基于Kriging函数的KVPMCD在滚动轴承故障诊断中的应用

滚动轴承的故障诊断本质上是模式识别的问题,多变量预测模型(VPMCD)是一种新的模式识别方法,其实质就是通过特征值之间的相互内在关系建立数学模型,并根据数学模型对被诊断轴承的特征值进行预测从而达到模式识别的目的。但是VPMCD分类方法中单纯采用回归模型进行预测,因此当故障特征值之间关系较为复杂时将导致预测精度降低。针对这一缺陷,提出了基于Kriging函数的多变量预测模型(KVPMCD)模式识别方法。Kriging模型由回归模型和相关模型组合而成,其中,相关模型是在全局模型的基础上创建的局部偏差,它恰恰可以揭示特征值之间的空间相关性,从而弥补原VPMCD中单纯采用回归模型的缺点。对UCI标准数据以及滚动轴承实测数据的分析结果表明,KVPMCD模式识别方法比原VPMCD方法可以更加有效地识别滚动轴承的工作状态和故障类型。     

基于LCD降噪和VPMCD的滚动轴承故障诊断方法

提出了一种基于局部特征尺度分解(LCD)降噪和多变量预测模型(VPMCD)的滚动轴承故障诊断方法。该方法首先采用LCD对滚动轴承振动信号进行降噪;然后计算降噪后信号在不同维数下的模糊熵,并以模糊熵为特征值,采用VPMCD方法建立模糊熵的预测模型;最后用所建立的模型来预测待分类样本的特征值,把预测结果作为分类依据进行模式识别。实验分析结果表明,采用LCD方法降噪可以有效地提高VPMCD的分类性能,与神经网络、支持向量机等分类器相比,VPMCD方法可以更准确、更有效地识别滚动轴承的工作状态和故障类型。     

带多处理器混合流水车间调度问题的混合鱼群算法

针对带多处理器的混合流水车间调度问题(hybrid flow shop scheduling with multiprocessor task problems),以最小化所有工件的最大完成时间(makespan)为优化目标,提出一种融合了改进的人工鱼群算法和禁忌搜索算法的混合算法。首先改进人工鱼群算法相关行为及实验优选算法参数,提高了人工鱼群算法收敛速度和精度;然后结合人工鱼群算法收敛快和禁忌算法局部搜索能力强的特点,利用改进的人工鱼群算法进行全局搜索,获得较好的优化解域,再通过禁忌算法在优化解域内进行局部寻优,得到一个最终满意的优化解。基于180个标准算例,算法实验结果表明混合算法的优化性能明显优于禁忌算法和粒子群算法,并且很接近改进的遗传算法。     

基于ISFLA优化深度置信网络的滚动轴承故障诊断方法研究

传统故障诊断模型训练时易陷入局部最优、模型泛化能力差,且故障识别精度易受人工特征提取质量的影响,针对这一问题对滚动轴承故障诊断方法进行了研究.首先,提出了基于深度置信网络(DBN)的滚动轴承故障诊断模型,研究了DBN模型的逐层自适应特征提取能力;然后,提出了一种改进的混合蛙跳算法(ISFLA),对DBN各隐含层神经元个...     

改进鱼群算法在滚动轴承故障诊断诊中的运用

针对滚动轴承故障振动信号微弱难以识别的问题，提出采用改进人工鱼群算法优化的神经网络诊断方法。首先，引入速度动态参数对人工鱼群算法固定搜索步长进行改进，并用改进人工鱼群算法优化神经网络。其次，采用最小二乘趋势分析消除实验室采集到的滚动轴承内环、外环和滚珠三种故障振动信号的趋势项；并根据时频域特征参数的变化趋势筛选出均值、标准差和波峰因子这三个能够明显反映不同故障类型的特征参量。最后，将遗传算法、粒子群算法等优化的神经网络作为对比算法用于滚动轴承故障诊断。仿真结果表明：这里提出的方法相比对比算法，20次平均诊断准确率高、误差小、稳定性高。     

基于CEEMDAN和SCA-MRVM的滚动轴承故障诊断

针对滚动轴承故障诊断的特征分辨性较低、准确度不高等问题,提出了一种基于自适应噪声完备集合经验模态分解(CEEMDAN)和正余弦算法(SCA)优化多核相关向量机(MRVM)的滚动轴承故障诊断方法。首先采用CEEMDAN方法分解原始振动信号,提取本征模态分量(IMF)的能量占信号总能量的比例和能量熵作为故障特征;然后引入混合核函数,采用SCA算法优化权重参数和核参数,构建MRVM模型实现对滚动轴承的故障诊断。试验结果表明,SCA-MRVM模型具有较高的识别率,能有效提高故障诊断精度。     

面向绿色高效制造的数控加工参数优化研究

数控加工是当今机械制造业系统中普遍采取的一种加工方法,为实现数控切削加工中的高效性及减少碳排放,建立以加工过程中最小加工时间和最小碳排放量为目标函数的的多目标的切削参数优化模型,综合考虑实际加工生产中的各种约束条件,实现基于多工步环境下对切削速度和进给量的同步优化。运用粒子群算法与人工鱼群算法融合以改善人工鱼群算法的优化性能,并将其用于对所建模型的优化,通过具体案例验证了改进的人工鱼群算法具有较高的精度和较好的收敛性。     

局部切空间排列算法用于轴承早期故障诊断

提出了一种基于经验模态分解(EMD)和局部切空间排列算法(LTSA)相结合的滚动轴承早期故障诊断方法。首先,利用经验模态分解算法分解滚动轴承不同模式下的振动信号,得到各阶本征模态分量和残余分量,提取各分量中的幅域参数和频域参数组成原始特征参数集;然后,建立基于类别可分性测度的邻域参数k选取方法,运用局部切空间排列算法实现敏感特征提取;最后,应用该方法对滚动轴承不同状态下的振动数据进行特征提取和模式识别,对比分析改进后的局部切空间排列算法与主成分分析、核主元分析以及传统局部切空间排列算法的故障模式识别能力。分析结果表明,该方法提取的滚动轴承故障特征敏感性较好,提高了故障模式识别能力,实现了滚动轴承的早期故障诊断。     

基于特征融合与IAFSA-SVM的滚动轴承故障诊断方法

针对滚动轴承振动信号时域特征表征故障信息不全面的问题,提出一种将云特征与时域特征相融合的方法,并对人工鱼群算法进行改进,引入了人工鱼的反向变异机制和感知行为,进行超参数寻优得到IAFSA-SVM故障诊断器。采集不同轴承故障数据集的融合特征输入IAFSA-SVM进行试验,结果表明,融合特征能更全面的表征滚动轴承的不同状态信息,将其作为IAFSA-SVM的输入可以获得更高的分类准确率。     

基于双加点动态Kriging模型的提升塔架优化设计

为在满足强度要求的情况下尽量减小提升塔架质量,同时解决传统Kriging模型全局精度和局部精度不易同时保证的问题,提出了一种双加点动态Kriging模型,并利用该模型和人工蜂群算法对提升塔架进行了优化设计。将全局敏感性分析得到的敏感参数作为设计变量,利用拉丁超立方试验设计得到的样本数据建立初始Kriging模型,以最大应力为约束条件,通过人工蜂群算法对提升塔架进行了减重优化。优化过程中, 采用双加点准则不断更新Kriging模型,以提高模型的全局精度和最优解处局部精度,直到获得最优解。研究结果表明：在最大应力不变的条件下,优化后的提升塔架质量减小了39.37%。基于双加点动态Kriging模型的优化设计与仿真模型的优化设计相比,其优化效率大幅度提高。双加点动态Kriging模型相较于静态Kriging模型和基于传统加点准则的动态Kriging模型,具有更高的全局精度、局部精度和最优解处局部精度。     

基于改进证据理论的多传感器信息融合故障诊断

针对传感器信号不确定会产生冲突证据的问题,提出了一种基于改进证据理论的多传感器信息融合故障诊断方法。提出了基于遗传神经网络的原始证据生成方法,利用遗传算法优化神经网络参数,提高网络训练速度;定义了向量空间和方向相似度,利用分类准则函数区分冲突证据和相似证据,通过可信度修正冲突证据,降低了因不确定性产生的冲突对合成结果的影响。通过齿轮泵故障实验验证了改进方法的有效性,改进方法的诊断正确率明显高于单一传感器的诊断正确率,并通过设置适当的阈值提高了方法的灵活性和适用性。     

改进VPMCD法及其在机械故障诊断中的应用

提出了一种基于时序AR模型的VPMCD(基于变量预测模型的模式识别)故障诊断方法:利用时序分析方法对故障信号建立AR模型,以蕴含故障特征的自回归参数作为故障特征量,采用VPMCD方法训练得到各故障特征量的预测模型,并利用预测模型对待诊断样本的故障类型和工作状态进行分类和识别。对滚动轴承和齿轮的振动信号的分析结果证明了该方法的有效性,与基于EMD的VPMCD法和基于AR的KNN法的对比结果证明了所提方法的优越性。     

基于主成分分析和支持向量机的滚动轴承故障特征融合分析

为有效降低滚动轴承故障特征的维数并提高诊断准确率,将主成分分析（PCA）和支持向量机（SVM）方法应用到轴承故障特征的融合分析中,给出了相应的决策流程。应用基于小波包分解的特征提取算法及特征向量的构造方法对不同状态下的振动信号进行分解,得到用于表征轴承运行状态的8维特征集合;应用PCA提取累积贡献率达到95%的特征主成分并输入SVM分类器中进行识别。结果表明,将滚动轴承故障特征从8维降低到5维,仍可有效表征轴承的状态,但大大降低了计算的复杂性;故障诊断的准确率达到97%以上,诊断时间也相对较短;4种轴承状态识别的准确率从高到低依次为正常、外圈剥落、滚动体剥落和内圈剥落,可为确保设备安全运行和快速故障诊断提供理论依据。     

基于重分配魏格纳时频谱和SVD的故障诊断

时频谱重分配能有效提高时频谱的时频聚集性,减少干扰项。当振动信号中存在着能量较大噪声时,重分配时频谱会受到噪声干扰影响,降低时频分布的可读性。将重分配魏格纳时频谱(RWVDS)和奇异值分解(SVD)结合形成一种新的机械故障诊断方法。利用重分配算法对魏格纳时频谱进行重分配,提高魏格纳时频谱的时频聚集性,再对重分配时频谱进行SVD降噪,降低了噪声干扰影响,提高其时频分布的可读性。该方法对仿真信号、滚动轴承及齿轮箱故障信号进行了分析,并与其他几种方法作了比较。结果表明,该方法时频聚集性好,抗噪能力强,能有效识别强噪声背景下的机械故障特征。     

基于半监督拉普拉斯特征映射的故障诊断

针对有标记故障样本不足和故障数据高维非线性的问题,提出了基于半监督拉普拉斯特征映射（LE）算法的故障诊断模型。该模型运用LE算法,直接从原始高维振动信号中提取低维流形特征,并将其输入到基于LE的半监督分类器,从而识别出机械设备的运行状态。与传统方法相比,该模型能明显提高滚动轴承和齿轮的故障识别性能。     

基于粗糙集属性约简和贝叶斯分类器的故障诊断

利用改进的小波包对收集的信号进行特征提取,解决了小波包分解的频率混叠问题;针对故障信息中的冗余属性问题,提出了基于类差别矩阵改进属性重要度的属性约简算法,根据各条件属性在类差别矩阵中出现1的频次定义新的属性重要度,提高属性约简的效率;通过考虑条件属性与类属性间的关联性,提出了基于熵权法的属性加权朴素贝叶斯分类器算法,提高故障分类精度。通过对滚动轴承故障数据的对比分析,验证了所提组合方法在提高故障诊断正确率、快速性方面所具有的优势。     

ASTFA-BSS方法及其在齿轮箱复合故障诊断中的应用

自适应最稀疏时频分析（adaptive and sparsest time-frequency analysis,ASTFA）方法以分解得到的单分量个数最少为优化目标,以单分量的瞬时频率具有物理意义为约束条件,使得到的分量更加合理;结合盲源分离,提出了一种基于ASTFA的盲源分离方法并应用于齿轮箱复合故障诊断中。该方法首先利用ASTFA将单通道源信号进行分解,然后利用占优特征值法进行源数估计,根据源数重组观测信号,最后对观测信号进行盲源分离得到源信号的估计。实验结果表明,该方法可以有效地对齿轮箱复合故障信号进行分离进而实现齿轮箱的复合故障诊断。     

基于LMD多尺度熵和概率神经网络的滚动轴承故障诊断方法

研究了一种基于LMD多尺度熵和概率神经网络的滚动轴承故障诊断方法。该方法将故障信号自适应地分解为若干乘积函数分量,然后将各分量的多尺度熵作为故障特征向量输入概率神经网络进行模式识别,实现了对损伤位置和损伤程度的诊断。将该方法与基于LMD时域统计量和神经网络的滚动轴承故障诊断方法进行了对比。实验结果表明,基于LMD多尺度熵和概率神经网络的方法能对滚动轴承故障进行有效的识别与诊断。