基于果蝇优化算法的自适应随机共振轴承故障信号检测方法

针对传统自适应随机共振系统只能单参数优化,而基于群智能算法的自适应随机共振系统存在优化算法参数选取困难、收敛速度慢的缺陷,提出了基于果蝇优化算法的自适应随机共振方法。该方法以双稳随机共振系统输出信噪比作为果蝇优化算法的味道浓度,结合二次采样技术,自适应选取随机共振系统的结构参数,实现周期信号的特征增强。数据仿真与轴承内圈故障数据分析表明,该方法简单易行,收敛速度快,能有效的检测特征信号,实现轴承故障诊断。     

采用粒子群算法的自适应变步长随机共振研究

针对传统的自适应随机共振只能实现单参数优化和变步长随机共振计算步长选取困难的缺陷,提出一种基于粒子群优化算法（Particle Swarm Optimization, PSO）的自适应变步长随机共振方法,实现了变步长随机共振最优输出的自适应求解。该方法以双稳系统的输出信噪比作为粒子群算法的适应度函数,通过变步长随机共振系统的结构参数和计算步长的自适应同步选取,能够最优地检测出大参数条件下的微弱信号。仿真数据和工程实际数据的分析表明,该方法简单易行,适用范围广,收敛速度快,能有效的检测出强噪声背景下的高频微弱信号,具有良好的工程应用前景。     

全局人工鱼群算法在类间方差图像分割中的应用与实现

针对传统类间方差算法中阈值选取效率低、鲁棒性差、分割精度低的问题,根据全局人工鱼群算法可以快速有效地捕捉到图像分割最优阈值,提出了一种基于全局人工鱼群算法的类间方差图像分割算法。该算法将全局人工鱼群算法用于类间方差的寻优过程中,对算法的收敛速度及其分割效果进行了仿真,并与遗传算法、基本人工鱼群算法进行比较,结果表明,该算法提高了收敛速度,改善了纹理信息的准确性,分割精度高、效果理想。     

基于鱼群神经网络的地下水脆弱性评价与分析

地下水脆弱性评价是区域进行地下水资源保护和管理的重要依据。针对BP神经网络技术在对地下水脆弱性进行评价时存在的收敛速度慢、不易获得全局最优解、诊断精度低以及网络结构不确定等缺点,而人工鱼群算法具有较优的全局收敛能力及较快的寻优速度。因此,本文利用人工鱼群算法对BP神经网络的初始权值和阈值进行了优化,建立了一种新的地下水脆弱性评价模型,并将该模型应用到具体的评价实例中。结果表明,人工鱼群神经网络算法具有收敛速度快及泛化能力强的优点,为地下水脆弱性评价提供一种高效、准确及可靠的方法。     

自适应二阶双稳态随机共振的微弱特征增强检测方法研究

针对大型机械设备运行环境恶劣故障特征难以提取的问题,提出一种自适应二阶双稳态随机共振方法。首先系统输出信号的信噪比作为蚁群算法的自适应度函数,然后采用蚁群算法优化二阶随机共振系统的参数和阻尼因子,再利用优化得到的最佳参数设置二阶随机共振系统,最后实现微弱故障特征的增强与提取。数值仿真分析表明:该方法可以有效地提取淹没在强噪声背景下的微弱正弦信号;而且深沟球轴承滚动体故障实验结果证明提出的方法能有效增强与提取滚动体故障特征频率。仿真与实验对比结果表明:提出的方法优于传统随机共振方法,归功于该方法不仅能够利用蚁群算法并行选择和优化随机共振系统参数,而且克服传统随机共振方法对高通滤波器的依赖。     

基于自适应粒子群遗传算法的柔性关节机器人动力学参数辨识

提出一种基于自适应粒子群遗传算法的柔性关节机器人动力学参数辨识方法。该算法采用动态自适应调整策略,提高了粒子群算法收敛速度;同时引入新型遗传算法混合交叉变异机制,避免了粒子群陷入局部最优。将自适应粒子群遗传算法与标准粒子群算法、遗传算法、人工蜂群算法进行了比较,仿真实验结果表明该算法在迭代60次左右完成参数辨识,各参数的辨识相对误差均降低到了1%以内。最后利用旋转柔性关节实验平台进行了实验验证,实验结果证明了该算法具有更好的收敛速度和寻优精度。     

基于人工鱼群算法的结构模型修正与损伤检测

提出结构模型修正结构损伤检测的人工鱼群算法。将结构模型修正与结构损伤检测结构动力学逆问题转化为约束优化数学问题,并尝试用人工鱼群算法求解。介绍人工鱼群算法基本原理,定义关键参数并描述觅食、聚群、追尾及随机等行为;据模型修正原理利用结构损伤前后模态特性数据定义优化问题目标函数;通过两层刚架不同损伤工况数值仿真、三层框架试验数据验证方法的有效性。结果表明,基于人工鱼群算法的结构模型修正与损伤检测方法能有效修正结构有限元模型,在不同噪声水平及各种结构损伤工况下不仅能准确定位结构损伤且能精确识别损伤程度。     

基于GSO算法的自适应随机共振轴承故障诊断

针对强噪声下轴承故障弱信号较难检测和传统仅靠单参数优化随机共振系统问题,提出一种基于萤火虫优化算法(GSO)的自适应随机共振轴承故障信号检测方法。首先按固定频率压缩比压缩频率;然后以传统随机共振系统输出信噪比作为GSO算法的初始荧光素,利用GSO算法选取随机共振系统的结构参数a、b;最后通过双稳随机共振系统的输出信噪比检测轴承故障弱信号是否增强,通过系统的输出时域图分析信号的周期性,通过功率谱分析轴承故障弱信号的特征频率。仿真验证与试验验证结果分析表明,该方法可检测出轴承故障弱信号,实现弱信号的增强和降噪。     

基于广义相关系数自适应随机共振的液压泵振动信号预处理方法

针对液压泵故障振动信号信噪比低,故障特征难以提取的问题,对液压泵振动信号预处理方法进行研究。针对现有自适应随机共振优化算法及其目标函数存在的问题,将量子遗传算法(Quantum Genetic Algorithm,QGA)引入自适应随机共振中,提出一种改进的自适应随机共振的信号预处理方法。该方法以广义相关系数为目标函数,采用QGA算法对随机共振系统的结构参数进行优化,从而实现对信号的降噪预处理。仿真及实验结果表明,该方法能够有效提取强噪声背景下的液压泵振动信号频率特征,是液压泵故障特征提取及故障诊断中信号预处理的有效方法,可进一步发展至实际工程应用。     

基于 GSO算法的自适应随机共振轴承故障诊断

摘 要:针对强噪声下轴承故障弱信号较难检测和传统仅靠单参数优化随机共振系统问题,提出一种基于萤火虫优化算法(GSO）的自适应随机共振轴承故障信号检测方法。首先按固定频率压缩比压缩频率;然后以传统随机共振系统输出信噪比作为GSO算法的初始荧光素,利用GSO算法选取随机共振系统的结构参数a,b;最后通过双稳随机共振系统的输出信噪比检测轴承故障弱信号是否增强,通过系统的输出时域图分析信号的周期性,通过功率谱分析轴承故障弱信号的特征频率。仿真验证与试验验证结果分析表明,该方法可检测出轴承故障弱信号,实现弱信号的增强和降噪。     

基于ICS-LSSVM的包装机械动力机轴承的故障识别

目的针对包装机械设备中动力机轴承的故障诊断识别率低的问题,提出一种基于参数寻优的故障识别方法。方法首先通过主元分析算法对包装设备动力机的振动数据进行主成分特征提取,减少各数据间的相关性,然后采用LSSVM对各类数据样本进行故障识别。为了克服LSSVM惩罚因子和核函数参数易出现局部最优、收敛精度差等问题,提出一种ICS算法优化LSSVM的状态参数,提高包装机械动力机轴承故障诊断的识别率,以实测糖果厂包装机械振动数据为例验证所提方法的有效性。结果实验结果表明,在包装机械动力机轴承故障类别确定的情况下,算法能够高精度地识别各类动力机故障。结论该算法实现了分类器参数的自适应选择,为提高包装机械动力机轴承故障诊断的识别率提供了可靠的方法。     

基于自适应随机共振的齿轮微弱冲击故障信号增强提取方法研究

针对强背景噪声下冲击信号难以检测的问题,提出一种基于自适应随机共振的齿轮微弱冲击故障信号增强提取方法。首先,利用峭度指标和互相关系数构造修正峭度指标作为随机共振检测冲击信号的测度函数;其次,利用滑动窗将多冲击分量信号分割成多个单冲击分量信号作为随机共振的系统输入,并借助遗传算法实现系统参数的自适应选取;最后,将提出的方法应用于电力机车走行部齿轮箱故障诊断,结果显示该方法可有效实现微弱冲击特征的增强提取。     

基于周期势函数的自适应二阶欠阻尼随机共振信号增强方法

针对滚动轴承微弱故障振动信号在噪声环境下故障特征难以提取的问题,提出一种基于周期势函数的自适应二阶欠阻尼随机共振信号增强方法。采用粒子群算法对系统参数和阻尼系数的自适应匹配,实现对多个拟增强频段的随机共振,更加适用于工程实际中多故障信号提取。数据库考题检验和工程实验验证表明:1)该方法明显提高了输出信噪比,故障特征频率处主峰突出,边带干扰少,方便故障的机器判读,误判率低;2)随着噪声强度的增加,虽然输出信噪比有所降低,但该方法的检测效果仍优于基于周期势函数的自适应一阶随机共振方法的检测效果;3)该方法对噪声的适应性更强,在噪声环境下对于微弱故障信号的提取有着明显优势。     

基于随机共振与蝙蝠算法的高速动车组滚动轴承故障诊断

仿真计算滚动轴承外圈故障引起的冲击信号,并将其作为轨道车辆的激励,输入到高速动车组整车模型的故障轴承位置.模拟列车运行,采集列车轴箱处的垂向加速度信号作为故障诊断信号,提出基于蝙蝠算法的自适应随机共振信号处理方法对其进行处理.提出故障诊断指标L的计算方法和基于L的一种新的高速动车组滚动轴承早期外圈故障的在途诊断方法.动...     

基于改进耦合增强随机共振的滚动轴承故障诊断

针对强背景噪声下经典随机共振方法对滚动轴承故障特征提取效果差的问题,提出了一种基于改进耦合增强随机共振的滚动轴承故障诊断方法。首先,利用一个定参双稳系统和一个变参双稳系统构成耦合随机共振系统,外部输入直接作用于定参双稳系统;然后,通过调节变参双稳系统参数和耦合系数实现耦合系统的随机共振控制,并借助遗传算法实现控制参数的自适应选取。实验和工程应用验证了所提方法的有效性和优越性。     

WDBM: Weighted Deep Forest Model Based Bearing Fault Diagnosis Method

In the research field of bearing fault diagnosis, classical deep learning models have the problems of too many parameters and high computing cost. In addition, the classical deep learning models are not effective in the scenario of small data. In recent years, deep forest is proposed, which has less hyper parameters and adaptive depth of deep model. In addition, weighted deep forest (WDF) is proposed to further improve deep forest by assigning weights for decisions trees based on the accuracy of each decision tree. In this paper, weighted deep forest model-based bearing fault diagnosis method (WDBM) is proposed. The WDBM is regard as a novel bearing fault diagnosis method, which not only inherits the WDF’s advantages-strong robustness, good generalization, less parameters, faster convergence speed and so on, but also realizes effective diagnosis with high precision and low cost under the condition of small samples. To verify the performance of the WDBM, experiments are carried out on Case Western Reserve University bearing data set (CWRU). Experiments results demonstrate that WDBM can achieve comparative recognition accuracy, with less computational overhead and faster convergence speed.     

基于VMD和变尺度多稳随机共振的微弱故障信号特征提取方法

针对强噪声背景下旋转机械早期故障诊断的难题,提出一种基于变分模态分解与变尺度多稳随机共振的微弱故障信号特征提取方法。首先应用参数优化的变分模态分解(variational mode decomposition, VMD)算法对微弱故障信号进行分解, 得到若干本征模态分量(intrinsic mode function, IMF);然后通过峭度准则筛选出其中峭度最大的IMF分量;最后对该IMF分量进行变尺度多稳随机共振, 实现微弱故障信号的增强。实例表明:在强噪声背景下,利用参数优化VMD分解与变尺度多稳随机共振相结合的方法,可以有效提取出微弱信号特征频率,实现旋转机械故障状态的准确判断。     

使用GA初始化CGHMM参数的轴承故障诊方法

连续高斯混合密度隐马尔可夫模型(Continuous Gaussian Mixture Hidden Markov Model,CGHMM)在故障诊断领域得到了广泛应用,取得了较好效果。CGHMM训练模型较大、局部最优,但模型参数初始化值会直接影响迭代收敛速度和模型效用。全局最优的遗传算法(Genetic Algorithm,GA)初始化CGHMM模型参数,为CGHMM训练提供了一个好的初始值,不仅可以加快收敛速度,还可以得到一个更好的模型。通过GA初始化CGHMM、CGHMM训练和CGHMM诊断过程等三个方面的仿真实验和比较分析可以得出,该方法具有训练速度快和CGHMM模型好的优点。在最后的CGHMM诊断仿真实验中,该方法诊断精度为100%,高于经典方法的96%,表明GA确实可以成功应用于CGHMM参数初始化,是一种可行的故障诊断方法。     

基于改进布谷鸟搜索算法的永磁同步电机参数辨识

提出一种基于改进布谷鸟搜索算法的永磁同步电机参数辨识方法。针对布谷鸟搜索算法的不足,采用基于云隶属度的模糊推理调整巢主鸟发现外来鸟蛋的概率;采用自适应变步长的方法调整Lévy飞行步长。改进后的算法通过增加种群之间的多样性以加快收敛速度,提高了局部和全局寻优能力。永磁同步电机多参数辨识结果表明,改进布谷鸟搜索算法能有效地辨识电机各参数,与未改进算法相比,验证了改进算法的有效性和优越性能。