基于变分模态分解和混沌麻雀搜索算法优化支持向量机的滚动轴承故障诊断

针对滚动轴承振动信号中的故障特征难以提取的问题,提出一种基于变分模态分解(VMD)和混沌麻雀搜索算法(CSSA)优化支持向量机(SVM)的故障诊断方法.首先,利用VMD处理滚动轴承信号,提取本征模态分量(IMF)的能量谱和能量熵作为故障特征向量;其次,通过引入改进Tent混沌映射和自适应t分布策略,加入边界探索和警戒解除机制,对麻雀搜索算法(SSA)进行改进;最后,采用CSSA-SVM模型进行滚动轴承故障的识别和诊断.实验结果表明,CSSA-SVM模型能够有效识别滚动轴承的故障类型,拥有更高的诊断精度.     

基于DVMD降噪的旋转机械故障诊断

针对振动信号噪声难以剔除而造成故障诊断精度低的问题, 提出了一种基于深度变分模态分解(DVMD)的 旋转机械故障诊断方法. 首先, 利用麻雀算法(SSA)对变分模态分解(VMD)算法的参数进行优化. 然后, 通过SSA– VMD对信号进行自适应深度分解得到模态分量, 将每层深度的分量与原始信号作皮尔逊相关系数分析, 再对分量 进行奇异值分解(SVD)或者直接剔除, 将处理后分量重构后, 实现振动信号的深度降噪. 最后, 提取降噪信号的一维 多尺度排列熵特征和二维时频特征, 将特征依次放入轻量级梯度提升机(LightGBM)中进行训练, 实现故障诊断. 设 计方法在风力涡轮传动系统的齿轮箱故障信号上进行验证, 不仅能够剔除信号的大量噪声, 并且提高了故障诊断精 度, 具有良好的工程应用前景.     

基于DE-LSSVM的滚动轴承故障诊断

针对滚动轴承故障诊断难以获得大量样本的问题以及LS-SVM 模型参数选择方法易陷入局部最优的缺点,提出了一种集合经验模态分解能量熵和差分进化算法（DE）优化最小二乘支持向量机相结合的轴承故障诊断方法。首先原始振动信号采用EEMD分解得到一组固有模态函数（IMF）,从有效本征模态函数IMF分量中提取的能量特征作为输入建立支持向量机,通过计算不同振动信号的能量熵值大小来判断轴承的故障损伤程度。为了提高模型的诊断精度,采用差分进化算法对LS-SVM的结构参数进行优化,并与LS-SVM和PSO-LSSVM模型相比较。结果表明,DE-LSSVM 模型的故障分类准确性得到了提高,可以有效应用于滚动轴承故障诊断中。     

改进SSA在三维路径规划中的应用

针对电力无人机在复杂山地环境的巡航过程中的路径规划问题,提出了一种基于改进麻雀搜索算法(ISSA)的三维路径规划方法.通过对原始麻雀搜索算法(SSA)中的探索者因子进行改进计算以及利用Tent映射对算法迭代过程不断进行全局扰动,既加强了算法的搜索范围同时减小了原始算法陷入局部解的可能.将路径距离与无人机与障碍物之间的距...     

基于经验模态分解和支持向量机的滚动轴承故障诊断

本文针对滚动轴承的故障诊断问题,首先提出一种自适应波形匹配的延拓方法对经验模态分解(EMD)存在的端点效应进行改进,然后基于改进的EMD和粒子群优化算法(PSO)优化的支持向量机(SVM)设计了一种两阶段的滚动轴承故障诊断方法.离线阶段对典型的正常、故障振动信号进行EMD分解并提取能量信息作为特征,送入PSO–SVM进行训练并保存模型待用,在线阶段对实时的振动信号进行EMD分解并提取特征,利用离线阶段训练好的模型进行诊断并输出诊断结果.使用美国西储大学轴承数据对该方法进行了验证,实验结果证明了该方法的有效性.     

量子粒子群算法优化相关向量机的轴承故障诊断

人为因素对传统滚动轴承故障诊断方法有比较大的影响,并且故障起因比较复杂。针对此问题提出用基于量子粒子群(QPSO)算法优化的相关向量机(RVM)进行滚动轴承故障诊断。采用总体平均经验模态分解(EEMD)方法来处理滚动轴承的振动信号,分解后可以得到很多内禀模态函数(IMF)。再把IMF能量作为特征向量输入到QPSA-RVM诊断器中对滚动轴承的故障进行准确诊断。实验结果显示:该模型可以更快地实现对滚动轴承故障的准确识别,证明了该模型的稳定性及高效性。与支持向量机(SVM)分析对比后,进一步体现出RVM方法在智能故障诊断领域中具有优势。     

基于LCD和改进SVM的轴承故障诊断方法

针对滚动轴承极易损伤,振动信号表现出非线性、非平稳性等特点,提出一种基于局部特征尺度分解(LCD)和改进支持向量机(SVM)的滚动轴承故障诊断算法。首先对采集到的轴承振动信号进行LCD,分解得到一系列内禀尺度分量(ISC),通过与经验模态分解(EMD)对比研究,证明了LCD方法的优越性;然后计算所有分量的能量熵值,提取出轴承信号的敏感特征集,输入到经过遗传算法(GA)进行参数优选后的SVM识别模型进行轴承状态的诊断识别。实验研究表明,基于LCD和改进SVM的轴承诊断算法能较好地提取出轴承故障特征信息,对4种轴承状态的识别率高达90%,是一种较为有效的轴承故障诊断方法。     

蝙蝠算法优化极限学习机的滚动轴承故障分类

针对传统智能故障诊断方法在滚动轴承的故障诊断中诊断准确率不高的问题,引入了一种启发式搜索算法——蝙蝠算法(BA)优化极限学习机(ELM)的方法,利用ELM构建滚动轴承故障诊断分类模型。首先采用滚动轴承振动信号的五种代表性时域无量纲指标作为诊断模型输入特征,然后,利用蝙蝠算法的全局寻优能力对ELM模型的参数进行优化,获取最优输入权重和隐含层偏置的ELM分类模型,最后采用美国西储大学轴承数据中心网站公开发布的轴承探伤数据集验证算法诊断效果。实验结果表明：该方法可以有效地对滚动轴承不同故障状态进行识别,与BP神经网络、支持向量机(SVM)和极限学习机(ELM)方法比较,所提出的方法能够提高故障诊断准确率,达到99.17%。     

经验模态分解与EOSA方法的滚动轴承故障诊断

提出了一种利用经验模态分解(EMD)与Teager能量算子解调算法(EOSA)相结合的滚动轴承故障诊断方法;故障轴承振动信号往往是多分量AM-FM信号,首先对滚动轴承内圈故障调制信号进行EMD分解,得到若干个不同特征时间尺度的内禀模态信号(IMF),然后利用Teager能量算子解调法计算各个内禀模态信号的瞬时幅值,对主要内禀模态信号的瞬时幅值包络谱进行分析,可提取轴承故障信号特征信息;实验分析结果表明,利用经验模态分解与EOSA相结合的方法,可有效提取6205-2RS型深沟球滚动轴承的内圈特征频率fi=162.2Hz及其倍频。     

机械传动电机轴承故障信号诊断仿真研究

传统经验模态分解(EMD)存在模态混叠,难以充分提取故障特征,原始支持向量机(SVM)、相关向量机(RVM)诊断方法核函数存在选取不灵活、结构复杂导致识别效率低的问题,提出了一种结合变分模态分解(VMD)样本熵和混合布谷鸟改进M-RVM的机械传动电机轴承故障诊断新方法。首先,对故障信号进行VMD分解得到多个子序列;然后,筛选其中的有效分量提取样本熵组成故障特征向量;最后,将特征向量输入基于混合布谷鸟算法优化的M-RVM故障诊断模型,达到对电机运行状态准确识别的目的。仿真结果表明,所提方法实现了电机轴承故障状态的准确诊断。与传统分析诊断方法相比,该方法轴承故障识别诊断性能得到提高,对实际工程应用具有重大意义。     

基于多特征融合与GSA-SVM的滚动轴承故障诊断

滚动轴承在故障诊断过程中，存在着单一特征诊断准确率较低且无法充分表征故障信号所包含信息的问题。提出一种基于局部线性嵌入算法(Locally Linear Embedding, LLE)结合熵权法(the Entropy Weight Method, EWM)的多特征融合方法，结合引力搜索算法(Gravitational Search Algorithm, GSA)改进支持向量机(Support Vector Machine, SVM)实现滚动轴承的故障诊断。首先采用LLE-EWM对提取到的48维故障特征进行筛选融合，然后结合GSA-SVM模型对提取到的融合特征进行诊断，从而实现对滚动轴承变负载条件下的故障诊断。通过凯斯西储大学滚动轴承实测振动信号，对所提故障融合诊断方法的有效性进行验证。在特征筛选阈值设定为60%时，滚动轴承故障诊断的准确率达到99.7%。对比不同模型，所提方法具有最高的诊断准确率。试验结果表明，所提方法能够实现对故障信号特征信息的深度提取及提高故障诊断精度。     

基于切线飞行的麻雀搜索算法

为解决在临近全局最优条件下,原始麻雀搜索算法(sparrow search algorithm, SSA)存在种群多样性降低,局部开发能力薄弱导致不容易跳出局部最优点的问题,提出基于切线飞行的麻雀搜索算法(tangent flight sparrow search algorithm, tanSSA)。首先,使用自适应t分布策略改进发现者位置更新公式,可以提高麻雀个体的寻优能力,同时防止算法早熟。然后,利用切线搜索算法中切线飞行策略所具有的可以增强算法探索搜索空间能力,且能使算法跳出局部最优解的优势,在原始麻雀搜索算法中使用切线飞行扰动策略对最优解进行扰动。这两种策略相结合,可以有效提升tanSSA算法的勘探与开发性能。最后,使用12个标准基准测试函数,结合Wilcoxon秩和检验来测试验证tanSSA算法的优化性能,并与原始SSA算法、鲸鱼优化算法、粒子群优化算法以及自适应t分布SSA算法进行比较。实验证明,基于切线飞行的麻雀搜索算法的寻优能力和收敛速度都有显著提升。     

基于EMD和M-FSVM的泵车液压系统故障诊断

在泵车液压系统的故障诊断技术研究中,如何精确地提取故障特征以及如何实现高精度的分类识别是研究的关键.针对这一问题,文中提出了一种基于经验模态分解(Empirical Mode Decomposition,EMD)算法与模糊多类支持向量机(Multi-class Fuzzy Support Vector Machine,M-FSVM)技术相结合的液压系统故障诊断方法.该方法首先对原始数据信号进行EMD分解,分解成若干个固有本征模态函数之和,再计算EMD能量熵作为M-FSVM的输人数据加以诊断.实验结果表明,该方法能有效地诊断泵车液压系统故障.     

基于参数优化VMD和样本熵的滚动轴承故障诊断EI北大核心CSCD

针对滚动轴承故障特征提取不丰富而导致的诊断识别率低的情况,提出了基于参数优化变分模态分解(Variational mode decomposition,VMD)和样本熵的特征提取方法,采用支持向量机(Support vector machine,SVM)进行故障识别.VMD方法的分解效果受限于分解个数和惩罚因子的选取,本文分析了这两个影响参数选取的不规律性,采用遗传变异粒子群算法进行参数优化,利用参数优化的VMD方法处理故障信号.样本熵在衡量滚动轴承振动信号的复杂度时,得到的熵值并不总是和信号的复杂度相关,故结合滚动轴承的故障机理,提出基于滚动轴承故障机理的样本熵,此样本熵衡量振动信号的复杂度与机理分析的结果一致.仿真实验表明,利用本文提出的特征提取方法,滚动轴承的故障诊断准确率有明显的提高.     

基于SSA-VMD和熵的特征值提取方法

针对滚动轴承早期故障微弱难以识别、无法有效提取故障信息特征的问题,提出一种基于SSA优化的结合了变分模态分解与熵的特征值提取方法。方法利用麻雀搜寻算法对变分模态分解算法中的参数进行寻优,将包络熵选取为目标函数;根据峭度筛选后续需要的IMF分量,计算筛选后的IMF分量的样本熵与排列熵共同组成特征向量;采用WOA-SVM进行诊断识别,以验证该方法的有效性。经实验分析与对比,本方法能够有效提取信号的特征值,显著提高了分类识别的准确率。     

基于全矢Hilbert时域边际谱的轴承诊断

为实现有效的故障诊断,提出一种基于全矢希尔伯特(Hilbert)时域边际谱的轴承诊断方法,对使用中的滚动轴承进行故障诊断及预警。通过采集运转中滚动轴承的同源双通道振动信号,采用经验模态分解(EMD)和Hilbert变换对同源双通道的振动信号进行处理,把非平稳振动信号分解为一系列固有模态函数(IMF)和信号的Hilbert谱;再对Hilbert谱进行积分,得到能够体现信号时域特征的时域边际谱;结合全矢谱技术对其进行同源双通道的信息融合,最终得到滚动轴承振动信号的全矢HHT时域边际谱。该方法可以避免由于传统单通道信息采集可能发生的信息遗漏而导致的对故障诊断的漏判和误判,从而提高诊断的准确性和可靠性。在国家轴承质量监督检验中心滚动轴承全周期疲劳寿命试验机上,对滚动轴承外圈故障进行试验。结果表明,与传统的Hilbert边际谱相比,该方法能够更有效地识别外圈剥落、内圈剥落等局部损伤类故障的部位和类型,可以在工程应用上实践、推广。     

基于t分布变异的改进麻雀搜索算法

针对麻雀搜索算法收敛速度慢、难以跳出局部最优等问题,提出一种基于t分布变异的改进麻雀搜索算法。在更新麻雀种群加入者位置后,引入自适应t分布变异,对加入者位置产生扰动,避免陷入局部最优,增强算法性能;通过比较灰狼优化算法、飞蛾火焰优化算法和原始麻雀搜索算法,在6个基准函数上进行仿真实验。实验结果和Wilcoxon符号秩检验结果都表明所提出的改进麻雀搜索算法的收敛精度与速度均优于其他算法,达到提高算法收敛速度,增强算法跳出局部极值能力的效果。     

一种改进麻雀搜索算法的收敛性分析及应用

针对麻雀搜索算法易陷入局部最优、收敛速度慢等问题,提出一种改进的麻雀搜索算法.首先,采用佳点集策略对麻雀种群初始化,增加种群多样性,提高算法的收敛速度和精度;其次,采用黄金正弦策略优化发现者位置更新过程,进一步平衡算法的全局探索与局部开发能力;最后,采用Levy飞行策略优化跟随者位置更新过程,扩大其搜索空间,改善易陷入局部最优的问题.通过建立马尔科夫链模型从理论角度证明改进算法的收敛性,并选取5个标准测试函数与其他经典群智能优化算法从仿真实验角度验证改进算法的有效性.利用改进算法对变分模态分解参数和回声状态网络参数进行优化,搭建ISSA-VMD-ESN模型并应用到短期电价预测中,通过仿真实验进一步验证了改进算法的优越性.     

基于HSSA-ELM的轴承故障监测方法

为了提高电机轴承故障的精度,提出一种基于改进麻雀搜索算法（HSSA）优化极限学习机（ELM）的轴承故障诊断方法。融入Circle核和母鸡寻食的算法对麻雀搜索算法进行改进,建立了基于HSSA-ELM的轴承故障诊断模型。实验结果证明,对比其它模型,经过优化的ELM的轴承故障诊断模型在识别率上得到了很大提高,准确率高达98%,证实了其有效性和准确性。     

基于改进FOA算法优化WKELM的医疗滚动轴承故障诊断技术研究

针对传统小波核极限学习机（Extreme Learning Machine-ELM）应用于医疗滚动轴承故障诊断中识别精度不高且训练速度慢的一系列问题的出现,并针对性的想出一种更好的对滚动转轴发生的故障进行识别的办法,通过对小波核极限学习机算法进行改进的方法。该方法运用改进果蝇算法（LGMS-Fruit-flying Optimization Algorithm, LGMS-FOA）优化小波核极限学习机中的正则化系数和小波核函数中的参数。采用的方法是变分模态分解（Variational Mode Decomposition-VMD）,通过这种方法能够对滚动轴承的故障信号分解为含有故障信息的各模态分量从而提取到故障特征。通过与其他三种算法的实验结果对比证明,基于LGMS-FOA-WKELM的滚动轴承故障诊断方法的识别精度更高且训练时间更短。