基于自适应共振解调技术的滚动轴承故障诊断

针对现有共振解调技术中高频共振中心频率及滤波带宽确定方法不成熟的问题,提出了自适应共振解调技术。利用经验模态分解将故障信号分解成若干个固有模态函数,通过信息熵最小的固有模态函数分量确定高频共振频率,自适应选取带通滤波器的中心频率和带宽。利用Hilbert变换对滤波后的信号进行解调分析,得到包含故障特征信息的低频包络信号,提取故障特征频率,实现故障辨识。与现有共振解调方法相比,自适应共振解调方法在工程实际中应用性更强。     

基于自适应共振解调的齿轮故障诊断方法

针对传统共振解调技术难以确定带通滤波器参数及受噪声影响较大,诊断效果不佳的问题,提出一种基于EEMD、信息熵和快速峭度图的自适应共振解调方法。该方法通过EEMD方法将故障信号分解成若干个固有模态分量,利用互相关系数方法自适应重构信号以突出故障特征信号,对信息熵最小的固有模态分量进行谱峭度分析,自适应确定带通滤波器的中心频率和带宽,最后对通过滤波的重构信号进行Hilbert包络谱分析。数字仿真实验和实测齿轮故障数据分析结果表明,该方法可以有效突出故障特征信号,证明了该方法的有效性。     

自适应扫频随机共振研究

研究了小参数随机共振和大参数二次采样随机共振应用的局限性，提出自适应扫频随机共振算法，通过自动改变信号采样频率和调整双稳系统的结构参数，实现了强噪声中弱信号的检测，达到工程应用的目的。实验研究表明，自适应扫频随机共振技术可应用于工程实际。     

基于自适应共振人工神经网络的焊缝类型自动识别方法

介绍一种用自适应共振人工神经网络自动识别焊缝类型的方法。该方法首先根据不同类型的焊缝对电弧光和激光光带的影响, 将弧焊焊缝划分为 ４ 种类型, 在此基础上, 确定焊缝的特征参数, 并组成训练样本数据库, 由此抽取焊缝图像特征。制做 Ａ Ｒ Ｔ２ 人工神经网络分类器, 将 ４ 类焊缝的权值保存在其长期记忆层, 在实际分类时, 用 Ｃ Ｃ Ｄ 摄像机将检测到的焊缝特征参数输入, 处理后得到焊缝类型。对实时焊接过程中的焊缝进行跟踪实验, 跟踪精度在±０５ ｍ ｍ 之内。     

基于tsPSO算法的阵列自适应随机共振方法研究

针对传统随机共振方法存在的单级自适应随机共振方法输出响应信噪比低、参数自适应时间长且阵列随机共振方法参数设置困难等不足,提出了一种基于带极值扰动的简化粒子群(Extremum Disturbed and Simple Particle Swarm Optimization,tsPSO)算法的阵列自适应随机共振方法,实现了强噪声背景下大参数微弱信号的有效、快速检测。首先,采用并联随机共振系统,通过对各子系统的输出响应进行自相关分析并合成提高最终输出响应的信噪比;其次,在每个并联子系统中,通过随机共振系统级联的方式进一步提高输出响应的信噪比;最后,以信噪比为适应度函数,对每个子系统的参数进行自适应选择,并通过变换尺度分段搜索和采用ts PSO算法缩短参数自适应的时间。仿真实验和工程应用结果验证了该方法的有效性。     

基于反向随机共振的衰减振荡信号自适应检测

衰减振荡信号作为暂态信号的主要形式广泛存在于多个领域。针对噪声环境下衰减振荡信号的识别检测问题,提出了一种基于双稳系统及量子粒子群寻优的自适应反向随机共振检测方法。该方法选取脉冲形式的输出信号作为最优随机共振检测结果,采用峭度或加权峭度作为寻优算法的适应度函数,实现了系统参数的自适应选取,进而识别出原始信号中衰减振荡信号的具体位置。该方法利用衰减振荡信号的单边特性,通过在时域上对输入信号进行反转,降低了信号的位置识别误差。基于仿真衰减振荡信号与水下气体泄漏声学信号对本文方法进行了测试,结果表明本文方法能够在噪声环境下实现对衰减振荡信号的自适应检测,相比现有方法具有更好的信号位置识别精度,可应用于水下气体泄漏检测等多个领域,具有良好的工程应用前景。     

基于人工蜂群优化的自适应图像增强方法

结合人工蜂群优化算法和非完全Beta函数,将人工蜂群算法作为优化问题寻找最优解,提出基于人工蜂群优化的自适应图像增强算法。通过人工蜂群优化算法并行搜索非完全Beta函数的最佳参数,从而确定最优的灰度变换曲线;引入适应度函数来指导人工蜂群的搜索运动,以此实现图像对比度的自适应增强。仿真试验结果表明:与直方图均衡化、反锐化掩模算法相比较,本算法的灰度分布更加均匀,对比度明显,视觉效果更好且适用性强。     

基于自适应共振理论的磨削过程砂轮锋利度识别研究

讨论利用外圆切处磨削循环过程中，初磨阶段持续时间和工件每转实际磨削深度变化规律与砂轮锋利度密切相关这一特性，通过建立自适应共振网络（ＡＲＴ）模型对磨过程工件实际每转磨削深度变化规律的信息进行分类处理，实现磨削过程砂轮锋利度的在线识别，对实际磨削过程中多种工艺参数变化的情况下砂轮锋利度的进行在线识别，该实对复杂的磨削过程，可以有效地识别砂轮的锋利度。     

基于单稳态随机共振的冲击信号自适应检测方法研究

针对强背景噪声环境下微弱故障冲击信号特征提取困难等问题,对单稳态随机共振系统和衡量指标等方面进行了研究,对低速回转支承的故障诊断策略进行了分析,提出了一种基于单稳态随机共振的冲击信号自适应检测方法。考虑到系统参数的关联性,利用灰狼优化算法(GWO)对系统的多个参数进行了优化,实现了系统参数间的同步优化过程;并以加权负熵指标作为GWO的适应度函数,对仿真冲击信号和低速回转支承振动信号进行了状态监测与故障分析。研究结果表明:该系统方法简单易行、收敛速度快、参数优化效果理想,能够在强背景噪声环境下,有效地利用噪声能量来增强微弱故障信号,凸显仿真冲击信号的特性;能准确地诊断出低速回转支承故障模式,在工程实际中具有良好的工程应用前景。     

基于MOMEDA与CS自适应随机共振的滚动轴承微弱故障特征提取

针对调节非线性系统参数的取值会影响输出信噪比(SNR)的大小这一现象,采用信噪比(SNR)作为随机共振输出评价指标,提出将多点优化最小熵解卷积调整(Multipoint Optimal Minimum Entroy Deconvolution Adjusted,MOMEDA)与布谷鸟自适应随机共振相结合的方法来提取微弱故障特征频率,仿真分析表明将MOMEDA作为随机共振前处理能够显著提升故障微弱信号,而实验实例验证进一步表明将MOMEDA方法与随机共振相结合能有效地从存在强噪声的信号中提取弱故障信号的特征频率,从而实现滚动轴承弱故障的诊断.     

基于软竞争Yu范数自适应共振理论的轴承故障诊断方法

传统自适应共振理论网络模型利用硬竞争机制对故障类边界处的样本进行分类时易造成误分类,为此,提出了基于软竞争Yu范数自适应共振理论的轴承故障诊断方法。将基于模糊竞争学习的软竞争方法引入Yu范数自适应共振理论模型中,根据模式节点与输入样本间隶属度的大小,对竞争层多个节点进行训练和学习。通过对轴承故障试验数据的诊断分析可知,该方法不但能有效识别不同类型的故障,而且能识别不同严重程度故障,且诊断精度优于自适应共振理论模型和模糊C均值聚类模型。     

人工肌肉自适应预测控制

人工肌肉是一种广泛应用于医疗机器人、工业机器人等领域的柔性驱动器.本文采用零极点配置自适应预测控制方案,对系统的滞后进行了补偿,试验结果表明,该方案能有效地提高人工肌肉系统的控制速度和控制精度.     

冲击信号的随机共振自适应检测方法

针对冲击信号的检测问题,在分析峭度指标和互相关系数衡量冲击信号的优势与不足的基础上,构造加权峭度指标.该指标兼顾两者的优势,弥补它们各自的不足.将加权峭度指标与变尺度随机共振相结合,提出了一种冲击信号的自适应随机共振检测算法,该算法被用于仿真冲击信号与实际工程中的微弱冲击信号的检测,结果表明所提方法有效提高了信噪比,还避免了漏峰现象.同时,所提的优化指标与随机共振算法独立,对其他冲击信号自适应算法也有参考价值.     

自适应随机共振技术在图像复原中的应用

为了优化强噪声背景下图像复原的效果,将随机共振原理应用于图像复原。通过添加最佳噪声的方法来实现随机共振,从而达到比较满意的复原效果,并提出了一种自适应算法。实验结果表明,在信噪比很低时,该方法优于传统方法,为强背景噪声下的图像复原、目标识别和图像理解等应用提供了一种新的思路。     

基于自适应模糊神经推理网络的交通流量预测研究

交通流量预测的本质是对具有非周期性、非线性和随机性的交通流量数据序列根据当前和历史数据特征对未来流量态势做出合理的判断。基于模糊神经推理网络的非线性拟合能力和推理机制,研究了自适应模糊神经推理网络ANFIS在交通流量预测中的应用。设计了3种形式的一阶模糊推理网络,对采样周期分别为30 s和2 m in的非周期性交通流量进行了预测计算,与具有不同隐层单元的BP神经网络预测结果进行了比较。结果表明自适应模糊神经网络计算简单,在交通流量趋势预测方面优势明显。     

基于自适应神经模糊推理系统的柴油机故障诊断与探析

随着科学技术的发展,对机器故障的诊断和治理的方法也不断推新。在解决柴油机故障问题的过程中,采用ANFIS(自适应神经模糊推理系统)作为诊断分析系统是十分有效的,还可以根据其构建起有效的诊断模型;但是,故障的实际诊断值与模型的既定识别值存在一定的误差,影响了故障诊断效果。本文主要结合ANFIS理论,对柴油机故障诊断进行了详细探究与讨论。     

基于自适应随机共振和稀疏编码收缩算法的齿轮故障诊断方法

针对强背景噪声下齿轮故障冲击特征提取问题,提出了一种基于自适应随机共振和稀疏编码收缩算法的齿轮故障诊断方法。该方法选用相关峭度作为随机共振检测周期性冲击分量的测度函数,借助遗传算法实现信号中周期性冲击特征的自适应提取;在此基础上,利用稀疏编码收缩算法对随机共振检测结果做进一步降噪处理,从而凸显冲击特征,提高故障识别精度。试验和工程实例分析结果表明,该方法可实现齿轮故障冲击特征的增强提取,为齿轮故障诊断提供依据。     

基于遗传算法的自适应随机共振与VMD分解的轴承故障诊断方法

随机共振（Stochasticresonance,SR）在处理实测轴承故障信号时需满足绝热近似条件,即需满足小参数信号（信号幅值、信号频率、噪声强度远小于1）,这一问题极大地制约了对实测振动信号的检测,针对这一现象,提出基于遗传算法的自适应变尺度随机共振与变分模态分解（Variationalmodedecomposition,VMD）的轴承故障诊断方法。首先,设定合适的压缩比R将实测信号进行压缩,使其满足小参数条件;然后,定义信号的输出信噪比为目标函数,利用遗传算法（Geneticalgorithm,GA）对变尺度随机共振的结构参数a和b进行同步优化,选取最优值代入变尺度随机共振中对实测信号进行消噪处理;最后,将降噪信号进行VMD分解,从分解得到的各IMF分量的频谱图中识别轴承故障特征频率。对实验数据分析的结果表明,该方法可有效地提高轴承故障诊断的准确度。     

基于VMD的自适应随机共振在滚动轴承早期故障检测中的应用

针对滚动轴承早期微弱故障难以检测的问题,提出一种基于变分模态分解（Variationalmodedecompsition,VMD）的自适应随机共振轴承故障检测方法。首先对滚动轴承的振动故障信号进行VMD分解,得到有限个本征模态函数（Intrinsicmodefunction,IMF）,选取包含故障特征的IMF分量并进行信号重构;将重构信号输入随机共振系统,采用以改进加权峭度为目标函数的量子粒子群算法,优化系统结构参数,得到最佳共振输出,从而实现降噪和增强故障特征的目的,最后通过输出信号的自相关包络谱提取故障特征频率。实测数据的分析结果验证了该方法的有效性和优势。     

自适应概率神经网络结构损伤检测

由于用人工神经网络进行结构损伤检测会受到环境噪声的影响，故提出了运用概率神经网络（PNN）进行结构损伤检测的方法和基本原理，并通过一个两层框架的模型对PNN和传统的BP网络的损伤识别精度作了对比。针对基本PNN的不足之处，提出了自适应PNN，并将其损伤识别精度与基本的PNN进行比较。研究发现，运用PNN进行结构损伤识别精度要优于传统的BP网络，而且自适应PNN要比基本的PNN精度高。