多蚁群分级优化的多目标求解方法*

为提高多目标优化方法的求解性能,在给出了蚁群算法优化函数类问题求解方法的基础上,提出了基于多蚁群分级优化多目标问题的求解方法。构建了子蚁群以自身启发式信息及以其他子群的启发式信息获得准Pareto解以及采用各子群的每一只蚂蚁获得的准Pareto解作支配判断,从而提高Pareto解的多样性;构建了父蚁群以准Pareto解作为空间节点构成TSP类似的组合优化问题,其求解结果以获得多目标优化问题的Pareto解的前沿,从而提高Pareto解的均匀分布性。通过优化实例验证,结果表明,多蚁群分级优化的多目标求解方法     

基于小波分析的轴承故障诊断和分析

故障特征提取与表示关系到故障诊断的可靠性和准确性,是机械设备故障诊断中的关键问题,而且是机械设备故障诊断的瓶颈所在。应用小波分析理论,针对旋转机械体轴承这种典型部件,对于他们的故障特征进行提取、表示以及判断。     

基于小波包分解和EMD-SVM的轴承故障诊断方法

针对轴承振动信号具有的非平稳和故障诊断样本数据难以按需获取的问题,设计了一种基于小波包分解和EMD SVM的故障诊断方法;首先,采用Mallat塔式算法对信号进行降噪,实现信号的小波分解,获得重构后的故障诊断子频带信号;然后,在经典的EMD算法的基础上定义了改进的EMD算法,采用改进的EMD算法对经过小波包降噪的故障诊断子频带信号进行特征提取,从而获得故障诊断特征向量;最后,采用适合小样本分类的SVM进行故障诊断,将经过小波包降噪和EMD特征提取的样本数据用于训练SVM,得到用于故障诊断的多个二分类SVM故障诊断模型,通过投票机制来确定样本数据最终对应的故障诊断类别:在Matlab环境下对轴承故障诊断进行实验,实验结果证明了文中基于小波包和EMD-SVM的方法一种适用于小样本的故障诊断方法,且与其它方法相比,具有诊断效率高和精度高的优点.     

基于人工免疫的多目标优化研究综述*

免疫启发的多目标优化算法近来逐渐受到研究者的关注,免疫系统由于其固有优点成为继进化算法之后又一个成功的启发式搜索策略研究方向。首先给出了多目标优化和免疫算法的基础概念和常用术语,深入分析了现有的各种基于免疫网络的免疫优化算法和基于克隆选择的免疫优化算法,阐述了算法的特点及改进,重点描述了免疫优化算法在实际应用中的研究;在介绍了免疫优化算法的收敛性理论证明和免疫优化算法的评价方法之后,阐述了免疫优化算法目前的研究热点和趋势。     

基于KNN-EMD算法的机车轴承故障诊断方法

机车滚动轴承发生故障时信号是非平稳的,故障发生在不同部位时,其振动信号能量分布不同.传统KNN算法中,欧式距离主要针对空间中两样本点间的距离计算,对空间中不同位置分布间的相似性度量难以实现有效判断.针对上述问题,将一种相似度度量Earth Mover's Distance (EMD)引入到KNN算法中,代替传统的欧式距离对故障部位进行分类.该上述方法使用'db3'小波对轴承震动信号进行三层小波包分解,并计算第三层各结点能量作为该信号的能量分布特征.计算能量分布间的EMD,根据EMD大小对分布间的相似度进行判断.结合KNN中多数表决分类决策对故障部位进行定位.仿真结果表明,所提方法诊断准确率达到99.23％,相较于传统KNN诊断方法在诊断准确率上提升了0.77％.该方法能够准确有效地诊断滚动轴承故障,可以应用到工业生产中.     

多目标微粒群优化算法及其应用研究进展*

多目标微粒群优化(MOPSO)算法是一类基于群体智能的新型全局多目标优化方法,已受到广泛关注,并在许多领域得到应用。针对近几年来MOPSO算法及其应用的进展进行了综述和评论。首先描述了MOPSO算法的基本框架;接着对MOPSO算法进行了分类和分析,并给出了MOPSO算法的一些改进策略;然后介绍了MOPSO算法的应用进展;最后,展望了MOPSO算法值得进一步研究的方向。     

轮对轴承安全域增量建模方法

安全域是一种从域的角度描述轮对轴承可安全运行区域的定性模型.然而,高速列车运行状态的样本数据通常是正常样本,故障样本的缺乏意味着只能使用正常样本进行安全域建模.支持向量数据描述是一种单分类方法,可以只利用一类样本进行建模.现有的滚动轴承安全域建模方法基本采用的是批量学习算法,而在样本数据不断增加的情况下,批量算法的效率低下.因此,本文将增量支持向量数据描述方法引入轮对轴承的故障诊断领域,提出了一种基于样本增量学习的高速列车轮对轴承安全域的建模方法 .实验结果表明,相比于传统批量学习算法,本文提出的方法在轮对轴承安全域的建模中更加高效,并且分类准确率基本不受影响.     

基于多轮PSO算法的中长期动态优化配矿研究*

中长期动态优化配矿是研究如何制定在一个较长时期内采矿顺序与配矿的问题,是一个高度非线性受限条件下的多目标优化问题。采用多轮粒子群算法(particle swarm optimization algorithm, PSO)来求解矿山企业动态配矿问题。首先,依据开采条件圈定出可开采的矿块,并给出预测的产品价格趋势结果作为算法的输入条件;然后,通过对PSO算法轮的划分以确定每轮的动态配矿方案,经过多轮PSO算法优化后的最终目标为中长期动态配矿的优化结果。在PSO算法中用粒子的一位来代表矿块,并用0或1来代表选择     

基于进化算法的多目标优化方法

进化算法在解决多目标优化问题中有其特有的优势.首先对多目标优化问题进行了描述;然后结合研究现状讨论了目前几种主要的基于进化算法的多目标优化方法,以及它们的优缺点;最后给出了多目标进化优化算法的一些应用,以及进化多目标优化算法的未来发展方向.     

K值优化的VMD在轴承故障诊断中的应用

由于机械设备实际运行状态下环境噪声的影响,轴承早期非平稳振动信号的故障特征难以有效提取。为此,将K值优化的变分模态分解引入轴承的早期故障诊断方法中。首先利用小波包降噪法对轴承实际振动信号进行降噪;然后利用K值优化的VMD算法,通过合理设置参数K,将降噪信号分解为若干本征模态分量,利用峭度值选取最佳分量;最后提取最佳分量的样本熵和排列熵组成特征向量,利用模糊C聚类识别轴承的故障类型。实验结果表明,该方法避免了信号的过分解,能有效提取振动信号特征,实现轴承的早期故障诊断。     

基于深度小波去噪自动编码器的轴承智能故障诊断方法

针对原始振动数据无监督特征学习问题,提出一种深度小波去噪自动编码器与鲁棒极限学习机相结合的滚动轴承的智能故障诊断方法.利用小波函数作为非线性激活函数设计小波去噪自动编码器,从而有效地捕获信号特征;利用多个小波去噪自动编码器构造一个深度小波去噪自动编码器来增强无监督特征学习能力;采用鲁棒极限学习机作为分类器,对不同的轴承...     

基于信息理论的故障诊断方法

本文从信息理论的观点出发,提出了确定最优故障检测点的方法.该方法可有效地减少故障诊断所需的检测点数,并为科学地选择故障检测点提供依据。通过一个典型故障诊断例子说明了该方法的有效性。     

基于改进的粒子群优化的神经网络故障诊断方法研究

针对BP(Back Propagation)神经网络易陷入局部极值的缺点,提出了一种粒子群PSO(Particle Swarm Optimization)神经网络,同时为避免PSO算法早熟,对部分粒子采用变异操作。应用于故障诊断系统的仿真结果表明,该算法能够大大提高故障诊断的精度。     

ADAPTIVE MULTI-OBJECTIVE OPTIMIZATION BASED ON NONDOMINATED SOLUTIONS

An adaptive hybrid model (AHM) based on nondominated solutions is presented in this study for multi-objective optimization problems (MOPs). In this model, three search phases are devised according to the number of nondominated solutions in the current population: 1) emphasizing the dominated solutions when the population contains very few nondominated solutions; 2) maintaining the balance between nondominated and dominated solutions when nondominated ones become more; 3) when the population consists of adequate nondominated solutions, dominated ones could be ignored and the isolated nondominated ones are allocated more computational budget by their crowding distance values for heuristic search. To exploit local information efficiently, a local incremental search algorithm, LISA, is proposed and merged into the model. This model maintains the adaptive mechanism between the optimization process by the online discovered nondominated solutions. The proposed model is validated using five ZDT and five DTLZ problems. Compared with three other state-of-the-art multi-objective algorithms, namely NSGA-II, SPEA2, and PESA-II, AHM achieves comparable results in terms of convergence and diversity metrics. Finally, the sensitivity of introduced parameters and scalability to the number of objectives are investigated.     

一种实现故障定位技术的研究

1　问题的提出故障诊断的主要目的是实现故障预防或故障发生时的定位、机理分析与故障保护和隔离等,实现故障定位是故障诊断的关键内容之一.由于神经网络的学习特性和对非线性对象的描述特性,因而被广泛应用在故障诊断这样的智能领域.然而从以往文献看[1,2],主要是将对象作为黑箱来研究.若网络结构简单则不足以描述对象,网络结构复杂则训练速度太慢,不适合在线动态诊断.神经网络诊断系统是一个神经网络专家系统,将诊断推理转变为网络的静态计算过程,这是一种基于浅知识的诊断方法[3].上述方法在实现故障定位时相当困难,已知的定位方法往往要…     

基于平均空间的故障检测与诊断

本文针对故障检测与诊断中存在系统不确定性问题,应用空间近似法提出一种直接求 取残差增益使残差与系统不确定性最大限度解耦的方法,并提出区分执行机构故障和传感器 故障的方法,最后给出了仿真结果,仿真证明该方法具有计算量小、检测诊断可靠等特点．     

一种基于滑模—神经网络观测器的故障检测和诊断方法

本文针对一类非线性系统，提出了一种用于故障检测和诊断的滑模观测器方法．其 中，观测器中的滑模项保证了该系统在无故障情况时的鲁棒性，并且系统运行的滑动区域提供了故障检测的条件．当检测出故障之后，观测器中的故障估计部分被启动，利用RBF神经网络估计故障，从而能在线辨识故障的形态．仿真结果验证了该方法的有效性．     

基于谐波小波包和IAGA-SVM的滚动轴承故障诊断

传统方法在诊断滚动轴承故障时受人为因素影响,故障成因复杂,因此在已有理论上提出一种基于谐波小波包和自适应支持向量机相结合的捣固车故障诊断方法。谐波小波包对不同故障下的振动信号展开分解及重构后所提取的频带能量即为特征向量,再把特征值输入支持向量机(SVM)模型中训练并对核函数和惩罚系数进行优化。用自适应支持向量机构建从特征向量到故障类型间的对应,从而完成滚动轴承故障的诊断。该方法能高效准确地诊断出故障类型且有实用价值。通过与GA-SVM及AGA-SVM对比,证明此方法在故障诊断领域中的卓越性。     

基于谐波小波包和DAG-RVM的滚动轴承故障诊断

针对传统滚动轴承故障诊断方法受人为因素影响较为严重,故障成因相对复杂等问题,在现有的研究基础上提出一种基于小波包分析和有向无环图相关向量机相结合的故障诊断方法。将滚动轴承在不同的故障条件下的振动信号进行谐波小波包分解与重构,提取频带能量作为特征向量,应用有向无环图相关向量机建立从特征向量到故障模式之间的映射,最终做到对滚动轴承的故障诊断。结果表明,该方法能够快速准确地诊断出滚动轴承故障,验证了该方法的有效性和稳定性。此外,通过与支持向量机(SVM)的对比分析,显示了RVM在智能故障诊断应用中的优越性。     

基于集团的系统级故障诊断研究

本文首次在系统故障研究域提出了集团的概念，讨论了集团的性质，并研究了基于集团的系统故障诊断的可诊断特性。本文还详细论述了基于集团的一步ｔ可诊断算法及求集团算法，并论证了算法的正确性与完备性。