基于改进鲸鱼算法的复合材料层合板优化设计EI北大核心CSCD

针对层合板铺层优化问题,提出一种改进鲸鱼算法(improved whale optimization algorithm,IWOA)。通过引入对立学习策略保持进化过程的多样性,同时结合非线性收敛因子和自适应阈值提高IWOA的全局搜索能力;以层合板的铺设角度为设计变量、基频及带隙为优化目标进行板的频率优化,并使用Ritz法求解。基于IWOA算法对长宽比分别为1和2的复合材料矩形层合板进行优化研究,并与鲸鱼优化算法(whale optimization algorithm,WOA)、分层优化算法(layered optimization algorithm,LOA)和差分进化算法(differential evolution algorithm,DEA)进行比较分析。结果表明,相较于LOA、DE和WOA算法,IWOA具有更好的全局收敛性,且在处理多模态问题时更具可靠性。     

基于WOA的飞机舵机电动加载系统双环复合控制研究

针对飞机舵机电动加载系统存在舵机与加载电机耦合所造成的多余力矩扰动问题,以无刷直流电机作为加载机构,构建系统数学模型,并提出一种基于鲸鱼优化算法(whale optimization algorithm,WOA)的内环电机速度控制、外环力矩控制的双环复合控制策略。在电机速度环控制中,结合Skew Tent混沌映射、动态搜索因子并改进适应度函数设计基于改进型WOA的零基准自抗扰控制器(active disturbance rejection control,ADRC),利用改进型WOA实现零基准ADRC的参数寻优;在力矩环控制中,设计带有补偿环节的重复PID控制器。仿真结果表明,改进型WOA具有良好的寻优能力,且基于此的双环复合控制策略能够有效提高系统跟踪能力并能明显抑制多余力矩。     

基于SSA-VMD-MCKD的强背景噪声环境下滚动轴承故障诊断EI北大核心CSCD

为在强背景噪声环境下有效提取滚动轴承微弱故障特征并准确诊断故障,提出奇异谱分析(singular spectrum analysis, SSA)、变分模态分解(variational mode decomposition, VMD)和最大相关峭度解卷积(maximum correlated kurtosis deconvolution, MCKD)结合的滚动轴承故障诊断方法。首先,利用SSA算法将故障信号分解,根据时域互相关准则对分解信号筛选重构;其次,利用鲸鱼优化算法(whale optimization algorithm, WOA)分别优化VMD的参数alpha,K以及MCKD的参数L和M,利用参数优化的VMD对重构信号进行分解,根据峭度指标从分解所得的本征模态函数(intrinsic mode function, IMF)中提取故障特征信号;再次,利用参数优化的MCKD算法增强故障特征;最后,通过频谱包络进行故障诊断。仿真和试验表明,所提方法能在强噪声干扰下有效提取并诊断轴承故障。     

改进dynFWA优化BP神经网络在加工中心主轴故障诊断中的应用

针对目前加工中心(Machining Center,MC)主轴故障诊断多为人工经验完成,且故障诊断精度和识别率低等问题,提出基于改进的动态搜索烟花算法(dynamic search fireworks algorithm,dynFWA)优化BP神经网络(Neural Network,NN)的加工中心主轴故障诊断方法。将改进的动态搜索烟花算法优化BP神经网络的初始权值和阈值,建立改进dynFWA-BP神经网络模式分类方法。将提出的模式分类方法应用于MC主轴故障诊断中,使得提取的主轴故障特征与主轴工作状况有着非线性映射关系。最后,采用VMC650E主轴故障数据进行验证,证明所提出的故障诊断方法在故障诊断精度、故障识别率方面明显优于BP神经网络、GA-BP神经网络和PSO-BP神经网络。     

基于山东省不同模型的物流需求预测比较研究

目的 过对不同预测方法的误差对比研究,选取预测生鲜农产品物流需求量更精准方法,为疫情情况下山东省生鲜农产品市场进行科学性、合理化决策提供参考。方法 公路货物周转量、互联网普及率、GDP、人口数量、第一产业增加值等十大影响因素作为自变量,以生鲜农产品的需求量作为因变量,分别将小波神经网络、人工神经网络(BP)、遗传算法优化神经网络(GA−BP)、粒子群优化神经网络(PSO−BP)、长短时记忆网络(LSTM)等5种方法的数据预测进行对比分析。结果 波神经网络和BP神经网络的预测值明显低于真实值,且平均相对误差接近20%,而优化后的GA−BP、PSO−BP、LSTM算法误差均小于5%,分别为4.06%、1.162%、0.45%,因此,LSTM预测精度最高,效果最好。结论 来山东省的生鲜农产品需求量将持续增长,LSTM算法以其精确度更高,学习能力更强的优点,将会被更多地应用到物流领域研究中。     

基于WOA–BP神经网络的液滴铺展预测

目的 提高BP神经网络对电喷印过程中液滴铺展行为的预测能力。方法 提出一种鲸鱼优化算法(WOA)优化BP神经网络的液滴铺展预测模型。首先，采用相场方法建立电场作用下液滴铺展的数值模型，并通过实验验证仿真结果的准确性。然后，选取初始直径、撞击速度、接触角和电场强度作为神经网络的输入参数，将最大铺展直径作为神经网络的输出参数，利用鲸鱼优化算法优化神经网络中的初始权值和阈值，构建液滴铺展预测模型。最后，基于仿真结果对预测模型进行训练与测试，并将其与传统的BP神经网络模型进行对比分析。结果 相较于传统BP神经网络预测模型，WOA–BP神经网络预测模型的平均绝对误差、均方根误差分别降低了72.60%、77.60%，而平均绝对百分比误差则从15.029 3%减小为4.585 3%。结论 WOA–BP神经网络预测模型可以更好地预测液滴铺展，可为液滴铺展的预测提供新的方法。     

支持CNN与LSTM的二值权重神经网络芯片

深度神经网络在图像分类、语音识别、视频检测等领域都取得了巨大的成功,这些领域主要采用了卷积神经网络(CNN)、长短期记忆(LSTM)中的一种或者两种网络类型.由于CNN和LSTM网络结构的差异使得现有深度神经网络加速器无法同时高效支持这两种网络类型.权重二值化使得加速器对于CNN和LSTM的同时支持更加高效,同时使得计...     

CEEMDAN-WOA-ELM模型风机振动趋势预测

在火电厂中,风机的故障通常会引起风机振动幅值异常,因此对风机振动趋势的准确预测可以有效降低风机故障发生概率。由于原始的风机振动数据具有较强的随机性和波动性,传统预测方法很难直接进行有效预测,因此需要对原始风机振动数据进行预处理,并应用先进的机器学习算法来进一步提高风机振动预测精度。该文采用完备经验模态分解(complete ensemble empirical mode decomposition adaptive noise, CEEMDAN)对原始数据进行预处理,将原始振动数据分解为一系列固态模量(intrinsic mode function,IMF),从而降低原始振动信号的非平稳性。其次使用经过鲸鱼算法(whale optimization algorithm, WOA)优化的极限学习机(extreme learning machine, ELM)来预测所有IMF序列。最后将所有IMFS预测结果叠加得到最终预测值。为评估模型的预测性能,该研究采集某火电厂风机机组的振动数据进行多组对比试验。结果表明,该文提出的模型SSE平均降低39.58%,RMSE平均降低31.73%,验证CEEMDAN-WOA-ELM模型具有优越的数据处理和预测能力,适用于火电厂中风机振动的趋势预测。     

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。     

基于熵-流特征和樽海鞘群优化支持向量机的故障诊断方法

针对旋转机械设备故障特征提取困难的问题,提出一种熵-流特征和樽海鞘群优化支持向量机(salp swarm optimization support vector machine,SSO-SVM)的故障诊断方法。利用改进多尺度加权排列熵(improved multiscale weighted permutation entropy,IMWPE)提取机械设备不同工况下的故障特征;采用监督等度规映射(S-Isomap)流形学习进行降维处理,获取低维的熵-流特征集;将熵-流特征输入至SSO-SVM多故障分类器进行识别与诊断。行星齿轮箱故障诊断实验分析结果表明:IMWPE+S-Isomap熵-流特征提取方法优于现有的多尺度排列熵(multiscale permutation entropy,MPE)、多尺度加权排列熵(multiscale weighted permutation entropy,MWPE)和IMWPE等熵值特征提取方法以及IMWPE+等度规映射(Isomap)和IMWPE+线性局部切空间排列(linear local tangent space alignment,LLTSA)等熵-流特征提取方法;樽海鞘群算法对支持向量机参数寻优效果优于粒子群、灰狼群、人工蜂群和蝙蝠群等算法;所提故障诊断方法识别精度达到100%,能够有效诊断出行星齿轮箱各工况类型。     

基于贝叶斯优化与改进LeNet-5的滚动轴承故障诊断

考虑到卷积神经网络在滚动轴承故障诊断中存在网络结构难以确定、训练次数过多、时间过长等问题,设计了一种贝叶斯优化改进LeNet-5算法,以及采用该算法构建的轴承故障诊断模型。采用贝叶斯优化训练过程中学习率等超参数,多种故障轴承的振动信号直接作为改进LeNet-5网络的输入,对池化输出采用批归一化处理和改进池化层激活函数防止过拟合,利用全局平均池化层替代全连接层提高改进LeNet-5网络的泛化能力,用Softmax分类器实现滚动轴承故障的分类。通过轴承数据库开展实验,实验表明,该算法构建的轴承故障诊断模型在训练集上准确率为99.94%,验证集上的准确率为99.89%,测试集准确率也达到99.65%,与一维卷积神经网络和二维卷积神经网络对比分析,基于贝叶斯优化改进LeNet-5算法构建的轴承故障诊断模型在滚动轴承的故障诊断模型具有更高的准确率,更少的训练次数和训练时间。     

基于PSO-BFA和改进Alexnet的滚动轴承故障诊断方法

现实中滚动轴承的工况复杂易变,无法有效地对其进行故障诊断。对此,提出一种基于粒子群优化的细菌觅食(Particle Swarm Optimization and Bacterial Foraging Algorithm,PSO-BFA)和改进Alexnet(第二代卷积神经网络)的滚动轴承故障诊断方法。该方法将Alexnet的结构简化,并分别在其前两层池化层之后添置局部归一化层以降低训练成本;将以小批量样本softmax的交叉熵为损失函数,按Adam迭代优化法小样本、少迭代次数训练改进Alexnet后的变负荷样本诊断精度设计为适应度函数,并结合PSO中粒子移动速度的更新方法更新BFA中细菌的游动方向来寻找改进Alexnet的结构等相关参数;根据PSO-BFA所得的参数,以相同的训练方法大样本、多迭代次数训练改进Alexnet,实现复杂工况下滚动轴承多状态故障诊断。实验结果表明所提出的方法对复杂工况下滚动轴承16种故障状态的诊断是可行的,且有更高的诊断精度、更好的抗干扰和泛化性能。     

基于注意力BiGRU的机械故障诊断方法研究

为了解决机械故障诊断领域传统方法自适应性差、参数选择过于依赖人工的问题,提出了一种基于循环神经网络的机械故障诊断算法。该方法利用预处理后的机械振动信号,搭建了双向门控循环单元的故障诊断模型,并进行了基于注意力机制的模型优化,提高了特征提取效率。经过美国凯斯西储大学轴承数据集以及自采集的柴油机故障实验数据验证,相比于传统神经网络算法提升了计算效率和诊断准确率,并表现出了良好的抗噪能力。结果表明,该方法可以有效适用于基于机械振动信号的故障诊断,具有一定的工程应用价值。     

基于多尺度均值排列熵和参数优化支持向量机的轴承故障诊断

针对滚动轴承故障诊断中特征提取困难和模式识别准确率低等问题,提出了一种基于多尺度均值排列熵(MMPE)和灰狼优化支持向量机(GWO-SVM)结合的故障诊断方法。利用MMPE全面表征滚动轴承故障特征信息,选取适当维数特征构成样本数据集,采用GWO-SVM分类器进行故障模式识别。对所提基于MMPE和GWO-SVM故障诊断方法进行理论分析和研究,并利用滚动轴承试验数据进行相应对比试验分析,结果表明:MMPE能够有效提取滚动轴承故障特征信息;GWO-SVM识别准确率和识别速度优于滚动轴承故障诊断其它常用参数优化支持向量机;所提方法能够有效识别滚动轴承故障位置和故障程度,在滚动轴承数据集上取得了98.0%的故障识别准确率,高于基于MPE和GWO-SVM方法的97.0%准确率,并且在噪声背景下取得了93.5%的识别准确率,优于后者83.0%准确率,证明了所提MMPE具有更好的噪声鲁棒性。     

基于自适应深度卷积神经网络的发射车滚动轴承故障诊断研究

作为发射车的关键组成部件,滚动轴承的工作环境复杂,故障诊断困难。提出一种自适应深度卷积神经网络,针对传统CNN诊断方法存在的计算效率较低、参数调试需人工经验指导等问题,采用粒子群优化算法确定CNN模型结构和参数,应用主成分分析法将故障诊断特征学习过程可视化,评估其特征学习能力。将提出方法应用于发射车滚动轴承故障诊断,对比标准CNN、SVM、ANN诊断方法,10种工况的诊断结果表明,提出方法诊断精度高且鲁棒性好。     

基于特征参数迁移的滚动轴承故障诊断

针对变工况下的滚动轴承无法获得大量带标签样本数据以及传统深度学习诊断方法识别率低的问题,提出一种基于迁移学习的卷积神经网络模型滚动轴承故障诊断方法.首先,采用短时傅里叶变换处理滚动轴承振动信号获得源域、目标域样本集;其次,利用源域样本预训练卷积神经网络模型;最后,通过目标域样本微调卷积神经网络模型实现滚动轴承故障诊断....     

基于BiLSTM的滚动轴承故障诊断研究

针对滚动轴承的故障诊断,设计并实现了一种基于双向长短期记忆网络(BiLSTM)的诊断模型.将原始振动信号直接作为模型输入,自动提取滚动轴承故障特征,可以对内圈、滚动体、外圈不同故障类型及不同损伤程度的滚动轴承进行故障识别.该模型通过BiLSTM神经网络自动提取轴承振动信号的深层信息,弥补了传统故障诊断方法需要人工提取特...     

滚动轴承的MSE和PNN故障诊断方法

针对滚动轴承不同运行状态振动信号具有不同复杂性的特点,提出一种新的基于多尺度熵(multiscale entropy, MSE)和概率神经网络(probabilistic neural networks, PNN)的滚动轴承故障诊断方法。该方法首先利用MSE方法对滚动轴承振动信号进行特征提取,并将其作为PNN神经网络的输入,再利用PNN自动识别轴承故障类型及故障程度。实验数据包括不同故障类型和不同故障程度样本,结果表明,相比于小波包分解和PNN结合的诊断方法,提出的方法具有更高的诊断精度,能有效实现滚动轴承故障类型及程度的诊断。     

基于OHF Elman-AdaBoost算法的滚动轴承故障多时期诊断方法

针对随机噪声下滚动轴承多时期(初期、中期、晚期)故障诊断需求,提出OHF Elman-AdaBoost(output hidden feedback Elman-adaptive boosting)算法,以实现滚动轴承的精确故障诊断。采用集合经验模态分解(ensemble empirical mode decomposition,EEMD)对原始信号进行分解、降噪、信号重构。设计OHF Elman方法在Elman神经网络的基础上增加输出层对隐含层的反馈,提高了其对动态数据的记忆功能。选择OHF Elman神经网络作为弱回归器,结合AdaBoost算法集成出一种新的强回归器:OHF Elman-AdaBoost算法。实验结果表明,该算法不仅对滚动轴承不同故障时期具有很好的诊断效果,而且提高了对全样本数据的诊断准确度,为滚动轴承故障诊断提供了新型工具和有效方案。     

基于共振解调与神经网络的滚动轴承故障智能诊断

介绍了一种基于共振解调与神经网络技术的滚动轴承故障诊断方法。对采集系统所拾取的滚动轴承振动信号进行共振解调处理，依据故障包络频谱中必然存在谐波谱线的规律，在共振解调后的包络信号中提取所需的轴承故障谱线特征信息，并将其作为神经网络输入，利用神经网络进行轴承各种故障状态的识别，实现滚动轴承故障的智能诊断。实验表明，该方法能准确而有效地识别出滚动轴承的不同磨损状态，诊断便捷。