断性能。     

基于PCA-SVM的储运过程故障诊断方法

针对储运过程工艺复杂、监控变量多且故障样本数据相对有限的问题,在介绍主元分析原理和支持向量机方法的基础上,提出了主元分析与支持向量机相结合的储运过程故障诊断方法,建立了提高故障诊断速度和诊断性能的故障诊断模型。首先采用主元分析法进行特征提取实现降维,其次构造新的训练和测试样本集,最后训练支持向量机分类器的故障诊断流程。以数字化油库为仿真实验对象,进行了油料收发过程中的故障诊断实验,验证了所提方法的有效性。     

小波包变换和支持向量机模拟电路故障诊断方法

为提高模拟电路故障诊断效率,将小波包变换和支持向量机结合起来,提出了一种完整的模拟电路故障快算检测和准确定位的方案.利用小波包变换对电路输出电压信号进行多层分解,提取各频带的能量作为故障特征,给出了具体的特征提取方法;利用支持向量机的多分类一对一方法,完成电路的故障定位,同时实现了小波函数的选择.在一模拟电路的故障仿真实验中,通过与BP,RBF和PNN等神经网络对比,结果显示该方法的诊断效率是很高的.     

基于多模型的模拟电路软故障诊断

针对电子装备模拟电路故障诊断过分依赖专业技术人员和诊断专家的不足,提出利用信息融合技术,综合极限学习机(ELM,Extreme Learning Machine)、支持向量机(SVM,Support Vector Machine)以及BP(Back Propagation)神经网络等智能故障诊断模型,对模拟电路软故障进行诊断的故障诊断方法。通过对不同模型分别输入不同频率的电压信号,得到每个模型的诊断结果;采用DS(Dempster-Shafe)证据理论对每个模型诊断结果的可信度进行评估,确立每个模型诊断结果的组合置信度。通过不同模型诊断结果的决策层融合,最终获得诊断结果。以某型装备滤波电路的故障诊断为例,多模型融合诊断结果的准确率比单一方法模型的诊断准确率有了明显的提高,证明了该方法的有效性。     

基于小波包和支持向量机的舰用发动机故障诊断

舰用发动机是一个复杂的大系统,由于受到海洋恶劣气候的影响,其故障发生的概率大大增加,因此,对舰用发动机故障诊断进行研究具有重大实际意义。以舰用发动机的主泵轴承为例,提出了基于小波包和支持向量机的故障诊断方法。首先采用振动加速度传感器获取轴承的振动信号,然后对采集数据进行多层小波包分解,求各频带信号能量,形成各种故障模式下的特征向量。将形成的故障特征向量训练集输入到支持向量机,通过训练建立诊断分类器,并运用测试数据对建立的诊断分类器进行测试。实验结果表明,该方法可以很好地实现舰用发动机故障诊断效能,具有很好的工程应用前景。     

萤火虫优化的异构集成学习网络入侵检测方法

在网络入侵检测中单独使用一种机器学习方法检测存在盲区,检测精度较低,提出一种基于GSO优化权值的异构集成学习入侵检测算法.在构造基分类器中,通过对样本集的采样和特征集的选择增大各个基分类器样本间的差异性;通过不同学习算法对样本集的学习增强基分类器的差异度,通过加权方式集成得到检测结果.在设计权值时,引入萤火虫优化算法,对各个基分类器的分类结果权值进行优化.在通用数据集和CSE-CIC-IDS2018数据集上的实验,表明提出的方法能够有效提高检测的精度,降低误报率和漏报率.     

支持向量机的战场直升机目标分类识别

对基于支持向量机的战场直升机目标分类识别技术进行了研究,分别将谐波集(HS)频率和不同尺度小波子空间能量作为特征矢量,设计出一种基于支持向量机的直升机目标分类器,并将该分类器与kNN分类器和BP神经网络分类器进行分类对比实验.结果表明两种特征提取方法,都能很好地体现不同声目标之间的差异,SVM分类器相对于其他两种分类器具有更好的分类性能,目标识别率达到96%以上.     

基于支持向量机的功率变换器开关管开路故障诊断

提出一种基于支持向量机的功率变换器开关管开路故障诊断方法。利用支持向量机建立分类模型,模型以相电流功率谱为输入量,7种故障状态为输出量,选用高斯核,使用基于二叉树分类器的分类算法。将诊断结果与基于BP神经网络的诊断结果进行比较,结果表明基于支持向量机的分类器在功率变换器开关管开路故障诊断中具有更高的准确率和更好的泛化能力。     

基于支持向量机的故障诊断方法及其应用

提出了一种采用模糊手段进行特征提取、支持向量机进行模式分类的内燃机燃油系统故障诊断方法.该方法专门针对小样本集合设计,能够在小样本情况下获得较大的推广能力,首先采用模糊手段对故障信号和原因进行特征提取,接着利用支持向量机进行分类实现特征级诊断,最后将其应用于内燃机燃油系统的故障诊断中,取得了令人满意的结果.     

基于全矢谱-深度置信网络的转子故障诊断方法研究

针对传统方法采用单通道信息进行设备故障诊断容易造成误判以及传统故障诊断需要大量专家经验知识的不足,结合全矢谱技术在多通道信息融合中可以全面反映振动信号特征的优势,以及深度学习具有强大的自特征提取能力和较好的模式识别能力,提出了一种基于全矢谱-深度置信网络的转子故障智能诊断方法.对采集到的多通道的机械振动信号利用全矢谱技...     

舵机大动作测试数据关联判读方法

针对电动舵机大动作测试数据人工关联判读工作量大、效率低、故障诊断难的问题,提出一种基于离散小波变换和多约束特征点提取的关联判读方法。根据测试数据量大、类型多的特点,分别采用离散小波变换以及多约束特征提取算法对不同类型的测试数据进行特征提取,剔除异常值,准确定位各个数据的大动作时刻,提取出特征值;使用时间关联判读方法对提取的特征点进行判读,给出了判读异常情况下的故障诊断结果并自动生成判读报表。为验证关联判读方法的有效性,进行了自动判读算法的实验测试验证。结果表明：该方法可在45 s内完成舵机测试数据的关联自动判读和故障诊断,而依赖专业技术人员的人工判读方法至少需要335 s,每个大动作点的数据判读效率提高了6倍以上。     

变分自编码器结合聚类算法在空战态势评估问题上的应用

针对传统态势评估方法确定权值的主观性强、处理大数据能力弱、特征提取能力不足等问题，提出基于改进变分自编码器和聚类算法的无监督空战态势评估方法。根据态势变化连续性特点，提出基于时间段的空战态势分类方法，将敌我双方态势划分为四类。在变分自编码器的基础上，提出了VAE-WRBM-MDN特征提取模型，即使用混合密度网络优化变分自编码器的特征提取能力和生成数据的相似度，使用权值不确定限制玻尔兹曼机优化网络的初始权值。将提取的特征分别输入到两种典型的聚类算法中进行聚类，并结合态势函数和实际战场情况修正聚类结果，形成正确的态势分类标准。在实验部分，分别进行了最优参数调整、关键特征提取、聚类以及修正实验。实验结果表明，模型态势分类正确率和运行时间均满足应用需求，实例评估结果与客观态势一致性强，所提方法具有实际应用价值。     

模拟线性电路的多故障诊断方法

提出了一种基于电路分析理论的模拟线性电路多故障诊断方法,该方法采用电路分析理论中的替代定理,叠加定理来列写电路的故障诊断方程,利用方程组的相容性原理来进行故障定位,通过计算故障支路的电导增量来完成故障定值.仿真实例表明,这种方法可以提高电路诊断的准确性,并为模拟动态电路的故障诊断提供了理论依据.     

无人机小样本条件下遮挡和混淆目标识别方法

针对无人机对地目标识别过程中的小样本问题以及目标存在的遮挡和混淆情况,提出了一种融合自注意力机制的小样本目标识别模型。在利用元学习思想获取小样本学习能力的基础上,将自注意力机制学习目标内部各部分之间的上下文依赖关系引入模型,从而增强目标表征能力,以解决遮挡和混淆情况下有效特征不足的难题。为验证模型效果,通过对基准数据集和无人机航拍数据进一步加工,构建了遮挡和混淆目标数据集,设置了不同的遮挡程度和背景混淆率。通过在不同数据集上的验证,并与深度学习模型对比,证明提出的模型具有更高的学习效率和识别正确率。     

基于分组重量编码的蛋白质同源寡聚体分类研究

基于一种新的特征提取方法——分组重量编码(Encoding on the basis of Grouped Weight,简记为EBGW),采用组分耦合算法作为分类器,从蛋白质一级序列出发对四类同源寡聚体蛋白进行分类研究。结果表明,在Jackknife检验下,基于分组重量编码的分类方法总体分类精度达到70.92%,比基于氨基酸组成和加权伪氨基酸成分特征提取方法分别提高20.28和7.53个百分点,说明分组重量编码对于蛋白质同源寡聚体分类是一种高效的特征提取方法。     

参照化流形空间融合学习的敏感特征提取与异常检测方法

针对遥测振动信号冲击强、响应周期短、共振频带宽和小样本等特点导致异类模式识别率低的问题,提出基于参照化流形空间融合学习的敏感特征提取与异常检测方法。采用多尺度分析方法将信号正交无遗漏地分解到各尺度带中,提取多尺度特征构造高维特征集；以相同的正常信号样本结合相同类型的异常样本建立专属参照化模型单元,采用线性流形学习获取各参照化模型单元多尺度流形特征差异,增强异常特征的敏感性。融合各参照化模型单元的投影矩阵对原始特征集进行升维再学习,获取低维多尺度敏感流形特征；输入到分类器实现对未知样本状态辨识。实测信号处理结果验证了算法的有效性。     

基于证据理论与多模型结合的模拟电路故障诊断

针对模拟电路故障诊断中单一诊断模型诊断结果模糊性与不确定性较大的不足,基于信息融合原理,提出一种结合神经网络、支持向量机(SVM)与DS证据理论的综合诊断模型。在分析了传统BP神经网络与支持向量机的缺点后,分别用改进的免疫遗传算法和粒子群算法对其进行结构优化。利用两种模型的初步诊断结果进行DS证据理论的基本概率分配(BPA),得到证据理论的两个证据体。采用DS融合算法进行决策层融合诊断,定位故障元件。仿真验证表明,该方法可以有效提高故障诊断的准确率,避免了单一诊断模型的偶然性与不确定性。     

装备模拟电路UKF-WRNN软故障诊断

为提高装备模拟电路的软故障诊断能力,在构建多分辨率变换样本基础上,提出一种应用改进UKF算法训练小波RBF神经网络(WRNN)软故障诊断方法。它引入基于方差膨胀原理的自适应因子,改善UKF算法性能;并利用改进UKF算法优化估计WRNN参数,建立多分辨率变换样本集的故障诊断模型;再由所建模型对各种故障模式进行诊断判定。Sallen-Key带通滤波器的仿真测试表明,该方法收敛速度快,诊断准确率高,进而验证了其可行性和有效性。