基于萤火虫群算法优化最小二乘支持向量回归机的滚动轴承故障诊断

滚动轴承故障诊断是提高设备利用率、降低运行及维护成本关键。最小二乘支持向量回归机为有效的故障诊断方法,为解决其参数选取受限于主观经验问题,将萤火虫群算法用于惩罚系数C与核参数σ寻优,提出基于萤火虫群算法优化最小二乘支持向量回归机的滚动轴承故障诊断方法。实验结果表明,该方法能对滚动轴承故障位置及程度进行准确诊断,与常规最小二乘支持向量回归机、BP神经网络相比精度更高,由此验证该方法的可靠性。     

基于ISSA⁃SVM的露点测量系统电路故障诊断方法研究

针对高精度谐振式露点测量系统中电路故障诊断问题,提出了一种基于改进的麻雀搜索算法（Improved Sparrow Search Algorithm, ISSA）优化智能分类器参数的电路故障诊断模型,采用测前仿真故障诊断方法中的智能诊断方法,选择适用于小样本、非线性问题的支持向量机（Support Vector Machine, SVM）作为智能分类器,针对麻雀搜索算法中收敛速度慢、易陷入局部最优等问题进行改进,并将改进后的优化算法用于SVM参数寻优,构建ISSA?SVM故障诊断模型用于谐振电路故障诊断。实验结果显示,ISSA?SVM模型在建立的电路上能够达到88.9%的故障诊断率,可靠性较强,能够作为高精度谐振式露点传感器电路的故障诊断方法。     

基于深度学习特征提取和WOA-SVM状态识别的轴承故障诊断

针对滚动轴承故障诊断问题,利用深度学习神经网络、鲸鱼优化算法(WOA)和支持向量机(SVM)等技术,提出了一种基于深度学习特征提取和WOA-SVM状态识别相结合的故障诊断模型。先通过深度学习自适应提取故障频谱特征,并将其与数理统计方法提取的时域特征相融合,再通过WOA-SVM对融合后的联合特征进行故障诊断。该模型在对滚动轴承试验台的故障诊断中实现了不同工况下多种故障类型的可靠识别,并且在一定程度上提高了故障分类的准确性。为了验证WOA-SVM在深度学习提取特征的轴承故障识别中的可行性和有效性,对比了粒子群支持向量机和遗传支持向量机,结果表明WOA-SVM具有较高的收敛精度和收敛速度。     

改进樽海鞘群优化K-means算法的图像分割

目的 针对樽海鞘群算法寻优精度低、易陷入到局部最优,以及K-means算法进行图像分割容易被初始聚类中心干扰等缺点,提出改进樽海鞘群优化K-means算法的图像分割。方法 首先利用Circle映射来对樽海鞘种群进行初始化;其次引入莱维飞行到领导者和追随者位置更新公式中,使得樽海鞘种群的多样性得到提高,克服算法陷入到局部最优。最后,对改进樽海鞘群算法先采用8个基准函数进行性能测试;再将改进樽海鞘群算法优化K-means进行图像分割。结果 改进算法在寻优精度、稳定性、收敛速度以及跳出局部最优的本领得到了提高。同时,改进樽海鞘群优化K-means算法进行图像分割,有效地提高了图像分割质量。结论 改进算法改善了原始樽海鞘群算法的寻优精度低、易陷入到局部最优的缺点,很好地优化了K-means算法对图像进行准确分割,在图像分割领域具有一定的参考意义。     

一种改进的粒子群优化粒子滤波算法

粒子群优化粒子滤波方法容易陷入局部最优,针对这一问题,提出一种改进的粒子群优化粒子滤波算法,该算法对惯性权重和位置更新采用模糊控制,增强粒子全局搜索的能力,防止粒子陷入局部最优,提高估计精度。     

SVM和改进的PSO在压路机驾驶室结构噪声优化中的应用

针对压路机驾驶室结构噪声,将拉丁超立方试验设计、支持向量机近似模型、改进的粒子群优化算法相结合,通过修改驾驶室主要板件的板厚参数降低压路机结构噪声。建立一套基于支持向量机和粒子群算法控制车内结构噪声的设计流程。针对粒子群可能出现局部最优解的问题,对粒子群进行了改进。并利用改进的粒子群优化支持向量机参数,构建高拟合精度的支持向量机模型代替有限元模型。并用改进的粒子群算法对该模型进行板厚寻优,找到一组最佳的板厚参数使得参考点(驾驶员右耳处)声压级最小,减少计算工作量,提高优化效率。     

基于ITD复杂度和PSO-SVM的滚动轴承故障诊断

针对滚动轴承故障诊断问题,提出了一种基于固有时间尺度分解(ITD)、Lempel-Ziv复杂度特征和粒子群优化支持向量机(PSO-SVM)的故障诊断新方法。首先对滚动轴承的振动信号使用ITD方法进行分解,得到若干个频率由高到低的固有旋转(PR)分量,由于滚动轴承在不同的故障状态下的PR分量Lempel-Ziv复杂度的分布不同,提取各PR分量的Lempel-Ziv复杂度值作为每个样本的特征向量,使用支持向量机(SVM)对轴承振动信号样本进行故障类型的识别,并用粒子群优化(PSO)方法对支持向量机的参数优化以获得较高的识别准确率。对滚动轴承振动信号的实测结果的分析表明:该方法可以实现对滚动轴承快速、准确地诊断,且不受载荷变化的影响。     

一种基于改进的LeNet-5模型滚动轴承故障诊断方法研究

针对滚动轴承故障样本不完备问题,提出一种基于改进的LeNet-5模型的卷积神经网络故障诊断方法。该方法将包含多种转速的滚动轴承振动原始时域信号以二维灰度图形式作为模型输入,根据信号特点确定输入尺寸,通过卷积操作自适应提取特征,引入批归一化操作提高模型泛化能力,再用softmax分类器实现故障分类识别,最后采用t-分布邻域嵌入算法(t-SNE)直观的展示该方法的特征提取效果。开展滚动轴承多故障实验,分析模型优化的合理性和有效性。实验结果表明,通过对四种转速下的滚动轴承故障数据进行训练和识别,该方法能在有限转速的轴承故障样本中学习其共性特征,可以实现滚动轴承故障的准确分类,并且对其他转速的故障数据同样具有有效性,拓宽了轴承故障诊断的转速泛化能力。将该方法与BP神经网络(BP neural network, BPNN)和支持向量机(support vector machine, SVM)算法进行对比,结果验证了该方法有较好的鲁棒性和泛化能力。研究成果可为保障滚动轴承的可靠性以及设备的安全运行提供参考和借鉴。     

基于威布尔分布及最小二乘支持向量机的滚动轴承退化趋势预测

为有效描述滚动轴承的退化趋势,提出结合威布尔分布及最小二乘支持向量机的滚动轴承退化趋势预测新方法。用威布尔分布形状参数作为滚动轴承的性能退化指标,将该指标作为最小二乘支持向量机的输入构造退化趋势预测模型。鉴于最小二乘支持向量机模型参数对模型的推广预测能力影响较大,选粒子群算法(PSO)优化最小二乘支持向量机模型参数,并用实测滚动轴承全寿命实验数据进行检验。结果表明该方法能获得准确的预测结果。     

基于小波包与质心粒子群的齿轮箱故障诊断及应用

针对齿轮箱振动信号中蕴含大量状态信息难以有效提取的问题,利用小波包分解对原始振动信号进行降噪及特征能量提取,通过BP神经网络实现故障的模式识别。针对神经网络收敛速度慢、易陷入局部最优值问题,提出利用简单、易行的质心粒子群算法对BP神经网络的权值和偏置进行优化。在粒子群算法中,通过设计种群质心和最优个体质心、根据粒子位置动态改变惯性权重,并将其引入粒子群算法的速度调整公式中:来构建质心粒子群算法。分别将该方法与基本粒子群算法、遗传算法应用在齿轮箱故障诊断中,通过比较表明该方法可以有效提高分类效率和准确率。     

QAPSO-BP算法及其在水电机组振动故障诊断中的应用

针对水电机组振动故障耦合因素多、故障模式复杂等问题,提出了一种基于量子自适应粒子群优化BP神经网络(QAPSO-BP)的故障诊断模型。在QAPSO-BP算法中,利用量子计算中的叠加态特性和概率表达特性,增加了种群的多样性;根据各粒子的位置与速度信息,实现惯性因子的自适应调节;为避免陷入局部最优,在算法中加入变异操作;并以此来训练BP神经网络,实现网络的参数优化,进而构建了机组的振动故障诊断模型。仿真实例表明,与粒子群优化BP网络(PSO-BP)法和BP网络法相比,该算法具有较高的诊断准确度,适用于水电机组振动故障的模式识别。     

球结构支持向量机在转轴碰摩位置识别中的应用

摘要：碰摩是旋转机械中常见的故障,碰摩故障位置识别是一个有待深入研究的故障诊断问题。对球结构支持向量机进行改进,充分考虑分类球的大小对分类的影响,经过理论分析和仿真实验得到新的分类规则。把转轴上不同位置的碰摩当作不同的故障,转轴碰摩故障位置识别就是个较大规模的多类别故障诊断问题,运用改进的球结构支持向量机进行转轴碰摩故障位置识别。实验结果表明,和其他同类算法相比,改进的球结构支持向量机具有识别率高、速度快、计算量少、数据处理容量大等优点,适合于较大规模的多类别故障诊断。
     

基于改进蝗虫优化算法的光伏电池模型参数辨识

针对蝗虫优化算法容易陷入局部最优、收敛精度不足等缺点,提出一种改进蝗虫优化算法。将混沌算法与蝗虫优化算法融合,对蝗虫优化算法进行混沌初始化,改善初始种群质量;再引入差分进化算法的差分策略,通过变异、交叉和选择过程,维持种群的多样性,增大算法跳出局部最优的可能性,从而使算法能搜索到更好的解;在个体更新部分引入了粒子群算法的思想,以当前的最优个体为目标进行个体位置更新,加快算法寻优速度。将改进蝗虫优化算法用于多晶硅太阳能电池模型参数的辨识中,并通过与其它智能优化算法的比较,验证了改进蝗虫算法辨识太阳能电池参数的有效性和优越性。通过实验验证了改进蝗虫优化算法在不同光照下对太阳能电池参数的辨识效果。     

IGSA-LSSVM软测量模型预测燃煤锅炉NOx排放量

提出一种基于改进引力优化算法(IGSA)优化最小二乘支持向量机(LSSVM)的软测量模型(IGSA-LSSVM)以精确测量煤粉锅炉NO_x排放量。首先,针对引力搜索算法易陷入局部最小、全局优化能力差的问题,提出了一种改进的引力搜索算法,利用网格算法初始化种群,基于适应度值自适应递减惯性权重更新质点位置以提高全局优化性能;然后,采用IGSA优化选择LSSVM的超参数以改善模型的预测精度和泛化能力;最后,以330 MW燃煤锅炉为研究对象,建立IGSA-LSSVM的NO_x软测量模型,仿真结果表明该软测量模型具有更高的预测精度和泛化能力,能有效测量NO_x排放量。     

EMD和平滑伪Wigner-Ville谱熵的轴承故障诊断

提出一种基于经验模态分解(EMD)和平滑伪Wigner-Ville分布 (SPWVD) 谱熵的滚动轴承故障诊断的方法。EMD方法充分保留信号本身的非线性和非平稳特征,在信号的滤波和去噪中具有较大的优势,SPWVD谱熵用于定量刻画轴承不同状态下振动信号的时频能量分布,将二种算法相结合应用于不同工作状态滚动轴承,并设计最小二乘支持向量机(LS-SVM)智能模型,实现轴承状态和故障类型的自动分类和识别。通过SPWVD谱熵与谱峭度法的对比,验证了SPWVD谱熵的有效性。实验表明此方法能够有效地提取轴承故障的特征信息,提高轴承故障诊断率。     

基于PSO改进深度置信网络的滚动轴承故障诊断

针对深度置信网络(Deep Belief Network,DBN)用于轴承故障诊断时,网络层结构调试比较费时等问题,提出一种基于粒子群优化(Particle Swarm Optimization,PSO)的DBN算法,以及基于该算法的轴承故障诊断模型。该模型利用PSO算法优选DBN网络结构,并通过自适应时刻估计法微调模型参数,随后运用具有最优结构的DBN模型直接从原始振动信号中提取低维故障特征,并将其输入到Soft-max分类器中识别轴承的故障模式。该算法与支持向量机、BP神经网络、DBN、堆叠降噪自编码等方法进行对比分析,实验结果表明,PSO改进的DBN算法具有更高的准确率以及更好的鲁棒性。     

改进麻雀算法在模糊PID温度控制系统的应用

为满足标准金属量器检定的温度控制要求,本文提出了改进的麻雀搜索算法。利用改进的Sine混沌映射初始化种群和萤火虫干扰策略,避免麻雀搜索算法过早陷入局部最优的状况,提高了算法的收敛速度;建立基于模糊PID控制器的温度控制系统的数学模型,并使用改进后的算法优化模糊PID控制器参数。结果表明：利用该算法优化模糊PID控制器,各方面性能都优于其他算法。     

基于小波包和进化支持向量机的齿轮早期诊断研究

针对齿轮早期故障的特征不明显，提出了一种基于小波包和进化支持向量机的齿轮故障诊断方法，该方法既充分利用了小波包优良的时频局部化特性，又利用了支持向量机在小样本情况下出色的学习性能和良好的推广特性，以及遗传算法的全局优化能力。在齿轮试验台上的应用结果表明，经过特征提取和参数优化后，提高了支持向量机的分类能力。     

基于量子遗传算法优化RVM的滚动轴承智能故障诊断

提出了基于量子遗传算法(QGA)优化相关向量机(RVM)核函数参数的方法,通过仿真比较了量子遗传算法与其它方法在核函数参数优化方面的性能,结果表明基于量子遗传算法优化出的算法性能优于其它方法的优化性能。将基于量子遗传算法优化的相关向量机(QGA-RVM)应用于滚动轴承的故障诊断;采用总体平均经验模态分解(EEMD)将滚动轴承故障信号自适应地分解成多个内禀模态函数(IMF),将IMF能量作为故障特征输入到QGA-RVM进行最终的故障诊断。结果表明,该方法能够快速准确地诊断出滚动轴承故障,验证了该方法的有效性和稳定性;此外,通过与支持向量机(SVM)的对比分析,显示了RVM在智能故障诊断应用中的优越性。     

基于支持向量机改进算法的船舶类型识别研究

利用船舶目标辐射噪声DEMON谱特征,采用改进的支持向量机算法,实现了对船舶目标的分类识别研究。针对支持向量机算法对噪声比较敏感和最优分类面求解时约束较多不利于支持向量机最优分类面寻优的问题,在保持支持向量稀疏性和应用径向基核函数的条件下,对支持向量机算法在松弛变量和决策函数两方面进行了改进,提出了基于径向基核函数的齐次决策二阶损失函数支持向量机改进算法,并应用于利用船舶目标辐射噪声DEMON谱进行船舶目标类型分类识别实验。理论分析、数据仿真与实验结果表明,该改进算法实现了在二次规划中的较少约束条件下最优分类面求解,具有模型参数寻优空间广阔、总体分类性能优的特点,其分类性能优于原支持向量机算法,是一种适合于船舶辐射噪声DENOM分类识别的有效的支持向量机改进算法。