国家自然科学基金(60974056) 作品数:6 被引量:20 H指数:3 相关作者: 任世锦 杨茂云 徐桂云 刘小平 李新玉 更多>> 相关机构: 中国矿业大学 江苏师范大学 浙江大学 更多>> 发文基金: 国家自然科学基金 浙江省自然科学基金 更多>> 相关领域: 自动化与计算机技术 机械工程 更多>>
形态梯度小波降噪与S变换的齿轮故障特征抽取算法 2012年 针对齿轮故障特征信号具有强噪声背景、非线性、非平稳性特点,提出采用形态梯度小波对齿轮振动信号进行降噪。首先使用形态梯度小波把齿轮振动信号分解到多个尺度上,然后对各层的细节系数进行软阈值方法降噪处理,对经过处理后的小波系数进行重构。对降噪后的齿轮振动信号采用S变换多分辨率时频分析,能够从具有良好的时频分辨率的S变换谱图提取齿轮故障特征。通过仿真试验和故障轴承的信号分析证明,该方法具有短时傅里叶变换和小波变换的优点,不存在Wigner-Ville分布的交叉干扰和负频率,能有效地提取隐含在噪声中的齿轮故障特征,适合齿轮故障的在线监测和诊断。 刘小平 许桂云 任世锦 杨茂云关键词:故障诊断 齿轮 特征提取 S变换 一种新的不平衡数据v-NSVDD多分类算法 被引量:3 2013年 分析了多类支持向量数据描述(support vector data description,SVDD)算法存在的问题,提出一种新的不平衡数据v-NSVDD多分类算法.该方法借鉴了v-SVM方法以及带有负类的SVDD的思想,并基于不同类别样本间隔最大原理,较好地克服噪声和在野点的影响,提高了分类模型的泛化性能;通过样本加权的方法解决了不平衡类别样本预测精度低的问题,并在理论上给出了根据类别样本数量设置样本加权系数的方法.针对实际应用存在大量复杂、非线性分类数据,通过核方法把上述线性分类算法推广到非线性数据分类情形.由于现有的多分类器无法实现拒判,而且每个分类器的核函数参数不同,导致数据点与各个超球中心距离的计算结果与实际距离不相符,影响了数据判决结果的准确性和可靠性.针对上述问题,给出基于相对距离和K-NN规则相结合的多分类方法,提高了分类结果的准确性和可靠性.使用Benchmark数据集进行仿真实验,结果表明本算法能够获得较低的分类误差,能够有效处理样本不平衡问题. 刘小平 徐桂云 任世锦 杨茂云基于可靠性的正则化加权软k-均值的子空间聚类 被引量:3 2017年 子空间聚类已经广泛应用于多个涉及高维数据聚类应用领域,受到机器学习研究者的广泛关注.子空间聚类方法是一种使用特征选择的聚类分析技术,通过选择重要特征子集实现对高维空间的低维表示,在实际应用中能够取得更好的性能,成为流行的高维数据聚类方法.与硬聚类方法相比,软聚类能够给出复杂数据更有意义的划分.扩展k-均值聚类并提出基于可靠性的正则化加权软k-均值新的子空间聚类方法(Reliability-based regularized weighted soft k-means clustering algorithm,RRWSKM),该方法能够计算每个特征对每个聚类的贡献度,从而找到与不同聚类相关的重要特征子集.另外,该方法能够通过调整模型参数准确地辨识数据模式,具有良好的聚类性能.该方法把维度加权熵和划分熵作为正则化项引入到目标函数,避免过拟合问题同时使更多的特征参与辨识聚类.为了提高算法的鲁棒性,使用可靠性测度获得特征权重初始值,提高算法的可靠性和性能.考虑到该算法是非凸优化问题,使用迭代优化方法得到优化问题的最优解.使用多个实际数据集对本文算法进行仿真验证,结果表明,与其他子空间聚类算法相比,该算法能够有效发现高维数据的低维表示,具有良好的聚类性能,适合高维数据的聚类. 李新玉 徐桂云 任世锦 杨茂云关键词:最大熵 高维数据 基于PCA-SVDD的故障检测和自学习辨识 被引量:6 2010年 为了利用多变量统计过程控制在故障检测上的优势以及克服其在故障辨识诊断上的缺陷,提出一套新的用于化工过程的故障检测和自学习辨识算法.应用主元分析(PCA)实施故障检测并对故障数据运用PCA特征提取,提出3种基于主元分析-支持向量数据描述(PCA-SVDD)的模式判别方法来实现故障的自学习辨识:考虑故障辨识时可能出现的类分布重合问题,分析和比较了基于欧氏距离和归一化半径判别这2种方法,提出针对新型未知故障辨识的加权归一化半径判别法.通过对Tennessee Eastman(TE)过程的仿真研究,说明了提出的故障检测和自学习辨识算法的可行性和有效性. 祝志博 王培良 宋执环关键词:特征提取 故障检测 最优实验设计与Laplacian正则化的WNN的非线性预测控制 被引量:1 2016年 提出了基于最优实验设计与Laplacian正则化的自适应小波神经网络(Wavelet neural network,WNN)的非线性预测控制算法。该方法迭代地从WNN隐含节点候选集选取隐含小波神经元,并使用扩展卡尔曼滤波(Extended Kalman filter,EKF)方法调整该节点参数。为了控制WNN的复杂度,提出采用Laplacian正则化和最优实验设计选择重要的WNN隐含节点,使用最小描述长度(Minimum description length,MDL)准则确定节点数量。使用在线基于Gustafson-kesscl(GK)的模糊满意聚类算法确定WNN初始参数值和权重更新策略,该策略具有直观性和物理意义。最后给出基于WNN线性化模型的预测函数控制方法。对工业焦化装置温度控制进行仿真,结果说明了算法的有效性。 任世锦 王高峰 李新玉 杨茂云 徐桂云关键词:小波神经网络 扩展卡尔曼滤波 预测控制 基于HHT-DDKICA和支持矢量数据描述方法的提升机故障监测 被引量:7 2012年 分析提升机振动信号特征抽取和故障监控存在的问题,提出基于HHT-DDKICA和支持矢量数据描述(Support vector datadescription,SVDD)相结合的提升机故障监控方法。该方法通过滤波器把振动信号分解到感兴趣的子频带,使用希尔伯特-黄变换(Hilbert-Huang transform,HHT)把子频带信号分解为多个内蕴模式函数(Intrinsic mode functions,IMFs),给出HHT去噪方法以及基于信号能量准则的IMFs选择方法,保证选取IMFs的有效性。针对单个IMF往往包含多个非线性源振动信号成分的问题,提出数据依赖核独立分量分析(Data dependent kernel independent component analysis,DDKICA)算法对源振动信号进行分离。该方法不仅能够根据数据集确定合适的核函数,而且在经验特征空间中使用DDKICA模型选择准则选择最优模型参数。根据从DDKICA抽取的时频特征分布情况,提出使用SVDD模型构造新的统计量并确定其统计控制限。提升机应用研究表明,该方法能够及时发现运转过程出现的异常情况。 刘小平 徐桂云 任世锦 杨茂云关键词:希尔伯特-黄变换 故障监测