遗传算法在故障特征选择中的应用研究

针对传统组合优化方法用于特征选择的种种缺陷 ,提出了基于遗传算法的特征选择策略。经仿真及回转机械故障实例分析 ,证明该方法拥有较强的并行性和寻优能力 ,在机械故障诊断领域有广阔的应用前景     

遗传算法在故障特征选择中的应用研究

Feature selection is an important step in fault diagnosis owing to its considerable reduction in redundant features to enhance the effect of diagnosis. In view of the deficiencies of traditional combination optimization method, a new method based on genetic algorithm is proposed in the paper. According to the results of computer simulation and practical diagnosis example, it is proved that this method possess excellent parallelism and optimization property.     

基于遗传算法优化的支持向量机在齿轮故障声发射检测中的应用

支持向量机能够在训练样本较小的情况下,避免过学习现象,使泛化能力最大化。研究了支持向量机的参数无法自适应进行选取的问题,利用遗传算法具有全局搜索的性质,对支持向量机的参数选取进行最优化处理,得到支持向量机的最优参数。应用此法对齿轮故障声发射检测进行了研究,实验系统由PCI-2声发射系统和旋转机械振动故障模拟试验台组成,齿轮故障分类的精度比优化之前提高了10%,对齿轮故障诊断具有重要意义。     

基于高阶统计特征实值阴性克隆选择算法的轴承故障检测

为解决轴承故障检测领域中异常样本数据不易收集的现实应用问题,提出一种基于实值阴性克隆选择算法(Real-valued negative clone selection,RNCS)的一类轴承故障检测模型。该模型只需要正常样本数据进行训练,利用改进的RNCS生成故障检测器集合以此实现轴承故障检测。该算法通过引入自适应变异算子和克隆成熟度判定算子,能够提高原有算法抗体的检测能力并加快算法收敛速度。为解决因高阶统计特征(Higher order statistics,HOS)信息繁多而无法有效实现智能检测的不足,模型利用HOS特征矩阵分解的奇异值谱为特征进行检测,该方法不仅有效地减少了数据维度及训练时间,同时还降低了噪声影响提高了检测性能。试验中对不同参数选择及不同正常训练样本个数情况下的检测器性能进行了分析,不同检测器个数之间的性能比较也在试验中给出。将建议的方法同原有算法进行比较,试验结果验证了设计思想的正确性和算法的高效检测性能。     

遗传算法与蚁群算法在PID优化中的应用比较

针对控制中PID优化问题,分别用遗传算法和蚁群算法进行了寻优,并进行参数调试比较,得出2种算法都可以进行寻优,但遗传算法操作上要比蚁群算法简单得多,而且收敛速度比蚁群算法快的结论。     

基于DNA优化的BP网络在齿轮故障检测中的应用

齿轮是汽车中的一个重要部件,齿轮故障在汽车故障中占有重要比例,因此对齿轮的故障进行早期诊断具有重要意义.文中利用BP网络建立故障诊断模型,然后采用DNA算法来优化BP网络的权值和阈值,最后通过实验证明,这种方法可以对齿轮故障进行成功诊断.     

基于Matlab的遗传算法在结构优化设计中的应用

针对某机械的悬臂结构的优化设计问题,建立了单目标非线性优化设计数学模型,采用遗传算法,结合Matlab软件进行优化计算,阐明了Matlab遗传算法工具箱的具体使用过程和方法,验证和分析遗传算法所得到最优解的准确性与迭代子代数目密切相关。应用遗传算法和Matlab软件,有较快的收敛速度和很高的计算精度,为多目标非线性结构优化设计提供了强有力的方法和工具。     

基于海明距离的阴性选择算法的改进

阴性选择算法是人工免疫系统的核心算法之一,有效检测器数量与"黑洞"数量是采用阴性选择算法的系统所必须关注的两个要素.在分析连续r位匹配规则与海明距离匹配规则的基础上,提出了一种基于海明距离的阈值自适应阴性选择算法.相对于传统的连续r位匹配算法,该算法具有检测器数目小,"黑洞"空间小的优点.实验结果表明,新算法大幅降低了有效检测器的数量,并通过阈值的自适应性有效地降低了"黑洞"数量.     

PSO与LS混合算法在故障特征选择中的应用

为了提高分类器的分类精度和泛化能力,提出一种基于粒子群算法(Particle Swarm Optimization,PSO)和拉普拉斯分值(Laplace Score,LS)的混合式故障特征选择方法。该方法首先采用过滤式的特征选择方法(LS)对原始特征集进行筛选,然后利用PSO在经过精简的特征子空间里进行随机搜索,搜索过程中以支持向量机的分类准确率为适应度函数,选择出最优特征子集。用双跨转子实验台的一组故障特征数据集进行验证。实验结果表明,该方法可以有效地筛选出规模较小且最有辨别力的特征子集,能显著提高分类器的分类准确率及效率。     

基于量子遗传算法的轴向柱塞泵故障特征选择

为了进一步减少特征维数、缩短运算时间、提高分类正确率等,提出了一种基于量子遗传算法的轴向柱塞泵故障特征选择方法,该方法采用量子位进行染色体编码,利用量子门更新种群。首先,对轴向柱塞泵振动信号进行小波包变换,提取出原始信号和各个小波包系数的统计特征;然后,利用量子遗传算法从原始特征集中选择出最优特征集;最后,以神经网络为分类器(其输入为最优特征集),对故障进行诊断与识别。利用该方法对轴向柱塞泵正常、缸体与配流盘磨损和柱塞滑履松动三种状态的特征集进行选择,试验结果表明,与普通遗传算法相比,量子遗传算法可以更有效地减少特征维数,提高分类正确率。     

改进遗传算法在结构优化中的应用

提出了一种组合优化的策略,利用改进的遗传算法在整个可行域中寻找较好的解,然后利用传统优化方法寻找局部最优解,算例表明了该算法的合理性和有效性。     

遗传算法在结构形状优化中的应用

形状优化一直是机械设计过程中的中心问题 ,传统的数学规划法尽管可以解决各类结构的拓扑和形状优化问题 ,但要求连续变量和约束函数连续且性态良好 ,只能获得局部最优解。遗传算法能在较大的设计变量空间内迅速寻优 ,有较强的全局优化性能。因此本文采用遗传算法对结构进行形状优化 ,将应力约束作为罚函数引入到适应函数中 ,而对几何约束单独处理 ,不但克服了单独处理应力约束的困难 ,而且提高了搜索效率。为了不过多引入边界参数 ,采用 B-样条函数对边界进行描述。最后通过两个算例验证了方法的合理性和正确性。     

基于遗传算法优化的神经网络及其在机械故障诊断中的应用

针对神经网络结构的设计基本上依赖于人的经验的缺点,提出了一种利用遗传算法优化神经网络的算法。该算法结合了神经网络的快速并行性和遗传算法的全局搜索性,同时对神经网络的连接权和结构进行了优化,剔除整个网络冗余节点和冗余连接权,提高了网络的处理能力。将该方法应用于磨机故障诊断,能够对故障模式进行精确的识别, 取得了很好的效果。     

改进的遗传算法在减震器优化中的应用

汽车行驶平顺性是同类车在市场竞争中争取优势的一项重要性能指标．而减震器可确保车辆具有良好的行驶平顺性和安全性。文中提出了一种汽车减震器的遗传优化技术，以在各种不同的激振速度下，使优化后的减震器复行程和压缩行程中均不发生空程性畸变作为优化设计目标，选择活塞杆直径、复原阀片厚度、压缩阀片厚度、常通孔截面宽度和厚度作为设计变量。结果表明，改进的遗传算法对KYB SL20减震器参数优化具有较好的效果。     

改进的遗传算法在同步器优化中的应用

汽车同步器是自动变速器的重要组成部分.对同步器的模拟优化能为同步器的设计生产提供重要的参考.为了获得一个较好的优化效果,提出了一种改进的遗传算法.通过对遗传算法选择过程的标准进行了改进,结合适应度函数与染色体之间差异,形成一种新的适应度函数.该函数同时考虑了选择压力和物种多样性.通过对函数中两个常量的调整,可以使算法在不同情况下可以有不同的偏重.引入两种典型测试函数的分别从高纬度变量和低纬度变量进行试验,分析改进算法中两个影响因子的作用.并与几类遗传算法进行比较,结果表明该改进的遗传算法能更快更稳定的找到较优的解.最后将改进选择策略结合自适应遗传算法对同步器进行优化,证明了该选择策略具有良好的鲁棒性和实效性.     

基于优化遗传算法的变压器故障诊断方法研究

提出的变压器故障诊断方法以多个主要影响因子为网络的输入信息,建立变压器故障诊断的遗传神经网络模型,利用GA较强的全局寻优能力和BP梯度法较强的局部搜索能力,较快同时又较好地综合诊断出网络输出信息的变压器故障类型。为了验证所提出识别方法的有效性,对变压器故障实测数据进行了学习和综合诊断对比,测试结果表明,基于优化遗传算法的故障诊断方法计算速度快、精度高、鲁棒性强,可以有效直观地对变压器故障类型进行综合诊断,具有一定实际应用价值。     

基于生物遗传算法的车间布局优化算法

为了有效地减少产品在车间中的传输时间,根据车间中的生产工件的工艺流程对设备进行优化布局是十分必要的。本文应用遗传算法突出的寻优能力,根据中小批量生产方式的特点,提出了车间内设备布局的优化设计方法。     

基于生物遗传算法的车间布局优化算法

为了有效地减少产品在车间中的传输时间,根据车间中的生产工件的工艺流程对设备进行优化布局是十分必要的.本文应用遗传算法突出的寻优能力,根据中小批量生产方式的特点,提出了车间内设备布局的优化设计方法.     

基于离散粒子群优化算法的汽车发动机故障特征选择

最优特征选择属于组合优化范畴,针对汽车发动机机械故障特征选择问题,分析了冗余特征的存在对于故障分类器分类性能的影响,选择最优特征组合可以提高故障分类的正确率,提出基于离散粒子群算法的特征优化组合算法,利用BP神经网络评价特征优化的性能,并将其应用到汽车发动机曲轴轴承磨损故障诊断中.实验结果表明,与遗传算法相比,基于离散粒子群算法的特征优化算法优化效率较高,分类正确率较高,优化后的特征集可以显著地提高故障分类器的分类性能.     

基于粒子滤波与负向选择算法的GIS设备故障检测

为了及早发现故障合理安排设备检修计划,提出一种基于粒子滤波与负向选择算法的GIS故障检测方法。首先,选取GIS设备金属外壳振动信号分形维数作为特征变量,有效削弱了设备负载变化对外壳振动的影响。同时,基于粒子滤波及支持向量回归算法处理设备正常状态下的振动信号分形维数特征样本,建立GIS设备振动特征估计器。将实时测量的振动特征输入特征估计器,计算估计器输入值与输出值之间的残差并作为检测指标。最后,利用负向选择算法处理正常状态下检测指标数据,间接获取GIS故障状态下检测指标区间,进而实现设备故障的检测。通过对现场实际测量数据的仿真分析,验证了所提方法的可行性。