基于油液-振动多维特征与PSO-LSTM的齿轮箱磨损状态监测

针对单独从振动特征、油液特征对齿轮箱进行磨损状态监测存在特征维度单一、准确率低的问题，提出基于油液-振动多维特征与粒子群优化算法-长短时记忆神经网络(PSO-LSTM)的齿轮箱磨损状态监测算法。对铁谱图像进行预处理，提取磨粒浓度特征、磨粒个数特征，对振动信号进行小波阈值去噪，并提取时域特征，得到油液振动十四维特征作为LSTM模型的输入；采用粒子群优化算法对LSTM模型进行参数寻优。实验验证：使用油液振动十四维特征的PSO-LSTM模型的识别准确率要优于单独使用振动和油液特征的PSO-LSTM模型，PSO-LSTM模型对于油液振动十四维特征数据的识别准确率全面优于未经优化的LSTM模型。     

基于LPSO-GRNN模型的螺栓松紧状态预测研究

在轴重式动态汽车衡的服役状态下,由于受到重型货车频繁的加卸载循环冲击,会导致其内部螺栓发生松弛脱落,针对这一问题,提出了一种基于莱维飞行改进粒子群算法优化的广义回归神经网络(LPSO-GRNN)的轴重式动态汽车衡螺栓松紧状态预测模型,并结合振动信号特征提取,将该模型应用于汽车衡螺栓松紧状态的预测。首先,研究并提取了螺栓不同松紧状态下输出振动信号的波形指标、峰值指标、脉冲指标、峭度指标等信号特征,并将其作为模型的共同输入特征向量;然后,采用莱维飞行提高了粒子群优化算法的寻优能力,通过产生随机步长,提高了算法的全局寻优能力,避免算法陷入局部最优值;利用改进的算法对广义回归神经网络(GRNN)的光滑因子进行了优化,得到了全局最优的光滑因子;最后,通过设计实验,分别使用广义回归神经网络(GRNN)、粒子群算法优化广义回归神经网络(PSO-GRNN)和LPSO-GRNN,以此来对螺栓松紧状态进行了预测,并将预测结果与实际情况进行了对比分析。实验结果表明：基于LPSO-GRNN建立的螺栓松紧状态预测模型,其预测准确率可达到95%。研究结果表明：该螺栓松紧状态预测模型可以有效提高汽车衡螺栓松紧预测的...     

基于IGRSSA与IPSO-SVM的滚动轴承故障诊断方法

为提高滚动轴承故障诊断的准确性,提出基于信息增益比的奇异谱分析(IGRSSA)与改进粒子群算法优化支持向量机(IPSO-SVM)的诊断模型。首先,引入信息增益比实现信号自适应重构;其次,采用动态惯性权重和梯度信息对粒子群算法进行改进并用于优化支持向量机;然后,用IGRSSA对滚动轴承外圈故障、钢球故障和正常3种状态的振动信号进行降噪并提取时域特征值,使用平均影响值(MIV)筛选出最优特征参量作为后续故障信号特征数据集;最后,将BP神经网络、RBF神经网络、交叉验证优化的SVM、遗传算法优化的SVM和粒子群优化的SVM作为对比算法用于轴承故障诊断。30次有放回的随机抽样诊断结果表明,IPSO-SVM的平均诊断准确率达到97.72%,波动性和收敛误差均优于其他方法。     

基于融合CNN与PSO-SVM的滚动轴承故障诊断

针对滚动轴承故障识别过程中,难以提取细微故障特征的问题,提出一种基于融合卷积神经网络与基于粒子群优化算法的支持向量机相结合的滚动轴承故障诊断方法.该方法将轴承振动信号同时作为一维卷积神经网络和二维卷积神经网络的输入信号,并在汇聚层中将提取到的故障信息融合,最后通过优化后的分类器提高故障识别准确率.为了验证该方法的诊断性能,将与融合卷积神经网络同规格的一维卷积神经网络和二维卷积神经网络进行对比.试验结果表明,该方法不仅可以提高故障识别准确率,还可以在信号受到噪声污染时保持良好的诊断性能.     

基于粒子群优化的机械传动齿轮箱非正常振动检测算法

采用传统概率神经网络模型检测机械传动齿轮箱振动需要人工经验确定平滑因子,不仅检测精度难以保证,而且延长了算法的运行时间,为此,采用改进的粒子群算法自适应地确定平滑因子参数。以机械传动齿轮箱作为非正常振动检测研究的对象,首先,采集齿轮箱运行的振动时域信号与频域信号,作为振动类型检测的数据样本;其次,基于Parzen窗概率密度估计构建概率神经网络模型;然后,利用变异算子优化粒子群算法的惯性权重,定义2个质心参数引导粒子群搜索到最优方向;最后,采用改进的粒子群算法自适应地确定概率神经网络的平滑因子,解决网络分类易陷入局部最优解问题。经实际样本数据测试得知,优化后算法的检测结果更加接近机械传动齿轮箱振动检测期望值,检测齿轮箱非正常振动的精度较高,满足了机械振动的高标准检测需求,实际应用价值较高。     

基于DE-VMD和GMDE的往复压缩机轴承间隙故障诊断方法

针对往复压缩机轴承间隙故障特征提取困难、识别准确率不高等问题,提出了差分进化算法优化变分模态分解方法和广义多尺度散布熵相结合的往复压缩机间隙故障诊断方法。首先,采用差分进化算法对变分模态分解算法的两个核心参数进行了优化,并利用优化后的变分模态分解方法对轴承间隙振动信号进行了信号分解和重构处理;然后,研究了多尺度散布熵的粗粒化过程,通过将方差粗粒化代替均值粗粒化,进行了多尺度处理,构建了广义多尺度散布熵算法,利用广义多尺度散布熵算法对重构信号进行了故障特征提取分析;最后,设计了核极限学习机模型对故障特征向量集进行了分类识别,完成了往复压缩机轴承间隙不同故障状态的智能诊断研究。研究结果表明,该故障诊断方法的识别准确率高达97%,高效地实现了轴承不同种类故障的智能诊断目的。     

基于人工蜂群-BP神经网络的刀具磨损监测

为了提高刀具磨损状态监测准确度,提出基于人工蜂群-BP神经网络算法的刀具磨损状态监测方法。使用力传感器和振动传感器设计了磨损状态监测平台;使用匹配追踪算法对信号进行了去噪;提取了信号时域、频域、时频域的特征参数,使用核主成分分析法对特征参数进行了降维,确定了反应刀具磨损状态的15个特征参数;提出了人工蜂群-BP神经网络算法的刀具磨损状态识别方法,使用人工蜂群算法优化BP神经网络算法参数;经实验验证,传统BP神经网络识别准确率为78.75%,优化BP神经网络算法识别准确率为100%。     

基于多重分形和PSO-SVM的齿轮箱故障诊断

针对齿轮箱振动信号的非线性和非平稳性,提出一种多重分形和粒子群优化的支持向量机(PSO-SVM)相结合的故障诊断方法。首先采用短时分维作为模糊控制参数的分形滤波器对背景噪声较大的齿轮箱振动信号进行滤波降噪;其次引入多重分形谱算法对滤波后信号进行分析,发现多重分形特征量Δa(q)、f(a(q))max、盒子维数Db能很好地反映齿轮箱工作状态;最后对支持向量机(SVM)的参数利用粒子群优化(PSO)算法进行优化,并将多重分形特征量分别作为SVM和PSOSVM的输入参数以识别齿轮箱故障。结果表明,基于粒子群优化的支持向量机可以提高分类正确率。同时证明了基于多重分形和PSO-SVM在齿轮箱故障诊断中的有效性。     

基于改进粒子群优化-反向传播神经网络的制造业产能预测

为了精准预测制造业产能,对粒子群优化算法和反向传播神经网络进行研究,进而提出基于改进粒子群优化-反向传播神经网络的制造业产能预测方法。在这一预测方法中,通过粒子群优化算法对反向传播神经网络的权值和阈值进行优化搜索,同时引入自适应变异算子,避免粒子群优化算法陷入局部极值,并通过MATLAB软件对制造业产能进行预测。研究结果表明,改进粒子群优化-反向传播神经网络的预测效果优于粒子群优化-反向传播神经网络和反向传播神经网络。     

基于NARMAX模型的阀控非对称缸神经网络预测控制

针对非对称缸位置跟踪控制精度较差,提出了一种基于非线性自回归平均滑动离散模型(NARMAX)和量子粒子群算法的神经网络预测控制策略(QPSO-NNMPC)。利用NARMAX模型表示阀控非对称缸的动态模型,使用粒子群算法优化BP神经网络(PSO-BP)对阀控非对称缸系统在线预测,使用量子粒子群算法(QPSO)对目标函数非线性优化。仿真结果表明,在不同频率期望信号与变干扰力情况下,该控制策略具有良好的跟踪效果和鲁棒性。     

基于EEMD信息熵和PSO-SVM的自动机故障诊断

针对自动机振动信号的瞬态冲击、非线性和非平稳性,提出一种基于集合经验模式分解(EEMD)的信息熵和粒子群优化的支持向量机(PSO-SVM)相结合的故障诊断方法。首先采用小波阈值降噪对振动信号进行预处理;其次运用具有抗混叠效应的EEMD对降噪信号进行分解得到本征模式分量(IMF),从而提取能反映自动机状态的特征参数:能量熵、边际谱熵和奇异谱熵;最后对支持向量机(SVM)的参数利用粒子群优化(PSO)算法进行优化,并将特征向量子集分别作为PSO-SVM和概率神经网络(PNN)的输入参数以识别自动机故障,结果表明:PSO-SVM相对于PNN可以提高故障分类正确率,同时证明基于EEMD信息熵和PSO-SVM方法在自动机故障诊断中的有效性。     

基于混沌理论与SVM的内燃机振动信号趋势预测

针对内燃机振动信号信噪比低且呈非线性、非平稳的特性,提出将经验模态分解(emprical mode decomposition,简称EMD)相空间重构理论与支持向量机(support vector machine,简称SVM)相结合,实现内燃机振动监测数据的建模及预测.首先,将含噪声的振动信号经验模式分解,去掉主要干扰因素所对应的固有模态函数(intrinsic mode function,简称IMF)分量,再将剩余IMF分量进行重构,得到去噪声后振动信号时间序列;然后应用混沌理论,选择合适的嵌入维数和时间延迟对去噪后的振动信号时间序列进行相空间重构;最后采用SVM对其进行建模预测,并与径向基函数(radial basis function,简称RBF)神经网络的预测结果进行比较.试验数据表明,该方法能够预测内燃机振动信号的变化趋势,性能优于传统的分析方法,具有一定的工程实用性.     

粒子群优化的神经网络在故障诊断中的应用

为提高齿轮箱故障诊断性能，建立了以齿轮箱振动信号的时频域特征为输入，以齿轮箱的主要故障形式为输出的神经网络。采用粒子群优化算法代替反向传播算法来训练神经网络的权重和阈值，利用训练后的神经网络对齿轮箱进行了故障诊断，并比较了基于粒子群优化算法与BP算法的诊断结果。结论是基于粒子群优化算法神经网络具有较好训练性能，收敛速度快，迭代步数少，诊断精度高，具有良好的故障识别率。     

基于粒子群优化SOM神经网络的轴系多振动故障诊断

针对自组织特征映射神经网络(SOM)在多振动故障诊断中出现的不能对所有可能故障完整分类和明显区分的缺点,提出基于粒子群算法优化的SOM神经网络.利用粒子群优化算法易实现、收敛快等优点,对SOM神经网络的参数进行优化,并用优化后的SOM神经网络对轴系故障进行仿真诊断.仿真诊断结果表明,粒子群算法优化的SOM神经网络比SO...     

皮带伸缩机动态称重数据处理优化算法研究

针对皮带伸缩机包裹传输过程中设备振动干扰等问题，提出利用粒子群(PSO)算法优化径向基(RBF)神经网络的动态称重数据处理算法。使用倾角传感器检测到的称重段三轴加速度信号，与称重传感器检测到的包裹动态质量信号一起作为特征变量，通过低通滤波处理后，分别输入到RBF以及优化的PSO-RBF预测模型中。与前述各阶段数据处理结果相比，优化后的PSO-RBF算法的预测结果相对误差更小。在验证中，分别取1、5、10 kg等载荷下的测量数据进行预测，该优化算法预测结果的误差均在0.9%以内。     

磷虾算法优化多分类支持向量机的轴承故障诊断

为了提高滚动轴承故障类型诊断准确度,提出了磷虾算法优化多分类支持向量机的轴承故障诊断方法。对于时频域特征参数的提取,将CEEMD算法与小波包优势结合,提出了CEEMD与小波包半软阈值去噪相结合的提取方法;对于特征参数降维,针对轴承振动信号的非线性特点,使用局部线性嵌入算法降维,对降维后特征参数使用模糊C均值聚类进行验证,可以看出LLE降维不仅降低了计算量而且有利于模式识别;将二叉树法与投票法支持向量机结合,给出了混合多分类支持向量机,使用磷虾算法对其进行参数优化。实验验证可知,磷虾算法优化的多分类支持向量机具有很高的输出精度,轴承状态识别准确率为100%,使用粒子群算法优化的支持向量机输出精度低,轴承状态识别准确率为79%。     

加权相空间重构降噪算法及其在设备故障诊断中的应用

加权相空间重构降噪算法在相空间重构与分解的基础上,将一维的时间序列延拓到高维的相空间,使得一维时序中不易识别的特征在高维相空间变为容易识别的吸引子,通过区分吸引子在高维空间的不同的属性与特征,采用汉宁加权窗将高维信号投影到一维,使得信号的本质特征得到充分体现.根据机械设备发生故I荤其振动信号中往往具有非线性、非平稳性的特点,提出将加权相空间重构降噪算法用于设备故障信号的降噪,并采用数值仿真试验及齿轮故障诊断对此算法进行了分析与验证,结果表明该算法对此类信号具有良好的降噪效果.     

基于组合神经网络的柴油机振动信号预测

根据柴油机振动信号的特性，使其在相空间里重构，再应用组合神经网络，对柴油机振动信号进行拟合和预测。该组合神经网络是一个两级系统，第一级有两个神经网络的预报——一个多目标前馈网络和一个函数耦合神经网络，用模糊反向传播算法进行训练；第二级是由第一级产生的两个预测结果混合得到的组合模型，采用Karmarkar的线性规划算法进行训练。实际应用证明了该方法的有效性。     

基于多个无标度区多重分形理论的齿轮故障诊断

针对齿轮故障振动信号具有多重分形特征,提出多个无标度区的多重分形理论与神经网络相结合的机械故障诊断方法。该方法采用多重分形理论计算齿轮振动信号的多分形谱和广义分形维数,并将多分形谱能和广义分形维数谱能作为特征量,构成二维特征向量。将该特征向量作为概率神经网络的输入参量,并对采自齿轮故障台的振动信号进行故障分类。实验证明,与单一无标度区多分形谱理论特征提取方法相比较,所提出的方法能更精密刻画振动信号特征,并获得更高的识别率。     

基于Elman神经网络与PSO算法的机械密封端面摩擦状态识别

声发射法可用于监测机械密封工作过程中端面的摩擦状态。为准确提取机械密封端面声发射信号特征,提出了一种利用PSO算法(Particle Swarm Optimization,粒子群优化)对Elman神经网络进行优化的方法。采用该方法对机械密封端面的摩擦状态进行识别,并比较了优化前后神经网络对机械密封端面摩擦状态的识别率。结果表明:经过PSO算法优化后的Elman神经网络对机械密封的端面摩擦状态有更高的识别率,从而实现了对机械密封端面摩擦状态实时有效的监测。