免疫神经网络在故障诊断中的应用

利用生物免疫学的原理,将神经网络和免疫算法结合起来,形成免疫神经网络,并应用于电液伺服阀的故障诊断中.结果表明,免疫神经网络能够以较小的网络规模实现对多种故障模式的准确识别,具有高效率、容错性能好和强大的自适应能力.     

免疫蚂蚁算法优化的RBF网络用于模拟电路故障诊断

针对传统蚂蚁算法中出现的易停滞现象,引入免疫机制,提出了一种新的融合算法,即免疫-蚂蚁算法,用其对RBF网络中心参量进行优化,并将优化后的模型用于模拟电路故障诊断。详述了算法原理,构造网络模型的步骤以及故障诊断步骤,并给出了仿真实例。仿真结果表明该方法可以有效克服基本蚂蚁算法的缺陷,优化得到的RBF网络实现了对隐层中心参量的自适应获取,提高泛化能力,用于故障诊断有速度快、准确率高的特点。     

浅谈BP神经网络在滚动轴承故障诊断中的原理及应用

滚动轴承是动力设备的重要零部件之一,其故障具有类型多、特性多的特点。为提高滚动轴承故障诊断的效率和准确性,本文介绍了BP神经网络算法在滚动轴承故障诊断中的原理及有关应用,同时分别介绍了经过粒子群优化和Pearson相关性分析优化的改进BP神经网络在滚动轴承故障诊断中的应用。     

数控机床故障诊断关联规则挖掘方法研究

基于历史维修数据挖掘故障模式与故障原因之间的关联规则,是进行数控机床故障诊断和预防性维修的重要过程。采用改进的频繁项集挖掘算法,研究数控机床故障诊断关联规则挖掘方法。在阐述关联规则相关概念和挖掘原理的基础上,构建了数控机床故障诊断关联规则挖掘概念模型;针对传统挖掘算法执行效率低且产生大量候选项集的不足,提出改进的频繁项集挖掘算法,并给出了算法流程;根据数控机床故障特点,计算频繁项集及其非空子集的支持度和置信度,生成故障诊断的关联规则。最后,以挖掘数控机床刀架系统故障模式与故障原因之间的关联规则为例,验证了所提理论和方法的有效性。     

基于改进SVM的数控机床在线实时诊断系统设计

结合故障诊断需求,提出一种改进SVM故障诊断与预警系统.结合故障诊断原理,对系统整体架构进行部署;选择7202AC型角接触球轴承故障特征作为研究对象,通过传感器对故障特征进行采集;通过时域、频域和时频域特征提取,完成对故障信号的预处理;然后利用遗传算法对传统SVM惩罚因子C和g进行优化,以此完成对不同故障类型的识别.最后,结合MATLAB软件和Python编程语言,对改进算法进行系统实现,验证了改进算法的可行性.     

基于改进蜂群算法优化支持向量机的故障诊断

针对支持向量机(Support Vector Machine,SVM)的故障诊断性能受参数选择影响较大的问题,提出了基于改进蜂群算法(Improved Artificial Bee Colony,IABC)优化SVM的故障诊断方法。为提高ABC算法的寻优能力,引入Levy飞行策略,对原始蜂群算法进行了改进。利用改进的ABC算法进行SVM参数的优化,可以有效地提高SVM的分类性能。滚动轴承不同类型、不同程度故障诊断的实例表明,与ABC、GA和PSO等方法相比,IABC算法能够获得更优的参数组合,提高了SVM的故障诊断准确率,可有效应用于故障诊断。     

系统干扰分布阵未知的GPS/SINS故障诊断算法

针对系统模型不确定性、未知输入扰动,为对干扰解耦以及不依赖系统未知输入扰动分布阵先验信息,提出了系统干扰分布阵未知的GPS/SINS(global positioning system/strapdown interial navigation system)故障诊断算法.设计了MEP-UIO(model error prediction-unknow input observer)故障诊断观测器,改进了传统未知输入故障诊断观测器(UIO)假设系统未知扰动分布阵已知的不足;利用凸二次规划最优化原理,构造了关于未知扰动分布阵的目标函数,提出了满足目标函数最小的未知输入扰动分布阵的最优估计算法以及状态估计误差方差最小的故障诊断系统增益阵设计方法.仿真结果表明,提出的MEP-UIO故障诊断观测器设计算法相比传统Kalman滤波精度更高,验证了该故障诊断算法的有效性.     

基于免疫算法的暖通空调系统传感器故障诊断研究

针对暖通空调系统传感器故障诊断时,无法获取精度较高的传感器特征,导致诊断结果与实际结果不符的问题,提出一种基于免疫算法的暖通空调系统传感器故障诊断方法,通过对传感器信号的频域和时域特征计算,获取传感器信号特征,据此构建传感器信号观测器,比较传感器与滤波器的输出残差,构建暖通空调系统传感器故障诊断模型.采用免疫算法对构建...     

基于改进果蝇优化算法优化支持向量机的故障诊断

为提高支持向量机(SVM)在机械故障诊断中的精度,对果蝇优化算法(FOA)进行改进,提取了一种基于改进果蝇优化算法优化SVM的故障诊断方法。改进果蝇优化算法(IFOA)中果蝇个体在进行位置更新时,融入了历史位置信息,在增加果蝇种群多样性的同时,又使算法具有了跳出局部最优的能力,进而可以获得更优的SVM参数以增强SVM分类性能。齿轮故障诊断实例验证了IFOA算法提升了SVM的识别效果,相比于其他一些方法更有优势。     

基于模块性准则函数的模糊免疫网络聚类算法及其在故障诊断中的应用

为了改善免疫网络聚类算法的效果,进一步提高算法的数据浓缩率和分类正确率,设计新的抗体变异策略和独特型网络调整机制,提出免疫网络聚类新算法。首先,借鉴Timmis的人工识别球概念,结合模糊理论,构造独特型模糊免疫识别超球对抗体网络实现更新,并利用复杂网络中反映社群结构特征的模块性指标,构造模块性聚类准则函数,提出基于模块合并的记忆抗体提取算法,实现抗体网络的自适应压缩;其次,基于免疫网络聚类策略,提出基于模块性准则函数的模糊免疫网络聚类算法,UCI数据集的试验分析表明,该算法能够获取合理的记忆抗体网络,提高了算法的数据浓缩率和分类正确率;最后,将算法应用于一个四级往复式压缩机的故障诊断中,与aiNet等免疫网络聚类算法相比,获取较高正确率的同时大大提高了浓缩率,对故障诊断具有重要意义。     

蚁群神经网络在齿轮箱故障诊断中的研究与应用

在ACO算法原理及框架的基础之上,将蚁群优化算法引入到神经网络的训练中来,提出了ACO训练神经网络的基本原理和方法步骤,并应用于发动机齿轮箱故障的故障诊断。本文采取经典的“频域”分析方法对齿轮箱进行故障诊断,并建立了基于蚁群神经网络的齿轮箱故障诊断模型。结果表明,用ACO算法训练的神经网络具有较高的故障诊断精度,可以有效地诊断齿轮箱中的故障,提高了诊断的效率和质量。     

改进蝴蝶算法优化核极限学习机的柴油机故障诊断

为提高柴油机故障诊断的精度和效率,提出一种基于改进蝴蝶算法(IBOA)优化核极限学习机(KELM)的柴油机故障诊断方法。考虑到KELM的诊断精度受参数影响较大的实际,在研究蝴蝶算法(BOA)的基础上,提出IBOA算法对参数进行优化选择,以提高KELM的故障诊断性能。柴油机故障诊断实例表明,所提方法在提高柴油机故障诊断精度的同时,减少了耗时,比其它几种方法的效果更好,具有一定的优势。     

OMA和QICA技术在齿轮箱故障诊断中的应用

通过对齿轮箱振动机理学习和LMS齿轮箱模态实验分析,运用工作模态分析技术(OMA)进行了齿轮箱故障诊断的研究,并针对实验得到的振动信息存在信噪比低、信号混叠等问题,引入了量子独立分量分析(QICA)理论,即将量子优化原理应用于独立分量分析中的改进算法,并提出了基于量子独立分量分析方法的信号特征提取计算,用BP神经网络进行识别,达到故障诊断目的。     

GA-ACO优化BP神经网络在行星齿轮箱故障诊断中的应用

针对目前利用优化算法改进的BP神经网络算法对行星齿轮箱进行故障诊断过程中存在的故障识别率低、收敛速度慢和参数选择困难等问题,提出了一种用GA-ACO算法对神经网络参数进行优化的算法。给出GA-ACO-BP算法的基本原理和主要步骤,并将此方法应用到行星齿轮箱的故障诊断中。比较了ACO-BP神经网络算法和GA-ACO-BP算法的性能。结果表明,ACO优化BP神经网络算法对行星齿轮箱的故障诊断收敛速度慢且识别精度不高,而GA-ACO-BP算法能够对行星齿轮箱故障进行准确、快速的诊断和识别。     

OMA和QICA技术在齿轮箱故障诊断中的应用

通过对齿轮箱振动机理学习和LMS齿轮箱模态实验分析,运用工作模态分析技术(OMA)进行了齿轮箱故障诊断的研究,并针对实验得到的振动信息存在信噪比低、信号混叠等问题,引入了量子独立分量分析(QICA)理论,即将量子优化原理应用于独立分量分析中的改进算法,并提出了基于量子独立分量分析方法的信号特征提取计算,用BP神经网络进行识别,达到故障诊断目的。     

改进的协同粒子群优化算法的研究与应用

为增强现有PSO算法和协同粒子群优化算法的优化性能,提出了一种改进的协同粒子群优化算法及一种新的协同策略。该算法在进化过程中,将寻优粒子群分解为若干子分群,各子分群粒子利用本分群经验和整个种群经验进行搜索,既能在分群内部不断搜索,不迷失寻优方向,又能周期性地共享整群最优值引导粒子找到最好解。分解为多个子种群有利于维持种群的多样性,有效抑制局部最优现象发生。对经典复杂函数的寻优测试表明,改进算法的鲁棒性、收敛速度、精度及全局搜索能力均优于基本PSO算法。最后将改进算法用于建立基于神经网络的旋转机械故障诊断模型,设计了相应的故障诊断系统。结果表明,基于此算法的故障诊断系统具有诊断精度较高、稳定性能较好等特点。     

基于EMD和免疫参数自适应SVM的滚动轴承故障诊断

为实现滚动轴承故障的智能诊断,提出一种基于经验模式分解和免疫参数自适应支持向量机相结合的滚动轴承故障诊断方法.使用经验模式分解将故障信号分解为若干个本征模函数之和,然后通过定义的故障特征频率筛选函数,自动地从各本征模函数的包络谱中提取出包含轴承外圈、内圈及滚动体故障的特征向量.在特征提取的基础上,将改进的免疫克隆选择算法和K折交叉验证方法相结合,实现了支持向量机参数的自适应优化选取,并进一步训练得到免疫参数自适应支持向量机分类器.通过SKF6203滚动轴承数据实验表明,该方法能获得较高的故障诊断识别率.     

基于混沌步长果蝇算法优化支持向量机的齿轮故障诊断

为提高齿轮的故障诊断精度,同时针对果蝇算法(FOA)用于优化支持向量机(SVM)参数时存在陷入局部最优的不足,对FOA算法中搜索步长的确定方式进行了改进,以此提出了基于混沌步长果蝇算法(CSFOA)的齿轮故障诊断方法.齿轮故障诊断实例结果表明,CSFOA优化得到的SVM参数比FOA更优,有效地提升了齿轮故障诊断的精度,...     

免疫混沌粒子群算法及其在热工辨识中的应用

提出了一种基于免疫和混沌的改进PSO算法(ICPSO),该算法利用了混沌优化的多样性,结合免疫的克隆和交叉变异的原理来初始化和更新粒子群。仿真实验表明,相较于传统的PSO有收敛速度更快、精度更高、不易陷入局部最优的优点。最后采用ICPSO算法对两个典型函数的无约束极值问题和典型二阶传递函数模型辨识问题进行求解,验证了其收敛性和摆脱局部极值点的能力明显优于基本PSO算法。     

基于神经网络信息融合的柴油机故障诊断

本文论述了神经网络信息融合的原理与方法,首先就BP网络训练速度慢,易陷入局部极小点的问题,提出将附加动量项与自适应学习速率相结合的改进BP算法,有效地抑制了网络陷于局部极小并提高了收敛速度。最后,将振动信号与血管压力信号作为特征参数,分别采用传统BP算法,改进BP算法对供油系统的三种故障进行信息融合诊断分析。实践表明,神经网络信息融合方法非常适用于多征兆机械系统的故障诊断。