EMD趋势分析方法及其应用研究

趋势分析是一种重要的设备状态监测与故障诊断方法,对分析较长时间范围内设备运行状态的变化具有重要意义。研究了一种基于经验模式分解（Empirical Mode Decomposition,EMD）的设备运行状态趋势分析方法。研究表明,与传统方法（如最小二乘法、低通滤波法）相比,经验模式分解能够更准确地提取信号趋势信息。应用于某炼油厂透平烟机故障诊断,表明这种基于经验模式分解的趋势分析方法能够有效提取设备运行趋势信息,消除采样中随机因素的影响,为准确评估设备运行状态、诊断故障提供可靠依据,具有重要的现场实用价值。     

基于遗传算法的盲源分离在轴承诊断中的应用

提出了一种基于遗传算法的盲源分离算法，该算法直接从信号的样本序列估计信号的概率分布，解决了信号问互信息的求解问题，通过遗传算法最小化信号的互信息，实现对线性混叠信号的分离。将该算法用于轴承声音信号的分离，取得了较好的效果。     

遗传编程的Matlab语言实现

引入堆栈技术,采用后缀表达式使遗传编程的树型结构易于转换为线性序列,并解决了初始个体生成算法、杂交算子操作、表达式个体求值等问题,使遗传编程不再依赖于专用编程语言和指针操作,能够方便地用Matlab语言实现。     

基于粒子群算法优化的独立分量分析算法

通过两组模拟信号对三种主流独立分量分析算法-JADE、FastICA、扩展Infomax算法的性能进行了对比分析,结果表明三种算法均无法完全分离超高斯源与亚高斯源形成的混合信号,FastICA算法对能量强弱差别大的混合信号失效。基于这一现象,提出了一种新的独立分量分析算法,以粒子群算法为优化工具,以分离矩阵为优化变量,最小化分离信号联合概率与边缘概率乘积的差值,并给出了具体的计算流程。仿真实验结果表明,该算法的性能显著优于上述三种独立分量分析算法。同时,新提出算法实施过程中不需要任何先验知识,相比其他三种ICA算法,更适合解决工程实际问题。最后,将该算法应用于对滚动轴承实验台实测信号的处理,通过对分离信号的分析实现了对滚动轴承故障类型的准确识别,进一步证明了算法的有效性。     

基于遗传算法的多尺度支持向量机及其在机械故障诊断中的应用

通过对支持向量机核函数的分析发现,当对样本的各个特征赋予不同大小的尺度参数时,可以避免冗余特征干扰分类,增强关键特征在分类中的作用,提高支持向量机分类器的学习和泛化能力。在此基础上,提出一种具有不同特征尺度参数的支持向量机(简称多尺度支持向量机),并通过遗传算法最小化LOO(leave-one-out)泛化错误上限估计,根据各个特征的识别能力赋予其不同大小的尺度参数。将多尺度支持向量机用于轴承故障诊断,实验结果表明,与传统的单尺度参数支持向量机相比,多尺度支持向量机具有更好的泛化能力。对压缩机气阀的故障识别表明,尺度参数的大小直接反映了对应特征识别能力的大小,因此可以依据尺度参数的大小进行特征选择,保留关键特征,剔除冗余特征。     

基于遗传算法的回归型支持向量机参数选择法

研究了遗传算法在回归型支持向量机参数选择中的应用：首先,分析了支持向量机的几个参数对其预报能力的影响,发现参数选取不当,会导致支持向量机出现过学习或欠学习现象;在此基础上提出利用遗传算法来解决回归型支持向量机的参数选择问题,模拟实验证明,该方法克服了传统参数选择方法存在的缺点,提高了支持向量机的预报精度。     

遗传算法中遗传操作的改进策略

通过分析发现,二进制编码中不同基因位改变时,所引起优化变量的变化程度不相等。基于此,提出一种改进的交叉和变异策略,对编码串中各个基因位赋予不同的交叉点选择概率和变异率,并随进化调整各位的交叉点选择概率和变异率。仿真结果表明,同标准遗传算法相比,采用改进策略的遗传算法具有寻优精度高、稳定性好、收敛性强等优点;此外,同改进交叉操作相比,改进变异操作能更有效地提高算法的寻优能力。