遗传算法改进及其在机械故障诊断中的应用研究

研究了改进遗传算法求解机械故障诊断的若干问题 ,定义了遗传算法求解故障诊断问题的概率因果网络 ,给出了求解故障诊断的数学表达式和适合于旋转机械的故障集、因果强度和先验概率表 ,指出表达式的最小值的集合对应于故障征兆集、因果集和征兆集 ,并以某厂风机的振动故障为例验证了该方法的有效性     

基于量子遗传算法的轴向柱塞泵故障特征选择

为了进一步减少特征维数、缩短运算时间、提高分类正确率等,提出了一种基于量子遗传算法的轴向柱塞泵故障特征选择方法,该方法采用量子位进行染色体编码,利用量子门更新种群。首先,对轴向柱塞泵振动信号进行小波包变换,提取出原始信号和各个小波包系数的统计特征;然后,利用量子遗传算法从原始特征集中选择出最优特征集;最后,以神经网络为分类器(其输入为最优特征集),对故障进行诊断与识别。利用该方法对轴向柱塞泵正常、缸体与配流盘磨损和柱塞滑履松动三种状态的特征集进行选择,试验结果表明,与普通遗传算法相比,量子遗传算法可以更有效地减少特征维数,提高分类正确率。     

机电BIT故障特征选择方法研究

提出一种故障特征选择方法，该方法采用类内类间距离作为特征评价准则，并利用遗传算法良好的寻优能力，解决特征的优选问题。轴承诊断实例证明，该方法有较好的寻优特征子集的能力，能够提高BIT系统的诊断精度，降低系统的虚警率，因而在机电BIT故障特征选择中有较好的应用前景。     

基于特征选择的支持向量机在故障诊断中的应用

机械设备因为其本身结构的复杂性,故障很难简单地进行诊断,所以智能诊断成为一个热点的研究方向。以前的工作中多是通过神经网络甚至支持向量机等方法进行诊断,本文提出了基于支持向量机集成的特征选择算法,通过该算法可以有效去除故障数据集中所提取的不相关特征,并在新的更少特征的数据集上进行建模。在实际某柴油机故障数据上的计算表明:在通过特征选择后的数据集上利用支持向量机集成的方法建模可以得到比不进行选择更好的结果,也得到了比单个支持向量机建模更好的结果。     

遗传算法在故障特征选择中的应用研究

Feature selection is an important step in fault diagnosis owing to its considerable reduction in redundant features to enhance the effect of diagnosis. In view of the deficiencies of traditional combination optimization method, a new method based on genetic algorithm is proposed in the paper. According to the results of computer simulation and practical diagnosis example, it is proved that this method possess excellent parallelism and optimization property.     

基于改进特征选择方法的齿轮故障SVM诊断

为提高齿轮故障诊断的精度,对常用的共享特征选择方法(Share feature selection,SFS)进行改进,提出了改进的特征选择方法(Improved feature selection,IFS).改进的特征选择方法结合齿轮两两故障类型之间的特点,在齿轮两两故障之间建立独立的故障特征集,用以取代所有故障类型的...     

遗传算法特征选取中的几种适应度函数构造新方法及其应用

针对遗传算法特征选取技术,提出4种适应度函数构造方法,即,基于改进的距离判据、基于平均值方差比、基于Fisher判别准则以及基于最近邻分类法的适应度函数,并通过仿真实例对方法进行了验证。最后,将新方法应用于转子故障诊断,结果表明:笔者提出的遗传算法特征选择的4种适应度函数的正确有效性。     

人工神经网络在机械故障诊断中的应用

针对传统的机械故障诊断方法的局限性,提出将人工神经网络应用于机械故障诊断中。由于BP算法存在收敛速度慢及易陷入局部极小等缺陷,利用实数编码改进遗传算法对神经网络的权值和阈值进行优化训练,并把训练好的神经网络用于机械振动信号预测及机械故障诊断中。通过对机械设备振动信号的预测,可以及早发现故障,及时消除故障隐患,为企业节省大量的维修时间和维修费用,提高企业的生产率。     

基于改进遗传算法的转炉炼钢过程数据特征选择

转炉炼钢生产过程数据特征选择是实现终点碳温预报的关键,针对生产过程高维数据不利于快速精确预测终点碳温的问题,提出一种改进遗传算法的转炉炼钢生产过程数据特征选择方法。首先采用皮尔逊相关系数衡量不同特征的重要贡献度,进而构造反映过程数据特征与终点碳温相关性的目标函数;然后通过目标函数定义了种群的最大、最小、平均适应度和随机个体适应度值4个变量,建立了一种自适应调节交叉变异概率机制,使得迭代寻优时种群分布更加合理的同时又提高了算法后期收敛速度,防止陷入局部最优。最后进行实际钢厂生产过程数据特征选择验证和对比实验,结果表明,特征选择平均用时为0.25 s,用于终点预报中温度误差在±5℃的精度为85.67%,碳含量预测误差在±0.01%的精度为80.67%。     

基于过滤器-封装器组合模型的故障特征选择算法

利用过滤器法运行速度快和封装器法精度高的优点，提出了一种新的Filter—Wrapper两阶段组合式特征选择算法。在Filter阶段，算法采用Fisher准则对特征进行排序；在Wrapper阶段，以分类器的性能作为适应度函数，根据特征排序结果采用遗传算法搜索特征子集。运用滚动轴承故障模拟试验的数据对所提出的算法进行了验证，结果表明，相比单一的过滤器法或封装器法，该算法能够同时提高特征选择的性能和效率。     

基于特征相关性和冗余性分析的机械故障特征选择研究

从特征相关性和冗余性的定义出发，利用特征与类别间的互信息对特征相关性和冗余性进行了度量，提出了一种基于特征相关性和冗余性分析的特征选择方法。数值仿真和柴油机故障特征选择实验结果表明，新方法可以快速、有效地求得优化特征集，是求解特征选择问题的一个较好方案。     

基于演化计算的RBF网络故障诊断模型及应用

将演化计算方法引入径向基函数(RBF)网络的训练过程,建立一个故障诊断模型,并给出学习训练算法。最后,将其应用于轴承的故障诊断中。     

基于频域时空特征谱的信息故障诊断方法

目前振动信号的分析主要是针对特定测点在某一瞬间采集的一段振动波形,提取其中的特征量来进行诊断故障,这种基于状态信息的诊断方法对故障类型的辨别能力有限。基于多个振动波形状态的过程信息,提出和定义了两种基于过程信息融合的信息火用指标,用于反映同一个过程中不同状态间的过程变化规律以及不同过程中对应状态间的过程变化规律。在此基础上,提出了一种基于频域时空特征谱的旋转机械信息火用故障诊断方法,并通过该方法对试验台获取的振动故障信号进行分析。计算结果表明,该方法是一种有效的故障诊断方法。     

基于支持向量机的旋转机械故障诊断

把支持向量机应用于诊断旋转机械不平衡和转静碰摩故障，利用转子故障实验器分别对多项式和径向基核函数进行了实验比较，选取了不同振动参数作为特征量输入支持向量机进行学习和测试。结果表明．两种不同核函数的支持向量机在各种条件下所获得的最优故障诊断准确率很接近。这说明支持向量机的性能对结构（核函数）的依赖性很小，便于在工程中应用，但特征量的选取对故障诊断准确率影响很大。对于诊断不平衡和转静碰摩故障．一、二和三阶正、反进动量是最适合的故障诊断特征量。用正、反进动量构造出SV-进动图，可明确、形象地显示故障分类面，有助于诊断故障。