基于改进PSO算法的Volterra模型在磨损预测中的应用

为准确预测机械设备的磨损问题,提出基于改进PSO算法的Volterra级数预测模型。该预测方法首先根据Volterra级数的性质,建立Volterra级数模型;然后利用改进的PSO算法对模型参数进行优化,得到Volterra级数的预测模型。利用轴承钢试件的磨损实验数据,采用建立的预测模型对数据进行建模和磨损预测。仿真结果表明,与基于PSO算法的Volterra模型、多项式模型、AR模型、RBF神经网络模型及BP神经网络模型相比,基于改进PSO算法的Volterra预测模型结构简单、预测精度高,具有一定的实用性。     

基于QPSO-Volterra的齿轮裂纹故障特征提取

鉴于目前主流齿轮裂纹故障检测方法所存在的局限性(即仅利用系统响应作为研究对象,很少考虑输入对于故障特征提取的作用),并考虑到其作为一种典型非线性系统所蕴含的动态特性,将Volterra级数理论应用于不同状态齿轮啮合传动系统,以充分发挥Volterra级数能够综合利用系统输入、输出数据进行系统非线性特性描述的优势;同时考虑到QPSO算法较高的全局搜索能力,采用该算法对齿轮啮合传动系统Volterra模型进行了时域核辨识。仿真实验结果表明,高阶时域核对于齿轮裂纹故障所引起的系统非线性特性变化非常敏感,可以有效地表征并区分出不同状态下齿轮啮合传动系统的非线性动态特性,达到了预期目的。     

一类非线性系统的故障诊断与实现

非线性系统的Volterra级数模型是系统的一种非参数模型,为非线性系统的故障诊断提供了一种新颖的方法.这里阐述了基于Volterra级数模型故障诊断方法的工作原理,介绍了使用单片机实现诊断系统的方法.     

基于Volterra级数的提升小波变换边界处理及应用

针对现有的提升小波变换容易产生边界振荡和频率混叠的不足,提出了一种将Volterra级数模型和抗混叠提升小波包相结合的信号处理方法.首先对信号两端进行数据延拓,用二阶Volterra级数预测模型对延拓信号进行预测;然后用抗混叠提升算法对信号进行小波包分解.对仿真信号进行边界处理后,信号在边界不会出现振荡现象;用抗混叠提升小波包对信号进行分解不会引起频率混叠现象.工程应用中,从强大的背景噪声中提取出了往复泵柱塞与缸套碰磨产生的微弱振动冲击信号,诊断出了密封盘根过度磨损的故障.     

基于子带分析的非线性电路故障诊断

针对非线性模拟电路故障诊断中Volterra级数(Volterra核)计算复杂的难题,基于Volterra核的频谱子带分析,提出了利用将Volterra核进行子带分解以降低计算复杂度的方法。首先将激励信号分别输入正常电路和故障电路得到两种电路的输出,然后分别计算正常电路和故障电路的Volterra子带核,通过求解两种电路Volterra子带核的相关系数实现故障元件的特征提取。实验结果表明,该方法不仅能提高故障诊断效率,还能有效提取灾难型故障(硬故障)和参数型故障(软故障)的故障特征。     

基于Volterra级数的转子故障诊断研究 

基于Volterra级数的转子故障诊断研究
唐浩;屈梁生;温广瑞
西安交通大学机械制造系统工程国家重点实验室,西安,710049
在简要介绍了Volterra级数基本理论的同时,应用遗传算法对Volterra级数的核进行了辨识,并取得了良好的辨识效果。与传统的基于信号处理的诊断方法不同,该方法将基于系统模型的Volterra级数非线性故障诊断方法应用于转子轴承系统的故障诊断,研究了转子在正常状态和碰摩状态下的起车过程中Volterra级数核的变化。实验结果验证了该方法的可行性与有效性。
This paper briefly introduced the basic theory of
Volterra series.Then,it identified the Volterra kernels by using genetic algorithm(GA) and achieved a satisfactory identification result.Being different from the traditional diagnosis schemes based on signal processing approach,the Volterra series method based on system modeling was employed in the area of fault diagnosis for rotor-bearing system.We
investigated the changes of Volterra kernels under normal state and rubbing state during run-up stages.Finally,experimental results certify its feasibility and effectiveness.
Volterra;nonlinear;genetic algorithm;fault diagnosis     

钢板缺陷识别的Volterra-SVM模型研究

针对钢板缺陷识别问题,结合超声波脉冲反射原理,提出一种基于Volterra级数和支持向量机的钢板缺陷识别方法。首先,利用Volterra级数模型建立起钢板缺陷的特征模型;其次,使用分数阶粒子群优化算法提取出原始信号中的特征参数,即Volterra级数时域核;最后,将提取到的特征向量输入支持向量机模型进行训练与测试,完成对钢板缺陷的分类识别。设计实验得到多组数据样本,进行模型验证,实验结果表明：基于Volterra级数和支持向量机的识别模型能够较好的完成对钢板缺陷的分类识别,识别准确率达93.3%。     

基于量子粒子群优化Volterra时域核辨识的隐Markov模型识别方法

将量子粒子群优化算法引入Voherra级数模型的非线性辨识中,并结合隐Markov模型(hidden Markov model,HMM),提出了一种基于量子粒子群优化的Voherra时域核特征提取的HMM识别方法,在提出的方法中,利用量子粒子群优化算法辨识得到的前三阶Volterra时域核作为故障特征,输入到各种状态的HMM中,其中,输出概率最大的HMM对应的状态即为设备的当前运行状态.提出的方法克服了传统的基于Volterra模型系统的机械故障诊断要求目标函数连续可导、容易陷入局部最小以及抗干扰能力差等缺陷.最后,将提出的方法应用到旋转机械故障诊断中.实验结果验证了该方法的有效性.     

多脉冲激励法在轴承滚珠磨损中的状态研究及应用

机械故障中的轴承故障具有强的非线性特征,其故障特征提取具有一定的困难,针对此问题提出了一种基于多脉冲激励法下的Volterra级数核的故障特征提取方法。通过系统的输入输出信号并建立非线性系统的Volterra级数模型,利用时域和频域的低阶核进行轴承所处状态的对比,进而分析是否处于故障状态。以美国西储大学滚动轴承故障为例来验证该算法,应用小波算法和多脉冲激励法进行对比,得出多脉冲激励法能够较为方便准确地提取轴承的故障特征。     

基于BA优化核参数的非线性Volterra滤波方法研究

针对传统的滤波方法对混合噪声滤除性能不足的问题,提出一种针对混合噪声的基于Volterra级数的非线性滤波方法,采用蝙蝠算法对Volterra滤波器的核参数进行优化。仿真实验结果表明,经蝙蝠算法优化核参数的非线性Volterra滤波器能够较传统滤波方法有效滤除混合噪声,信号失真现象不明显,同时其运算量小的特点较传统滤波方法具有更好的实时性。