基于DE-SVM的风电机组高速轴承故障诊断

为减少风电机组传动链故障造成的重大损失和安全隐患,保证机组健康平稳运行,针对风电机组传动链轴承的故障诊断问题,提出一种基于差分进化算法改进支持向量机的故障诊断方法。利用集合经验模态分解方法对原始数据进行处理,提取有效的故障特征,实现信噪分离;采用差分进化算法对支持向量机关键参数进行优化以提高模型的泛化能力和预测精度;利用训练好的模型进行故障诊断。结果表明：所提方法具有准确性和有效性。     

生产调度和模具预防性维护集成优化研究

为平衡Flow Shop生产计划和关键资源模具维护活动之间的冲突,集成生产排序和模具维护双变量,同时以提前/拖后惩罚和模具利用率为目标,建立了生产调度和模具预防性维护的集成优化数学模型。提出基于可行解和不可行解的改进双种群差分进化算法,以及改进的交叉策略,对所建模型进行优化求解。在不同问题规模下,对比改进双种群差分进化算法和NSGA-II算法的实验结果,实验表明改进双种群差分进化算法可有效求解此类问题,在保证解的质量的基础上可大幅度提高运算速度。     

基于差分进化-灰狼优化算法的支持向量机连铸漏钢预报系统研究

针对小样本训练数据情况下BP神经网络模型难以获得较高预报准确率的问题，提出了一种基于差分进化-灰狼优化(DE-GWO)混合算法优化的支持向量机(SVM)模型，并将其应用到连铸漏钢预报系统领域。利用差分进化(DE)算法的交叉变异操作对灰狼优化(GWO)算法进行进化，得到DE-GWO混合算法，在解决了GWO易陷入局部最优问题的同时，提高了算法的寻优速度以及模型的准确性。结合某钢厂连铸生产数据，对DE-GWO-SVM漏钢预报模型进行测试。结果表明，该算法下的连铸漏钢预报系统的准确率为99.5%,报出率达到100%。     

基于改进自适应粒子群算法的机器人逆解研究

为提高结构复杂、自由度较高机器人逆运动学求解的准确性,提出了一种改进的自适应粒子群算法(IAPSO).首先,通过改进DH(Denavit-Hartenberg)参数法建立了6自由度臂型抓取机器人模型的运动学方程;其次,在已有粒子群算法的基础上,利用种群曼哈顿距离实时判定种群的进化状态,并根据进化状态的不同确定自适应学习...     

改进的差分进化算法及应用

差分进化算法(differential evolution algorithm,DE)是近年来比较流行的进化算法,鉴于其控制参数少、操作简单,被广泛应用于复杂的优化问题中.但常规的差分进化算法存在停滞现象,容易使算法收敛停止,鉴于此本文提出一种改进的差分进化算法,对算法提出另一个终止条件并且重新产生初始个体,时种群大小N,变异率F,交叉率CR其中的也可作调整,在计算过程中引入精英策略,既防止了停滞现象也加快了收敛速率并使算法能收敛到全局最优.通过几个计算典型测试函数,结果表明改进的差分进化算法在优化结果和收敛速度上都优于传统的差分进化算法,因此说明了改进的有效性.     

滚动轴承故障分形诊断中的信号处理

故障轴承振动信号具有非平稳和非线性的特征,因此可用关联维数来刻划其真实特性,但实测信号中的噪声影响了诊断的准确性.本文提出利用改进的小波包分解和重构算法对滚动轴承振动信号进行降噪处理.实验表明,该算法可有效提高轴承故障分形诊断的准确性和可靠性.     

基于改进DE算法的工业机器人时间最优轨迹规划

为提高工业机器人的工作效率,提出一种进行时间最优轨迹规划的新算法。通过对已知任务轨迹的关键点进行运动学反解,求解与之对应的关节空间位置序列,并采用5次非均匀有理B样条曲线构造关节运动曲线,能够保证机器人各关节位置的准确性,实现各关节运动的速度、加速度以及二次加速度的连续性。通过改进差分进化(Differential Evolution简称DE)算法,充分利用不可行解的信息,加强对边界的搜索,增强了算法的全局搜索能力。与遗传算法以及差分进化算法进行比较,利用该算法进行轨迹规划,结果显示该算法的搜索速度更快,所得的数值结果更小。     

改进的差分进化算法在约束优化问题中的应用

针对差分进化算法求解约束优化问题存在寻优精度差和收敛速度较慢的问题,提出一种改进的差分进化算法来求解约束优化问题.首先在初始化及进化过程中利用广义反向学习(GOBL)策略产生反向种群,提高搜索效率同时加快收敛速度;其次采用自适应权衡模型计算出个体的适应值并作排序处理;最后,改进的变异策略和个体选择机制执行变异操作提高多...     

基于改进BP神经网络的机器故障诊断技术研究

机器故障诊断技术进入智能化阶段,利用人工神经网络诊断故障模式的优势十分明显。传统BP神经网络存在收敛慢,容易陷入局部最小等缺陷,提出了基于批处理的变速率的BP求解方法。根据问题描述,改进了BP网络故障识别模型,并以拖拉机的减速箱为例,建立模型进行故障模式识别,比较改进BP与传统BP的误差曲线,论证方法有效。     

基于改进差分进化算法的伺服驱动系统摩擦参数辨识研究

非线性摩擦力是影响伺服驱动系统定位精度的主要因素之一,摩擦补偿技术可以有效抑制摩擦力对伺服驱动系统的影响。Stribeck摩擦模型作为一种常用的摩擦模型,能够比较精确的描述系统摩擦力的特性,其精确程度与摩擦参数的准确度密切相关,所以辨识摩擦参数的方法至关重要。论文以常规伺服驱动系统为研究对象,提出了一种基于改进差分进化算法的摩擦辨识方法,并与常规差分进化算法和遗传算法进行了仿真对比。辨识结果表明,基于改进差分进化算法的摩擦参数辨识方法辨识速度更快,精确度更高。     

面向多TASK基于有向图的故障诊断方法研究

针对飞机故障在系统内、系统间传播的机理,提出面向多TASK的功能有向图故障诊断方法,进行故障诊断优化设计和复训人员的高效培训.首先基于飞机手册建立了航线可更换组件的功能有向图模型,表征了故障传播关系,对其进行矩阵化处理,再利用可达分层法和节点深度结合进行层次化处理,最后基于全局风险影响度给出故障定位与剪枝算法,确定LRU的故障诊断优先级.对故障诊断方法进行实例化,结果表明该方法缩短了诊断的时间.     

基于边缘图注意力网络的轴承智能故障诊断

基于欧几里德空间的数据包含着节点和边的关系信息,比传统的欧几里得空间的数据具有更多信息。然而,传统的图卷积以及图注意力网路注重于节点信息的提取,对于边的信息利用不够充分。对此,通过结合可视图算法和边缘图注意力网络（EGAT）,将基于非欧几里德空间的不规则数据应用到轴承故障诊断领域。诊断过程分为两步：利用可视图算法将原始信号转化为图数据;利用EGAT对故障特征进行学习,然后即可进行故障诊断。实验结果表明：图卷积网络在单一轴承故障分类任务上能够达到 100%的准确率,表明所提出的方法对于轴承故障诊断具有明显的作用。     

图论框架下基于优化灰色关联度的机床故障定位与诊断

为有效降低机床故障发生概率,在图论理论基础上提出基于优化灰色关联度模型的机床故障诊断方法。联合故障传播有向图定义机床故障的表征形式,并引入灰色关联度算法模型确定故障之间的关联关系,实现对故障点的精确定位。从机床故障数据特征着手,建立完整的集成诊断机制,进而实现对机床故障定位与检测。以FB260型数控锁床滑枕进给系统为例,验证提出的故障诊断方法的有效性,并将其故障诊断定位结果与传统FMEA方法对比,结果表明提出方法的节点深度控制的一致性更优。     

基于GWO-CMFH和改进ResNet轴承故障诊断

针对不同程度的小分类轴承故障，现有故障诊断方法准确率不高的问题，提出基于GWO-CMFH和改进ResNet的滚动轴承故障诊断方法。对于同一类型不同程度故障，提出基于GWO自适应优化结构元素参数的CMFH滤波方法，增强振动信号的脉冲故障特征并抑制背景噪声；采用连续小波变换将滤波后的信号转换成二维时频图谱；最后，提出基于混合注意力机制改进的残差网络模型，提高轴承故障诊断精度。在西储大学、东南大学及所选轴承数据集上进行验证实验，不同故障程度的小分类诊断准确率分别达到99.73%、98.12%和99.07%,表明所提方法具有很好的抗噪性、鲁棒性，可提高滚动轴承不同故障程度的诊断效果。     

基于Blending多卷积神经网络模型融合的滚动轴承声学故障诊断方法

针对滚动轴承故障诊断中单一网络模型的不确定问题,并考虑到声信号非接触式测量的优势,提出一种多卷积神经网络(CNN)模型融合的滚动轴承声学故障诊断方法,采用多通道传声器信号对每一个CNN进行训练,然后采用Blending模型融合方法将多CNN模型进行融合,实现更精确、更可靠的故障诊断.通过半消声室内滚动轴承实验台的传声器...     

基于DPSO-BP的机械转子故障诊断

信号特征提取的方式直接影响故障诊断的结果,因此提出一种新的特征向量组合方式从而进行有效故障模式识别,以从原始信号中提取出能够最大程度地表征其所包含信息的信号特征。将经过经验模态分解后得到原始信号的有效IMF分量的能量以及信号的能量熵相结合作为特征向量。由于机械转子故障诊断缺失情况时有发生,提出采用DPSO算法优化BP神经网络的方法。该方法主要通过优化神经网络的初始权值和阈值的方式对BP神经网络进行改进。结果表明：与传统的BP神经网络模型相比,改进后的BP神经网络模型迭代次数大幅度减少,训练时长也相应缩短,模型的训练精度以及故障诊断的正确率也得到提高。     

基于Bi-GRU模型的航空发动机外部液压管路故障诊断研究

针对航空液压管路故障信号含有噪声干扰导致管路故障识别困难的问题，提出一种基于双向门控循环单元(Bi-GRU)的深度学习液压管路故障诊断方法。由Bi-GRU神经网络模型综合液压管路数据进行时序特征提取，基于同一含噪声的液压管路振动实测数据，输入到Bi-GRU、GRU、RNN、SVM、BPNN等5种故障诊断模型中进行训练。最后，为了进一步展示Bi-GRU模型对于航空液压管路不同故障类型特征的学习能力，利用t-SNE降维算法进行液压管路特征可视化。结果表明：基于Bi-GRU航空故障诊断方法能达到9960%的准确性，明显优于GRU等其他4种神经网络模型，Bi-GRU模型在含有噪声的液压管路数据上具备更出色的特征提取能力，可有效地提取出液压管路故障数据特征，从而实现了液压管路故障的智能化识别。     

基于优化VMD和BP神经网络液压管路故障诊断研究北大核心

针对航空发动机液压管路故障信号易受噪声干扰、管路故障诊断准确率不高等问题,提出基于优化变分模态分解和BP神经网络的故障诊断方法。利用遗传算法自适应确定变分模态分解K、α的最优参数,然后采用优化后的变分模态分解方法对航空液压管路的振动信号进行分解,最后将故障特征明显的故障分量输入BP神经网络模型中进行训练和分类。结果表明:提出的基于变分模态分解与BP神经网络的航空液压管路故障诊断方法能够精准识别出航空液压管路多种不同的故障状态。     

基于PLC-BP神经网络的流量计故障诊断

针对提高流量计可靠性的问题,提出使用BP神经网络进行故障诊断的方法,对流量计故障诊断进行了分析和设计;介绍了BP神经网络在故障诊断中的应用,并在Step7-300内部实现了BP神经网络。实验表明:运用此方法后诊断准确率可达90%以上。