基于改进麻雀算法优化支持向量机的滚动轴承故障诊断研究

针对群智能算法优化支持向量机模型应用在滚动轴承故障诊断领域中易陷入局部最优、准确率较低的问题,提出了一种基于改进麻雀算法(sparrow search algorithm, SSA)优化支持向量机(support vector machine, SVM)的滚动轴承故障诊断方法。首先引入均匀化分布Chebyshev混沌映射初始化麻雀种群,以提高种群空间分布均匀性,之后将自适应惯性权重融入麻雀算法的发现者位置更新,最后对更新位置后的最优麻雀进行随机游走扰动,提高算法的全局和局部搜索能力,避免算法陷入局部最优。将该算法用于支持向量机的参数优化,构建改进麻雀算法优化支持向量机故障诊断模型实现对轴承故障信号的分类诊断。滚动轴承故障诊断试验分析结果表明,该算法模型故障分类效果明显优于粒子群算法优化支持向量机模型、遗传算法优化支持向量机模型和麻雀算法优化支持向量机模型,能够有效识别滚动轴承各故障类型。     

基于天牛须搜索优化支持向量机液压泵故障诊断

为准确地对液压泵的典型故障进行诊断，同时针对支持向量机（Support Vector Machine，SVM）在故障诊断中的参数选择问题，将天牛须搜索算法（Beetle Antennae Search，BAS）应用到SVM的参数优化中，建立BAS-SVM液压泵故障诊断模型，以此来提高SVM在液压泵故障诊断中的性能。液压泵故障诊断实例的结果表明，相比于遗传算法、粒子群算法、果蝇算法等算法的改进算法，BAS得到的SVM参数更优，使SVM获得更高的诊断精度，从而验证了所提方法的有效性。     

基于改进Murphy规则的锅炉智能融合故障诊断方法

锅炉故障是火力发电厂的一个重要问题,它具有高温高压高耦合性的特点。针对这一问题,提出一种基于改进Murphy规则的智能融合故障诊断方法。首先利用Relief算法对锅炉的各个变量进行特征提取与选择,获得11个模型输入变量;然后利用SVM、LVQ、 PNN、BP 4种不同的分类器进行故障模型训练,并对每个模型进行性能评估;最后利用改进Murphy规则对4个分类器的结果进行融合,得到最终的故障诊断结果。运行结果证实该智能融合故障诊断方法可以有效诊断出锅炉故障,提高故障诊断的准确率,有效降低故障诊断的误报率与漏报率。     

基于RBFNN-ISSA的特大跨径悬索桥有限元模型修正

针对大跨径悬索桥一类复杂结构的有限元模型修正问题,提出了一种基于径向基神经网络(radial basis function neural network, RBFNN)子结构代理模型与改进麻雀搜索算法(improved sparrow search algorithm, ISSA)的有限元模型修正方法。首先,基于桥梁图纸数据采用通用有限元软件建立一座大跨悬索桥的初始有限元模型,并根据拉丁超立方抽样原则生成子结构材料参数-结构响应的训练样本,通过RBF神经网络和子结构模拟方法对初始有限元模型进行解构重组和样本学习,拟合关于材料参数-结构响应的代理模型。其次,建立考虑主梁挠度和模态频率误差最小的有限元模型参数修正数学优化模型,采用Tent混沌映射及黄金正弦策略改进标准麻雀搜索算法,引入柯西分布函数和贪心保留策略对每一代麻雀种群进行扰动,以用于求解联合静、动力特征的有限元模型修正数学优化问题。最后,以杭瑞高速洞庭湖大桥为工程背景,进行了悬索桥荷载试验,利用实测桥梁响应数据验证了该方法的可行性。研究结果表明：基于RBF神经网络与子结构法的模型修正方法,可以建立拟合精度较高的悬索桥结构代理模型;...     

基于MDFF与ISSA的滚动轴承故障声发射诊断

针对滚动轴承早期、复合故障难以准确诊断与智能诊断模型超参数确定严重依赖专家先验知识问题,提出一种基于多维深度特征融合(multi-dimensional depth feature fusion, MDFF)与改进麻雀搜索算法(improved sparrow search algorithm, ISSA)的滚动轴承故障声发射诊断方法。用一维卷积与线性瓶颈反向残差二维卷积神经网络构建多输入卷积神经网络(convolution neural network, CNN)结构的诊断模型,模型输入为滚动轴承声发射信号及其小波时频图,提出基于布伦纳梯度和信噪比的质量指标,在108种小波基中筛选出最佳时频图以提升输入数据质量。接着,采用特征金字塔网络将模型的一、二维低层与高层特征融合,建立深度融合的诊断模型。然后,将交叉混沌映射、自适应权重及融合的随机游走策略引入麻雀搜索算法中,以自适应获取MDFFCNN最优超参数。试验表明,对比近期多个主流智能诊断算法,所提方法可避免人工选择诊断模型超参数,对滚动轴承早期尤其复合故障具有更高的诊断精度和稳定性,模型诊断过程的智能化水平得到了进一步提高。     

ICEEMDAN-ISSA-LSTM短期电力负荷预测

针对传统短期负荷预测方法误差大的问题,提出一种基于改进型自适应白噪声的完全集合经验模态分解(ICEEMDAN)和改进的麻雀搜索算法(ISSA)优化长短期记忆网络(LSTM)的短期负荷预测方法。首先,针对负荷序列波动性大,导致直接使用负荷数据进行预测难以获取内在特征的问题,运用ICEEMDAN方法将原始负荷序列进行分解,得到时间尺度各异的IMF分量;其次,针对LSTM模型参数较难选取的问题,采用ISSA对LSTM的超参数寻优,利用Fuch混沌映射、反向学习策略和自适应t变异改进麻雀算法,减小SSA陷入局部最优的风险,提高麻雀算法的寻优能力和收敛速度;最后,依据分解得到的各组数据特征,建立ISSA-LSTM模型并进行预测,再将各组分量的预测值进行叠加,得到最终的电力负荷预测结果。仿真结果表明：与其他预测模型相比,ICEEMDAN-ISSALSTM模型具有更高的短期电力负荷预测精度,其预测平均绝对误差为9.39 kW,均方根误差为11.47 kW,平均绝对百分比误差为0.19%。     

基于改进麻雀搜索算法的变电构架优化方法

为了解决变电构架设计中的优化问题,采用改进麻雀搜索算法对其进行优化设计。在基本麻雀搜索算法中引入Circle混沌映射,以提高种群的多样性和算法的全局搜索能力;引入萤火虫算法对麻雀搜索算法进行扰动更新,使其易于跳出局部最优。建立尺寸优化的数学模型,采用罚函数法处理约束条件。先将改进后的算法用于典型桁架算例分析,证明其稳定性与有效性,再将其用于变电构架的优化设计,结果表明,采用改进后的麻雀搜索算法能够有效提升变电构架的优化效果。     

基于CNN-SVM的深度卷积神经网络轴承故障识别研究

针对传统智能诊断方法过分依赖于信号处理和专家经验提取故障特征以及模型泛化能力差的问题,基于深度学习理论,提出将卷积神经网络算法结合SVM分类器搭建适于滚动轴承故障诊断的改进型深度卷积神经网络模型。从原始实测轴承振动信号出发,模型逐层学习实现特征提取与故障识别,引入批量归一化、Dropout处理并改进模型分类器来提升轴承故障识别准确率、模型收敛速度和泛化能力。实验结果表明,优化后的深度学习模型可快速准确地提取轴承故障特征,针对不同类型、不同损伤程度的轴承可实现99%的识别准确率,并且模型有较强的泛化能力和强化学习能力。     

基于改进的CNN-SVM的机载燃油泵故障诊断

针对机载燃油泵故障诊断过程中存在需要先验知识、专家经验、特征解释及信号特征提取困难等问题,提出基于模拟退火遗传优化CNN-SVM的诊断方法。该方法利用CNN具有自动提取故障特征的特性实现特征快速提取。并针对传统CNN诊断方法所存在网络结构不确定、计算效率低等问题,采用模拟退火遗传算法对其模型结构和参数进行优化,使用SVM取代全连接层的Softmax分类器优化CNN分类效果,最后应用t分布随机近邻嵌入使其故障特征学习过程可视化,评估其特征提取能力。试验结果表明：与SA-GA-CNN、1DCNN、ANN、GA-SVM及GA-BP诊断方法相比,基于改进CNN-SVM的方法能更有效实现机载燃油泵的故障诊断。     

改进麻雀搜索算法求解多目标低碳冷链物流车辆路径问题

目的 在传统冷链物流的车辆路径问题模型基础上,考虑服务节点和车辆运输过程中产生的碳排放,并加入客户满意度,在有限资源情况下最小化路径成本和最大化客户满意度。方法 构建多目标低碳冷链物流车辆路径问题模型,将爬山算法局部搜索思想应用到麻雀搜索算法中,形成改进麻雀搜索算法,并用其对上海市某区域内的冷链物流配送路径优化问题算例进行求解。结果 通过与改进前及其他2种智能优化算法运行结果进行对比发现,改进后的麻雀搜索算法具有更快的寻优速度和更好的寻优能力,且改进后的算法对模型的碳排放效用性更高。结论 基于国家的低碳政策,设计出符合当下实情的低碳冷链物流运输模型,通过改进优化算法设计运输方案,验证了爬山算法局部搜索思想对麻雀搜索算法进行改进的有效性及所构建低碳冷链物流车辆路径模型的合理性。     

基于支持向量机的控制系统故障诊断研究

支持向量机(SVM,Support Vector Machines)是构造数据挖掘分类器的一项新型技术,并且成为模式识别和故障诊断的有效工具.为有效利用SVM进行故障诊断,主要从SVM研究热点、分类算法以及基于MATLAB的SVM工具箱进行了论述,详细讨论了工具箱中的分类函数,并对其模型参数选择进行了研究.通过对某控制系统的故障进行诊断,故障诊断结果定位准确,证明了SVM分类的有效性以及特定情况下模型参数选择的可行性.     

基于MF-DFA与PSO优化LSSVM的滚动轴承故障诊断方法

针对滚动轴承故障损伤程度难以确定的问题,提出对滚动轴承不同故障位置、不同损伤程度的振动信号进行故障特征提取及智能分类的故障诊断方法。先对各状态振动信号进行MF-DFA分析,选取敏感性及稳定性最好的二种多重分形谱参数作为故障特征量,然后输入到经过PSO参数优化的LSSVM中进行故障诊断。通过仿真试验、应用实例验证了该方法的有效性,并与LSSVM、SVM方法的诊断结果进行比较。结果表明:所提方法可实现滚动轴承故障位置及损伤程度的智能诊断,比直接LSSVM、SVM方法具有更优的泛化性,适合解决实际工程问题。     

基于LS-SVM ARX模型的除湿机故障诊断

针对非线性系统故障诊断问题相对复杂的情况,以除湿机作为研究对象,应用ARX模型进行了研究。引入LS-SVM优化算法对ARX模型进行了改进,克服了传统SVM算法的不足。结合实验采集到的实际数据样本,对模型进行了训练。结果表明,改进的算法具有较低的运算复杂度和较快的学习训练速度,对于新的样本输入能够正确分析诊断。由此说明,将LS-SVM ARX模型应用于故障诊断是可行的。     

多模型融合下的滚动轴承故障诊断方法

针对单一分类器对于轴承故障诊断精度低的问题,提出一种多模型融合的滚动轴承故障诊断方法。首先对于滚动轴承的原始振动信号采用WELCH功率谱算法进行预处理,然后从功率谱中提取相关特征参数构成输入样本,分别采用LDA、SVM、KNN以及PNN四种分类器作为基分类器,再结合集成学习算法构造Stacking 集成学习模型,实现对滚动轴承多种故障类型的预测分类。实验结果表明,相比较各个单一分类器,Stacking-SVM集成模型的诊断性能更优,诊断准确率为98 %。同时将该集成模型在不同工况下进行实验及抗噪实验,均能达到较高的诊断准确率。可见该集成模型的故障诊断性能稳定,具有一定的鲁棒性和泛化能力。     

基于MSSA-SVM的电缆隧道故障预警系统设计

为了实现电缆隧道环境的在线监测和故障报警,提高电缆隧道监测系统的智能化水平,提出了一种基于多特征麻雀搜索算法（multi-feature modified sparrow search algorithm, MSSA）优化支持向量机（support vector machines, SVM）的故障预警系统。首先,对故障数据集进行归一化预处理;其次,建立多分类SVM模型,用MSSA对SVM进行参数寻优,从而建立MSSA-SVM模型,并将训练好的MSSA-SVM模型嵌入故障预警系统的数据库服务器中,对实时采集的数据进行在线监测、诊断,并及时报警;最后,通过实验验证了MSSA-SVM模型的有效性,并将其与麻雀搜索算法（sparrow search algorithm, SSA）、灰狼优化算法（grey wolf optimization, GWO）和粒子群算法（particle swarm optimization, PSO）进行对照实验,实验结果表明,MSSA-SVM模型的故障识别准确率最高,其识别准确率可达95%。研究结果为有效提高电缆隧道在线监测的智能性和准确性提供了参考。     

基于自适应深度卷积神经网络的发射车滚动轴承故障诊断研究

作为发射车的关键组成部件,滚动轴承的工作环境复杂,故障诊断困难。提出一种自适应深度卷积神经网络,针对传统CNN诊断方法存在的计算效率较低、参数调试需人工经验指导等问题,采用粒子群优化算法确定CNN模型结构和参数,应用主成分分析法将故障诊断特征学习过程可视化,评估其特征学习能力。将提出方法应用于发射车滚动轴承故障诊断,对比标准CNN、SVM、ANN诊断方法,10种工况的诊断结果表明,提出方法诊断精度高且鲁棒性好。     

混合特征驱动的滚动轴承智能故障诊断方法

针对采用传统特征指标进行故障诊断准确率较低的问题,提出了一种基于混合标度律特征和改进支持向量机的滚动轴承智能故障诊断方法。首先,利用超阶分析得到指示故障的标度律指标,并将其与常规特征指标相结合构造混合特征指标矩阵,提升特征指标对故障的区分度。其次,采用支持向量机(support vector machines, SVM)对构造的混合特征矩阵进行分类,利用粒子群优化算法对SVM中重要参数进行优化。最后,利用滚动轴承试验台对提出的滚动轴承智能故障诊断方法进行验证。结果表明,与常规特征相比,利用构造混合特征指标得到的训练准确率提高了13%,测试准确率提高了23%。所提方法不仅能识别不同故障类型,而且能对同一故障不同损伤程度进行识别,有望进一步实现滚动轴承故障定量诊断。     

基于改进麻雀搜索算法的平面度误差评定方法

针对在平面度误差最小区域评定过程中易出现陷入局部最优、收敛速度慢和精度低的问题，提出了一种基于改进麻雀搜索算法(ISSA)的平面度误差评定方法。首先，采用具有更好遍历性的Kent混沌映射代替传统的Logistic混沌映射生成初始化种群，以增强算法的全局搜索能力；然后，应用一种基于光学透镜成像原理的反向学习策略以避免算法无法跳出局部最优；选用经典测试函数验证了ISSA算法的有效性，相对于SSA能够取得更好的寻优效果；最后，应用该方法对平面度误差进行评定，并与引用的其它方法进行比较。实验结果表明：基于ISSA算法的平面度误差评估方法用时0.488 4 s能够解得最小包容平面，与应用SSA算法相比减少了0.370 5 s,其计算精度与应用最小二乘法、遗传算法和粒子群算法的平面度误差评定方法相比分别减小了18.032 5μm、2.332 5μm、6.132 5μm。基于ISSA算法的平面度误差评估方法在优化效率、求解质量、计算精度和稳定性上均有优势，可应用于三坐标测量机等形位误差测量仪器。     

机载燃油泵故障诊断及实验平台研究

以机载燃油泵实时状态监测为背景,针对目前燃油泵故障数据少、诊断方法效率低、成本高等问题,研制了机载燃油转输系统实验平台,提出基于小波包分析和改进粒子群支持向量机(M-PSO-SVM)的故障诊断方法。该实验平台可针对燃油泵5种典型故障模式进行实验,测取泵故障状态下的振动信号和出口压力信号。利用小波包分解提取振动信号不同频段的能量值作为特征参数,并结合出口压力均值构造故障特征向量。提出混合遗传变异思想的粒子群算法对SVM分类模型进行参数优化,用得到的故障特征向量训练并验证该分类模型。实验分析表明,该实验平台可有效采集泵的故障信号,并且测试点可进一步优化,M-PSO-SVM在诊断速度、诊断精度等方面都优于传统Grid-SVM和GA-SVM,能够满足实际故障诊断的需求。     

基于LSSA-LSSVM的蚕茧解舒质量预测模型

针对煮茧工艺优化需根据解舒质量反复人工试煮而造成生产效率低、原料浪费等问题,基于LSSA-LSSVM算法,提出一种面向纤检机构真空减压煮茧工艺的蚕茧解舒质量预测模型。首先,提取蚕茧质量特性、真空减压煮茧工艺参数与解舒质量变量作为最小二乘支持向量机(LSSVM)的输入与输出变量。其次,引入拉丁超立方抽样方法(LHS)与Levy飞行策略优化原始麻雀搜索算法的初始化方式与位置更新方式,获得改进的麻雀搜索算法(LSSA)。最后,利用LSSA得到LSSVM的最优超参数组合(γ^*,σ^2*),建立解舒质量预测模型。实验结果表明,该模型预测准确率均值可达94.75%,预测时间均值为0.15 s,满足煮茧工艺精度与实时性要求,可用于煮茧工艺参数仿真优化,进而减少试煮次数,提高生产效率,该方法同时可推广至缫丝企业。