带收缩因子的PSO算法在齿轮箱故障诊断中的应用

应用带收缩因子的粒子群优化算法训练神经网络的权值矩阵，使神经网络的收敛速度大大提高，避免了其陷入局部最优解的缺陷；根据振动实验室齿轮箱实验数据，分析研究故障信号的特点，提取相应的特征参数，应用训练后的神经网络诊断齿轮箱的故障，实验表明故障诊断率较高。     

蚁群神经网络在齿轮箱故障诊断中的研究与应用

在ACO算法原理及框架的基础之上,将蚁群优化算法引入到神经网络的训练中来,提出了ACO训练神经网络的基本原理和方法步骤,并应用于发动机齿轮箱故障的故障诊断。本文采取经典的“频域”分析方法对齿轮箱进行故障诊断,并建立了基于蚁群神经网络的齿轮箱故障诊断模型。结果表明,用ACO算法训练的神经网络具有较高的故障诊断精度,可以有效地诊断齿轮箱中的故障,提高了诊断的效率和质量。     

基于混沌粒子群优化的神经网络在旋转机械故障诊断中的应用

基于混沌粒子群优化算法提出一种根据群体早熟收敛程度和个体适应值来调整惯性权重的自适应混沌粒子群优化算法,算法兼顾全局寻优和局部寻优,能够有效地避免早熟收敛.使用自适应混沌粒子群优化算法训练神经网络并建立旋转机械故障诊断模型,实验结果表明,与粒子群优化算法、遗传算法训练神经网络相比,基于自适应混沌粒子群优化算法的神经网络能够有效改善神经网络的训练效率,提高故障模式识别的准确率.     

优化VMD与CNN在齿轮箱故障诊断应用研究

针对齿轮箱的故障诊断的优化问题,提出了一种基于参数优化的变分模态分解（VMD）与卷积神经网络（CNN）相融合的故障诊断方法。该算法首先通过鲸鱼优化算法对VMD算法进行优化,之后通过正交实验法与粒子群优化算法进行了CNN模型中的重要参数进行优化,最后将分解后得到的固有模态分量输入CNN模型中进行训练学习。诊断完成后得到训练与检测结果,其中经过算法优化后CNN模型的训练与检测准确率可达98.7%与95.7%,优于未优化的准确率94.3%与91.8%。通过对结果的分析验证出该算法的可行性以及在诊断成功率方面的优越性,实现了故障特征信息的自适应性提取,并将故障类型进行分类,最终实现齿轮箱故障诊断的智能化。     

基于粒子群优化径向基神经网络在模拟电路故障诊断中的应用

为检测和诊断模拟电路中的故障,提出粒子群算法优化RBF神经网络的故障诊断方法,即把通过特征提取获得的模拟电路故障特征量作为神经网络的输入,然后利用训练好的粒子群优化后的RBF神经网络进行故障诊断. 结果表明,该方法具有良好的分类效果,能够提高诊断精确度,对于模拟电路的故障是一种有效的诊断方法.     

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...     

基于粒子群优化KFCM的风电齿轮箱故障诊断

针对基于有监督学习的方法无法识别未知类别故障,提出了一种基于粒子群优化模糊核聚类(kernel fuzzy c-means clustering,简称KFCM)的风电机组齿轮箱故障诊断方法。首先,建立以训练样本分类错误率为目标的聚类模型,利用KFCM对训练样本进行分类;然后,以初始聚类中心和核函数参数作为优化变量,利用粒子群优化算法求解聚类模型,获得最优分类结果下每个类的类心;最后,根据新样本与各类心之间的核空间样本相似度判断新样本属于已知故障或者未知故障。以某风电机组齿轮箱为例,对提出方法的有效性进行试验验证。结果表明,与传统基于有监督学习的神经网络方法相比,该方法能有效诊断已知和未知类别的故障。     

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。     

二极管钳位式三电平逆变器功率管开路故障诊断

针对二极管钳位式三电平逆变器的开路故障,为了准确、可靠地定位出发生故障的功率管,建立了基于杂交粒子群算法优化BP神经网络的故障诊断模型。分析了单管故障与双管故障输出电流信号的特点,将NPC三电平逆变器所有的故障进行编码,以傅里叶变换提取三相输出电流的直流分量、基波幅值、基波相位以及二次谐波相位作为故障特征向量建立神经网络,并用杂交粒子群算法将其优化。仿真结果表明,该模型能够准确诊断NPC三电平逆变器单管故障与双管故障,并且杂交粒子群算法优化能力优于基本粒子群算法。     

一种优化算法在齿轮传动装置故障诊断中的应用

分析了粒子群算法（PSO）和差分进化算法（DE）的特点,提出了一种PSO-DV算法用于优化BP神经网络的权值和阈值,并利用PSO-DV算法优化的BP神经网络进行了齿轮箱的故障诊断。试验结果表明,PSO-DV算法可以避免神经网络陷入局部极小,改善了收敛性能,同时保证了齿轮箱故障诊断的正判率。     

基于变分模态分解和PSO-SVM的起重机齿轮箱故障诊断

起重机齿轮箱的振动信号具有信噪比低、非线性的特点,需要一定的专业知识和经验才能实现故障诊断。为了实现起重机齿轮箱的智能故障诊断,提出了一种基于变分模态分解(Variation?al modal decomposition,VMD)改进小波降噪和粒子群算法(Particle swarm optimization,PSO)优化支持向量机(Support vector machine,SVM)的智能故障诊断方法。首先,利用VMD将振动信号分解,得到不同尺度的本征模态函数(Intrinsic mode function,IMF),将分解的高频分量进行改进小波降噪后和低频分量完成信号重构;然后,提取重构信号的特征参数构建特征向量,使用核主分量分析(Ker?nel principal component analysis,KPCA)对向量降维处理实现特征信息融合;最后,利用PSO优化后的SVM进行故障识别分类。实验验证表明,基于VMD改进小波信号预处理和PSO算法优化SVM的模型具有很高的识别准确率,能够有效、准确地对起重机齿轮箱的故障类型进行识别和分类。     

齿轮箱复合故障信号的非线性盲源分离算法研究

针对齿轮箱复合故障分析问题,文中提出一种新型非线性盲源分离（Nonlinear Blind Source Separation, NBSS）算法。该算法先利用反向传播（Back Propagation, BP）神经网络逼近非线性混合模型的逆,并对经过BP 神经网络处理后的信号进行独立成分分析（Independent Component Analysis, ICA）;然后以独立成分分析后的信号的负熵作为适应度函数,采用遗传算法对BP神经网络的参数进行寻优;最后利用优化的BP神经网络参数,对观测到的混合信号进行分解,分离出纯净的振源信号。与采用粒子群优化（Particle Swarm Optimization, PSO）算法的核独立成分分析（Kernel ICA, KICA）相比,该方法提取的分离信号具有更高的精度,为齿轮箱复合故障诊断提供了关键技术与有效方法。     

基于主成分分析的齿轮箱故障特征融合分析

为有效降低齿轮箱故障特征的维数并提高诊断准确率,提出了基于主成分分析法的齿轮箱故障特征融合方法,并结合支持向量机和BP神经网络对诊断的准确率进行了分析。以齿轮箱中不同裂纹齿轮为对象,选取能够表征齿轮箱故障状态的时域、频域和基于希尔伯特变换的36个特征,提取累积贡献率达到95%以上的主成分并输入支持向量机分类器中进行分类识别,用BP神经网络分类器进行结果的比较分析。结果表明,采用主成分分析法与支持向量机相结合的方法,既能降低特征维数,降低计算的复杂性,又能有效地表征齿轮箱的运行状态,识别不同裂纹水平的齿轮,比单独使用支持向量机分类器的方法诊断准确率更高,训练时间更短。     

GA-ACO优化BP神经网络在行星齿轮箱故障诊断中的应用

针对目前利用优化算法改进的BP神经网络算法对行星齿轮箱进行故障诊断过程中存在的故障识别率低、收敛速度慢和参数选择困难等问题,提出了一种用GA-ACO算法对神经网络参数进行优化的算法。给出GA-ACO-BP算法的基本原理和主要步骤,并将此方法应用到行星齿轮箱的故障诊断中。比较了ACO-BP神经网络算法和GA-ACO-BP算法的性能。结果表明,ACO优化BP神经网络算法对行星齿轮箱的故障诊断收敛速度慢且识别精度不高,而GA-ACO-BP算法能够对行星齿轮箱故障进行准确、快速的诊断和识别。     

基于遗传退火优化MSVM的齿轮箱故障诊断

为了实现齿轮箱典型故障的自适应准确辨识,提出一种遗传退火算法优化多核支持向量机的齿轮箱故障诊断模型。首先,将齿轮箱故障振动信号经验模式分解为多个内禀模态分量并提取其幅值能量特征;然后,再基于高斯核和多项式核构建多核支持向量机;最后,将表征齿轮箱故障特征的内禀模态分量能量输入到遗传退火算法优化的多核支持向量机进行故障模式辨识。理论分析表明,多核支持向量机能够逼近任意多元连续函数,遗传退火参数优化可快速准确得到多核支持向量机的全局最优参数向量。通过齿轮箱的故障模拟实验验证了该方法的有效性,结果表明,相比于传统的故障诊断模型,该方法显著提高了齿轮箱典型故障的诊断精度和泛化推广能力。     

基于CEEMDAN-SQI-SVD的齿轮箱局部故障特征提取

经验模态分解(EMD)及以其为基础发展而来的方法在故障诊断领域中得到广泛应用,对于分解后固有模态函数(IMF)的有效选择及基于有效IMF故障特征的准确提取至关重要。为更高效地解决此类问题,提出一种基于具有自适应白噪声的完整集成经验模态分解(CEEMDAN)结合信号质量指数(SQI)算法与奇异值分解(SVD)的齿轮箱局部故障最优特征提取算法。以具有不同故障级别的齿轮局部裂纹进行试验验证方法的有效性,通过试验获取原始数据并进行CEEMDAN分解,利用SQI进行有效IMF选取,再结合SVD对有效IMF进行分解以获取最优特征向量,并输入至BP神经网络进行训练与测试,最后将测试结果与数种常规方法进行比较。结果表明,针对齿轮箱的局部故障,提出的CEEMDAN-SQI-SVD算法识别精度高,并优于数种常规方法。     

基于PCA-改进BP神经网络的齿轮箱故障诊断方法研究

针对BP神经网络存在局部极小值和收敛速度慢等问题,文章提出了一种PCA-改进的BP神经网络的方法。实验表明,基于PCA-改进的BP神经网络的方法可以大大提高故障诊断的准确性,缩短了诊断时间。     

Blind vibration component separation and nonlinear feature extraction applied to the nonstationary vibration signals for the gearbox multi-fault diagnosis

Fault diagnosis of gearboxes, especially the gears and bearings, is of great importance to the long-term safe operation. An unexpected damage on the gearbox may break the whole transmission line down. It is therefore crucial for engineers and researchers to monitor the health condition of the gearbox in a timely manner to eliminate the impending faults. However, useful fault detection information is often submerged in heavy background noise. Thereby, a new fault detection method for gearboxes using the blind source separation (BSS) and nonlinear feature extraction techniques is presented in this paper. The nonstationary vibration signals were analyzed to reveal the operation state of the gearbox. The kernel independent component analysis (KICA) algorithm was used hereby as the BSS approach for the mixed observation signals of the gearbox vibration to discover the characteristic vibration source associated with the gearbox faults. Then the wavelet packet transform (WPT) and empirical mode decomposition (EMD) nonlinear analysis methods were employed to deal with the nonstationary vibrations to extract the original fault feature vector. Moreover, the locally linear embedding (LLE) algorithm was performed as the nonlinear feature reduction technique to attain distinct features from the feature vector. Lastly, the fuzzy k-nearest neighbor (FKNN) was applied to the fault pattern identification of the gearbox. Two case studies were carried out to evaluate the effectiveness of the proposed diagnostic approach. One is for the gear fault diagnosis, and the other is to diagnose the rolling bearing faults of the gearbox. The nonstationary vibration data was acquired from the gear and rolling bearing fault test-beds, respectively. The experimental test results show that sensitive fault features can be extracted after the KICA processing, and the proposed diagnostic system is effective for the multi-fault diagnosis of the gears and rolling bearings. In addition, the proposed method can achieve higher performance than that without KICA processing with respect to the classification rate.     

基于粒子群优化的核主元分析特征的提取技术

针对核主元分析在参数设置上的盲目性,提出应用粒子群优化算法优化核函数参数.并将核主元分析应用于特征提取中.首先建立核函数参数优化的数学模型,然后应用加速度自适应粒子群优化算法对其寻优,并通过Iris数据集进行仿真研究,验证其提取特征的有效性.将优化的核主元分析方法应用于齿轮箱典型故障的特征提取中,结果表明:参数优化的核主元分析能有效降低齿轮箱特征向量的维数,较线性主元分析取得更好的故障识别效果.该方法在机械故障信号的非线性特征提取中具有优势.     

基于SVM和BP神经网络的轴系故障诊断

阐述SVM（support vector machine）和BP（back propagation）两种神经网络的基本原理和算法,将其应用于柴油机轴系的故障诊断与识别,建立轴系故障的SVM故障诊断模型,并与BP神经网络进行对比分析研究。结果表明,SVM和BP神经网络都具有精度较高的故障识别能力,但SVM整体性能优于BP神经网络,具有较快的训练速度和较强的非线性映射能力,非常适用于轴系的状态监测和故障诊断。