一种自适应CS算法及其在风电齿轮箱故障诊断中的应用

针对布谷鸟搜索(CS)算法易出现早熟收敛以及风电机组齿轮箱的故障模式难以有效识别等问题,提出一种基于自适应CS算法的BP神经网络(SaCS-BP)智能诊断技术。通过构建SaCS算法,实现了步长和发现概率的自适应调整,并采用一组基准函数测试了该算法的有效性;将SaCS与BP神经网络进行融合,构建了风电齿轮箱的故障诊断模型。结果表明,SaCS算法具有较佳的寻优精度和普适性。此外,与BP神经网络以及布谷鸟搜索算法优化BP网络(CS-BP)相比,SaCS-BP算法获得了最高的诊断准确度,从而实现了风电齿轮箱故障模式的有效识别。     

多策略改进麻雀算法与 BiLSTM 的变压器故障诊断研究

针对变压器故障诊断精度低的问题,提出了一种多策略改进麻雀算法(MISSA)与双向长短时记忆网络(BiLSTM)的变压器故障诊断模型。基于油中溶解气体分析(DGA)技术,结合无编码比值方法提取变压器9维故障特征作为模型输入进行网络训练,输出层采用Softmax函数得到故障诊断类型;采用Logistic混沌映射、均匀分布的动态自适应权重以及动态拉普拉斯算子来对麻雀搜索算法(SSA)进行改进;在初始解集内,利用MISSA对目标超参数进行寻优,使变压器故障诊断精度最优,并结合核主成分分析(KPCA)对故障特征指标降维,加快模型收敛速度。结果表明,提出的模型诊断精度为94%与PSO-BiLSTM、GWO-BiLSTM和SSA-BiLSTM故障诊断模型相比,分别提高了11.33%、8.67%、6%,验证了本文方法能够有效地提高变压器的故障诊断性能。     

基于改进乌鸦搜索算法优化SVM的电机轴承故障诊断

针对乌鸦搜索算法(CSA)优化支持向量机(SVM)参数时存在陷入局部最优、后期收敛精度不高的问题，对CSA算法进行了改进，提出一种改进乌鸦搜索算法(ICSA)。ICSA在CSA基础上，融入了动态感知概率、Levy飞行策略、柯西变异机制等步骤，提高了算法的寻优能力。以ICSA为SVM参数优化方法，建立了电机轴承故障诊断模型，并进行了实验验证。结果表明：相比于CSA,ICSA优化SVM的诊断精度比提升了4.53%;相比于另外3种改进型CSA方法，诊断精度也更高；相比于其它4种类型优化算法，在诊断精度提升的同时耗时缩更短。     

自适应乌鸦搜索算法改进深度置信网络的发动机故障诊断

在乌鸦搜索算法(Crow Search Algorithm, CSA)的基础上，自适应乌鸦搜索算法(Adaptive CSA,ACSA)设计了感知概率和飞行距离这两个参数的自适应取值策略，有效增强了算法的性能。针对深度置信网络(Deep Belief Network, DBN)模型参数的选取对发动机故障诊断结果影响较大的实际，利用ACSA对其模型参数进行优化选取，并提出了ACSA改进DBN的发动机故障诊断方法。发动机故障诊断实例结果表明，ACSA算法能够获得更优的DBN模型参数，相比于其他几种方法，在耗时更少的情况下，获得了更高的发动机故障诊断精度。     

采用布谷鸟算法的贝叶斯网络在异步机故障诊断中的应用

针对传统异步电机故障诊断方法中故障特征频率容易被基频淹没、抗干扰能力差、误判率高的问题,建立了基于定子电流信号Hilbert边际谱特征的贝叶斯网络电机故障诊断模型。将异步电机定子电流进行了希尔伯特-黄变换,提取出了Hilbert边际谱特征。在贝叶斯网络诊断模型的构建过程中,采用新型元启发式布谷鸟搜索算法学习各节点间的依赖关系,采用Levy飞行机制优化搜索路径从而提高了搜索效率,并在布谷鸟搜索算法中引入了竞争机制,提高了贝叶斯网络结构学习效果。以异步电机转子断条故障为例验证了诊断模型的有效性。研究结果表明,该故障诊断模型十分有效,诊断准确率高。     

改进的布谷鸟算法优化极限学习机的石化轴承故障分类

针对通用的智能故障诊断方法在石化滚动轴承中准确率不理想的问题,提出一种通过改进的布谷鸟算法( CS )优化极限学习机( ELM )使诊断准确率提高的模型。将实测轴承振动信号降噪处理,计算不同嵌入维度下的关联维数作为 ELM 的输入信号;通过改进的布谷鸟算法获取极限学习机最优的隐含层偏置、输入权重,最后输出诊断结果。经过实验证明,该方法可以有效地克服测量信号时的干扰,可以对不同故障下的滚动轴承准确识别,并与多种模型对比,该方法的故障诊断准确率为 97.5% 。     

基于混合优化算法的飞机总装脉动生产线平衡问题

为提高飞机装配效率和人员利用率,根据飞机总装脉动生产线的特点和平衡优化需求,构建多目标多约束的E类飞机总装脉动生产线平衡问题模型,并设计一种结合非支配排序遗传算法、布谷鸟搜索算法和动态搜索算法的混合优化算法进行求解。其中动态搜索算法解决E类装配线平衡问题求解效率低下以及质量不佳的问题;非支配排序遗传算法通过改进个体距离计算方法提高装配序列的优化效果;布谷鸟搜索算法则借助改进莱维飞行距离计算式提高最优站位数量的搜索能力。最后通过基准问题测试证明算法的性能优于相关问题算法,并借助应用实例验证了模型的有效性。     

基于ISSA-VMD的滚动轴承早期故障诊断方法

针对滚动轴承早期信号微弱导致故障特征难以提取和故障诊断准确率不高的问题,提出了一种基于改进麻雀搜索算法-变分模态分解(ISSA-VMD)和样本熵(SE)的滚动轴承早期故障特征提取方法。首先,在轴承早期故障诊断过程中,模态分解个数和惩罚因子的选择对变分模态分解(VMD)的分解效果有着很大的影响,为消除人为选择参数的影响,将麻雀搜索算法(SSA)优化为改进麻雀搜索算法(ISSA),利用ISSA参数优化后的VMD方法对信号进行了分解;然后,计算了敏感固有模态函数(IMF)分量的样本熵,构成了特征向量;最后,将特征向量作为支持向量机(SVM)的输入,进行了滚动轴承早期故障类型的识别。研究结果表明：ISSA-VMD+样本熵特征提取模型的故障诊断准确率为98.3%,与SSA-VMD+样本熵、灰狼优化算法(GWO)-VMD+样本熵、鲸鱼优化算法(WOA)-VMD+样本熵、传统VMD+样本熵、经验模态分解(EMD)+样本熵等特征提取模型相比,故障诊断准确率分别提高了3.3%、6.6%、5%、3.3%、5%;该模型可以准确地提取故障特征,提高故障诊断准确率。     

基于BP神经网络和遗传算法的并行迭代优化研究

提出了一种将反向传播神经网络(BPNN)与遗传算法(GA)相结合的迭代优化方法。该方法首先使用较少的学习样本开发和训练BPNN模型,然后利用GA在可行域内求解训练好的BPNN模型以寻找模型的最优解。将基于该最优解进行验证的结果作为新样本添加到训练模式集中对BPNN模型重新训练。针对训练模式较少可能导致预测精度不足的问题,在BPNN模型的训练中分别采用贝叶斯正则化算法(BRA)和改进的Levenberg-Marquardt算法提高BPNN模型的泛化能力和收敛性,并结合精英策略将模拟退火算法(SAA)嵌入到GA中,以提高BPNN模型的局部搜索能力。将所提出的方法应用于汽车吹塑成型的聚丙烯波纹管的厚度优化。结果表明,在3次迭代后可以得到最优模具间隙,采用最佳模具间隙的波纹管在9个齿峰处的厚度落入期望的范围内(0.7±0.05mm),并且材料的使用量减少了22%。这种最佳间隙仅通过23次实验即可获得,远远少于实际模塑过程所需的实验次数。     

基于变分模态分解和精细复合多尺度均值散布熵的轴承故障诊断

为充分提取非线性、非平稳的轴承故障信号特征信息，进而提高轴承故障诊断精度，提出了一种基于变分模态分解(VMD)和精细复合多尺度均值散布熵(RCMMDE)的轴承故障诊断方法(算法)。首先，使用VMD将轴承故障振动信号分解为了多个模态分量，通过评估原信号与模态分量信号的互相关程度，筛选了其有效模态，并对其进行了信号重构，实现了故障信号的降噪处理目的；然后，使用精细复合均值化代替了传统粗粒化方法，利用RCMMDE方法提取了重构信号的多尺度熵值，构成了特征样本集；最后，通过鲸鱼算法(WOA)对支持向量机(SVM)进行了超参数寻优，构建了最优的故障检测模型，并将特征样本集输入到WOA-SVM模型中进行了轴承故障诊断，并通过实验评估验证了模型的有效性。研究结果表明：该模型准确率达到99.67%,精确率、召回率等各项性能指标均在99%以上，并具有很强的鲁棒性。