基于极点对称模态分解和概率神经网络的轴承故障诊断

针对复杂非线性的滚动轴承系统,提出了极点对称模态分解（ESMD）和概率神经网络（PNN）相结合的滚动轴承故障诊断方法。ESMD将固有模态函数的定义进行扩充,采用内部极点对称直接插值的方法替代外部包络线插值,引入最优的自适应全局曲线（AGM）的概念优化分解的趋势线,并由此确定最佳的模态分解次数。PNN是一种基于核函数逼近的神经网络分类器,将指数函数引入神经网络用来替代S型激活函数并进行重新构造,突出体现了梯度最速下降法的概念,减少实际和预测的输出函数之间的误差。通过对经验模态分解(EMD)、屏蔽经验模态分解(MEMD)和ESMD方法进行信号仿真分解对比,以及采用ESMD和PNN对故障数据进行处理,结果表明,该方法能够更加有效地对故障信号进行识别。     

基于核主成分分析和极限学习机的短期电力负荷预测

电力负荷预测的影响因素很多,需要综合考虑多个指标。各种指标间的关系通常是非线性的,采用线性主成分分析(PCA)往往会出现各主成分的贡献率太过分散,找不到具有全面综合能力的成分的情况。核主成分分析(KPCA)作为非线性主成分评价模型,通过核技巧,规避了非线性主成分分析(NLPCA)中非线性变换的未确知性,获得的主成分的贡献率比较集中,得到的评价结果更符合客观事实。采用KPCA来改进极限学习机(ELM)神经网络的输入量,兼顾了各个指标间非线性关系,以保留大部分原始信息为前提,有效的降低了输入维数,以极限学习机为预测模型,对实际电网中的负荷数据进行预测分析,结果表明,KPCA-ELM方法有效地提高了预测精度。     

基于双树复小波和深度信念网络的轴承故障诊断

提出了一种基于双树复小波(DTCWT)和深度信念网络(DBN)的轴承故障诊断新方法。采用DTCWT对轴承振动信号进行分解实验,结果表明DTCWT能够很好地将信号分解到不同频带。进而提取能量熵作为故障特征,采用DBN小样本分类模型对轴承故障进行分类,并与传统分类器进行比较,结果表明该方法能准确识别不同故障类型,扩展了DBN在机械故障诊断中的应用。     

基于变分模态分解和FABP的短期电力负荷预测

针对电力负荷序列非线性、随机性等特点引起的电力负荷预测精度下降等问题,提出了一种基于变分模态分解(VMD)和萤火虫算法优化BP神经网络(FABP)的短期负荷预测方法。利用VMD将原始电力负荷序列分解为若干个子序列,能够降低原始数据的复杂度和不稳定性同时克服模态混叠;萤火虫算法优化传统BP神经网络模型,能够克服其极易陷入局部最小的缺陷。最后通过样本熵(SE)对各子序列进行重组得到两个新分量,将其分别输入神经网络模型进行预测并叠加预测结果,实现短期负荷预测。应用于实例,结果表明,该方法能有效提高预测精度。     

基于总体平均经验模式分解近似熵和混合PSO-BP算法的轴承故障诊断方法

针对机械系统的非平稳、非线性特性,提出了一种基于总体平均经验模式分解(EEMD)近似熵和混合PSO-BP算法的轴承故障诊断方法。EEMD能够解决EMD的端点效应,改善处理非线性信号时的局限性;引入随机权重和压缩因子来改进粒子群算法,优化BP神经网络的权值和阈值,解决BP网络的全局收敛问题。将信号经EEMD得到的IMF分量与近似熵结合,组成特征向量,再将构造的特征向量输入到PSO-BP神经网络中进行模式识别。实验及工程应用实例证明了该方法的有效性和优越性。