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。     

改进型RBF网络在模拟电路故障隔离中的应用

提出了一种最陡下降增量映射学习算法,对RBF网络的训练方法进行改进,并将之运用于模拟电路故障隔离.该算法通过增量映射学习算法对RBF网络的采样基函数进行迭代优选,简化RBF网络结构;采用最陡下降法改进增量映射学习算法,对神经元激励函数的参数进行调节,控制网络规模,提高网络的逼近能力.故障隔离实例显示了其优越性.改进的算法与传统算法相比,具有更快的收敛速度和更高的隔离精度.本算法为RBF网络的训练提供了一种可行的方法,在故障诊断领域有良好的应用前景.     

基于蚁群算法优化BP神经网络的港口吞吐量预测

利用蚁群算法优化反向传播神经网络的初始权值、阈值,建立预测模型,对港口货物吞吐量进行预测。蚁群算法具有全局搜索能力,分布式计算和鲁棒性强等特点,有利于加快反向传播神经网络的收敛速度,避免易陷入局部极值的问题,提高建模精度。在港口吞吐量预测中的应用表明:蚁群算法优化BP神经网络模型、模糊神经网络预测模型、RBF预测模型及BP预测模型的平均绝对百分比误差分别为2.826%、3.734%、4.990%和6.566%;同时,蚁群算法优化BP神经网络模型收敛速度最快。与传统BP神经网络、RBF网络及模糊神经网络相比,蚁群算法优化BP神经网络模型、模糊神经网络预测模型、RBF预测模型及BP预测模型的平均绝对百分比误差分别为2.826%、3.734%、4.990%和6.566%。     

基于RBF网络的除湿机故障诊断

应用基于人工神经网络的故障诊断方法,建立了除湿机故障诊断的RBF网络模型,并利用六种典型故障状态参数样本数据对神经网络进行训练。结果表明对于训练样本集和检验数据集,网络的输出与希望结果相符,表明基于人工神经网络的除湿机系统的故障诊断是行之有效的。     

基于粒子群优化聚类的汽轮机组振动故障诊断

针对模糊C-均值聚类算法(FCM)容易陷入局部极值和对初始值敏感的不足,提出了一种新的模糊聚类算法(PFCM),新算法利用粒子群优化算法(PSO)全局寻优、快速收敛的特点,代替了FCM算法的基于梯度下降的迭代过程,使算法具有很强的全局搜索能力,很大程度上避免了FCM算法易陷入局部极值的缺陷,同时也降低了FCM算法对初始值的敏感度。将该算法应用于汽轮机组振动故障诊断中,与电厂运行实际故障状态对照,仿真结果表明该算法提高了故障诊断的正确率。为汽轮机振动故障诊断方法的研究提供了一种新的思路。     

基于D-S证据理论信息融合的转辙机故障诊断方法研究

在列车提速后S700K型电动转辙机被普遍安装在正线道岔的背景下,本文针对单一故障诊断方法的诊断精度偏低问题,提出了基于信息融合故障诊断模型和故障诊断方法.该方法分别用BP神经网络和模糊综合评判对转辙机进行故障诊断,利用神经网络输出和模糊综合评判输出来构造D-S证据理论中的概率分配,然后利用D-S证据理论将BP神经网络和模糊综合评判对转辙机的故障诊断结果在决策级进行融合,诊断转辙机是否有故障并判断故障的模式.诊断结果表明,该诊断方法具有较高的故障诊断精度,诊断结论的可信度有明显提高.     

三向加速度传感器故障诊断方法研究

对三向加速度传感器提出了一种具有传感器故障诊断模块的系统故障诊断框架.三向加速度传感器故障诊断模块采用了一种基于神经网络和冗余率计算的新方法.该方法先用RBF神经网络对传感器的输出进行预测,若预测值与输出值发生较大的偏差,存在的可能是传感器发生故障或设备发生故障,运用传感器之间的冗余率,可以进一步判断传感器是否发生故障,进而产生决策策略.     

基于BQGA-ELM网络在滚动轴承故障诊断中的应用研究

提出一种基于Bloch球面量子遗传算法(BQGA)优化极限学习机(ELM)网络的诊断方法(BQGA-ELM),并将BQGA-ELM运用于滚动轴承故障诊断中。基于UCI标准数据集,通过仿真实验比较Bloch量子遗传算法与其它算法优化ELM的性能,仿真实验表明BQGA的优化效果强于其它优化算法。从实验室采集滚动轴承正常、内环故障、外环故障和滚珠故障四种工况的振动信号,并利用时域分析法提取振动信号的相关特征参量。将提取的特征参量经过数据预处理,再输入到诊断模型中进行滚动轴承故障诊断。结果表明:BQGA-ELM能够准确有效的对滚动轴承故障进行诊断,且其误差收敛与故障诊断时间均优于文中其它诊断模型。     

基于粒子群优化与SVR-ADLA算法的MIMO系统识别研究

针对现有基于径向基函数(RBF)网络对多输入多输出(MIMO)系统识别中存在收敛速度慢、系统识别稳定性不高的问题,提出了一种新的MIMO系统识别方法:采用支持向量回归(SVR)算法建立RBF网络初始化结构,确定初始化网络参数;采用退火动力学习(ADL)算法对系统识别网络进行训练,在训练过程中采用粒子群优化(PSO)迭代算法选出最佳学习率组合,使识别网络实现对MIMO系统的识别。对一个两输入输出系统进行了识别仿真,仿真结果表明,用该识别方法重建的识别系统性能优于目前RBF网络参数优化过程中常用的最小平方算法或梯度下降法算法。RBF网络识别系统易于实现,在MIMO系统识别中具有广泛的应用前景。     

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。     

一种基于半模糊聚类的故障诊断方法

为满足故障诊断的实时性和准确性要求,采用阈值化类内距离的方法,研究了一种快速收敛的半模糊c均值(SFCM)聚类诊断方法.证明了SFCM算法的模糊加权幂指数m在区间(0,1)取值时能实现半模糊聚类,讨论了阈值η对算法的影响并给出了算法步骤.以机载武器控制系统信息通道为诊断对象,采用该方法对通道进行了样本无监督分类验证和故障模式识别诊断试验.结果表明:SFCM算法能对信息通道故障模式进行快速准确的分类识别.     

一种改进果蝇算法及其在风电机组MPPT中的应用

为提高果蝇优化算法(FOA)的寻优效率和精度,针对标准果蝇算法在全局范围内搜索能力不均匀导致的问题,提出一种步长改进策略。该策略在运行过程中根据当前果蝇群体中最优个体位置,动态地对果蝇前进步长进行调整,使果蝇算法能够平衡在全局范围内的搜索能力,增强初期收敛速度和后期收敛精度。通过经典测试函数对改进算法进行仿真研究,结果表明:在保证寻优成功率的同时,该文所提出改进算法的收敛精度和速度均得到显著提高。风电机组滑模控制器参数寻优中的应用实例也表明该算法的有效性。     

基于切片谱和神经网络的旋转机械故障诊断方法

RBF神经网络是仿生物神经建立的人工模式识别模型,它具有良好的泛化能力和分类能力;切片谱是对双相干谱算法的简化,同样可以用来定量描述振动信号的非线性相位耦合特征.本文结合双谱和RBF神经网络,以信号的切片谱作为故障特征量,以RBF神经网络作为分类器实现旋转机械故障诊断;最后对轴承故障进行仿真实验,结果表明,本方法能有效对轴承故障模式进行分类.     

改进果蝇优化LSSVM超声波萃取产物浓度软测量

针对超声波天然产物萃取过程中产物浓度难以在线检测的问题,提出了一种改进果蝇优化最小二乘支持向量机(Least Squares Support Vector Machine,LSSVM)的超声波萃取产物浓度软测量建模方法。首先将混沌优化与迭代步长动态调节方法相融合,提出了一种混沌动态步长改进果蝇优化算法(Chaos Dynamic Step Fluit Fly Optimization Algorithm,CDSFOA),该算法引入动态调节因子对步长动态更新,并利用混沌优化实现各变量之间映射等操作,能够有效提高果蝇优化算法的收敛精度和收敛速度,然后利用CDSFOA对LSSVM进行参数寻优,构建最优CDSFOA-LSSVM软测量模型,最后利用超声波斛皮素萃取实验数据进行验证。结果表明,提出的模型不仅有较好的学习和泛化能力,而且具有良好的预测精度,可为超声波天然产物萃取工艺优化提供理论指导。     

基于人工鱼群算法的轴承故障随机共振自适应检测方法

针对传统的自适应随机共振以单个参数为优化对象忽略参数间交互作用的不足及采用遗传算法优化参数在种群数量增加时算法收敛速度明显减缓的缺陷,提出基于人工鱼群算法的自适应随机共振新方法。该方法利用人工鱼群算法对初值、参数设定容许范围较大、具备并行处理能力及人工鱼个体数目增加时鱼群算法收敛速度能提高的特性,自适应实现与输入信号最佳匹配的随机共振系统。仿真数据与轴承滚动体故障数据分析表明,基于该算法的自适应随机共振方法可有效实现微弱特征检测与早期故障诊断。     

模糊神经网络技术在液压泵故障诊断中的应用

提出了一种基于模糊神经网络的液压泵故障诊断方法,介绍了该方法的基本原理及实现算法.以某型号齿轮泵为研究对象,利用其状态数据作为样本数据,建立了基于模糊神经网络的齿轮泵的故障诊断模型.并利用该模型对齿轮泵运行状态进行了辨识,结果表明,该方法能够充分利用检测到的各种故障征兆信息,从而使齿轮泵故障诊断更加准确有效.此方法也可用于其它同类设备的故障诊断.     

基于排列熵与IFOA-RVM的汽轮机转子故障诊断

为了提高汽轮机转子故障诊断的识别准确率和效率,提出基于排列熵与改进的果蝇算法(IFOA)优化相关向量机(RVM)的汽轮机转子故障诊断方法。将实验数据进行自适应完备的集合经验模态分解(CEEMDAN),并选取故障特征敏感的IMF分量计算排列熵,以此构造特征样本集,进而建立"二叉树"IFOA-RVM故障分类器对特征集进行分类,其中IFOA通过两个阶段来定义果蝇群体的搜索范围来提高搜索效率,同时避免RVM核函数陷入局部最优。通过ZT-3汽轮机转子模拟试验台获得的故障数据进行实验研究,结果表明与模糊熵对比,排列熵获得的特征样本集的聚类效果明显;IFOA-RVM分类器在故障识别准确率和效率上优于FOA-RVM等其它分类器;证明了基于排列熵与IFOA-RVM汽轮机转子故障诊断方法的有效性和可行性。     

基于模糊理论的电源车故障诊断方法

电源车工作性能指标和工作可性直接影响着飞机起动和机动升空,其故障的判断、查找非常困难,针对这个问题,将基于模糊关系方程的故障诊断方法应用于电源车的故障诊断中,通过建立故障征兆与故障原因间的模糊关系方程,利用阈值原则和最大隶属度原则相结合的方法查找故障原因,通过电源车的一个具体故障案例验证表明,该方法可以准确定位故障,提高了电源车故障诊断的效率和准确性.     

优化遗传神经网络及其在机械故障诊断中的应用

提出了一种改进的遗传神经网络算法,该算法综合了遗传算法的全局性和神经网络的并行快速性等特点,有利于克服神经网络存在易陷入局部极小和收敛速度慢的问题,达到了优化网络的目的.此算法应用于磨机故障诊断,通过试验得出对故障模式的识别精度较高,具有较好的应用前景.     

基于RFOA优化GRNN的水电机组振动预测

针对水电机组振动的非平稳、非线性特点,提出利用改进果蝇算法(RFOA)优化广义回归神经网络模型(RFOA-GRNN)。通过改进果蝇算法的搜索步长和气味浓度判定公式,使该算法的局部寻优能力增强,收敛速度提高。通过8种常用的基准函数对FOA算法、DSFOA算法、RFOA算法进行仿真测试,测试结果验证了RFOA算法的有效性。利用三种优化算法优化GRNN的平滑因子,将优化后平滑因子代入GRNN模型对水电机组振动进行预测。结果表明,与FOA-GRNN和DSFOA-GRNN两种预测模型相比,RFOA-GRNN预测模型的预测结果最大相对误差分别降低了99.96%和99.28%。可以得到RFOA-GRNN模型的预测精度和稳定性方面均优于其他两种模型,验证了此模型的有效性。将其应用于水电机组状态趋势预测研究中,可为维护人员提前发现水电机组故障并及时检修进而保证水电机组安全稳定的运行提供保障。