谐波小波解调法在齿轮箱故障诊断中的应用

在研究谐波小波频段分解与Hilbert解调分析的基础上,提出了基于谐波小波包变换的解调分析法,并详述了其具体实现过程.该方法根据齿轮箱频谱特征与齿轮箱故障特征频率的理论计算值,确定所需提取的特征啮合分量,并在此基础上选择谐波小波包分解层数与所需提取的频带带宽;通过傅里叶变换及其反变换提取出相应的特征啮合分量,然后借助Hilbert算子对提取出的啮合分量进行包络解调分析.采用这种方法对存在磨损及点蚀故障的齿轮箱振动信号进行了分析,结果表明,基于谐波小波包的包络解调法具有精确提取任意频段调制信息的能力,能够为齿轮箱故障源的准确定位及故障程度提供可靠的判断依据.     

自适应动模式分解和GA-SVM在行星轴承故障分类中的应用

行星齿轮箱在运行过程中由于齿轮间的相互作用会产生强噪声,导致行星轴承的故障特征被完全淹没在背景噪声中并难以提取,从而使得行星轴承故障分类的准确率较低.本文提出一种自适应动模式分解(ADMD)和遗传算法优化支持向量机(GA-SVM)的行星轴承故障分类方法.首先,针对传统动模式分解(DMD)中截断秩无法准确选取的问题,定义了一种新的适应度函数,并采用改进的蚱蜢优化算法(IGOA)自适应选取最优截断秩,进而实现对原始振动信号的降噪处理.然后对处理后的信号计算其归一化后的复合精细多尺度离散熵(IRCMDE)并构成特征矩阵.最后采用遗传算法优化支持向量机,构建GA-SVM分类模型,并将其应用到行星轴承故障诊断中.利用行星齿轮箱中行星轴承故障数据验证了此方法的有效性和实用性,最终分类结果为96.43%,表明了该方法可以准确识别出行星轴承的故障类型.     

基于小波变换与PSO-BP神经网络的电能质量扰动分类

针对传统BP算法采用梯度下降算法存在的易陷入局部极小、收敛速度慢等缺点,本文提出了一种基于小波变换和PSO-BP神经网络的电能质量扰动分类方法.用PSCAD/EMTDC仿真几种典型的电能质量扰动,并利用小波变换进行多尺度分解,得到各尺度上信号的能量特征,输入PSO-BP神经网络,实现扰动的分类.仿真结果表明该方法较BP网络收敛迅速,容易达到训练要求,同时该方法具有分类速度快,精确度较高等优点.     

对称差分能量算子增压风机轴承故障诊断

文章针对烧结脱硫增压风机滚动轴承振动信号非线性、非平稳性,导致其故障特征难提取、难识别的问题,提出了融合自相关降噪与小波包分解的对称差分能量算子的解调方法,结果表明所提方法为增压风机滚动轴承的故障诊断提供一条新途径。     

基于小波包分解和支持向量机的石油套管缺陷智能识别

 针对石油套管缺陷超声无损检测(NDT)中缺陷回波的特点,提出了一种基于小波包分解和支持向量机(SVM)的缺陷智能识别新方法。分析了Gabor、小波和小波包3种信号时频变换分解方法的特点,并进行了基于3种方法生成的特征数据可分性比较,确定了小波包分解方法效果最好。根据SVM解决分类问题的原理,采用SVM法对3种时频分解提取的缺陷信号特征数据进行识别。试验表明,基于小波包分解局部熵的特征提取结合SVM模式智能识别的组合方法,可应用于石油套管上的4种典型缺陷的识别。     

基于主成分分析与遗传算法-支持向量机的喷溅预测方法

针对冶炼过程喷溅特征提取及喷溅预测困难的问题,提出基于小波包变换与主成分分析的优化参数模型的支持向量机喷溅预测方法。该方法经小波包变换将冶炼喷溅的噪声和氧枪振动信号分解为不同频带的信号。由于不同频带的信号出现相互干扰和堆叠,因此通过主成分分析将频带能量降维分离成不同频带,进而将这些处理后的信号作为喷溅特征向量。对支持向量机模型参数(C、g)进行遗传算法优化,通过支持向量机对喷溅的分类及预测,验证了该方法的有效性。实验结果表明：经小波包变换和主成分分析获得的特征信号能够准确地反应喷溅特征,提出的支持向量机方法具有较好的分类性能,喷溅预测准确率较高。     

基于小波包分解的转子叶片裂纹故障特征分析

应用小波包分解能对信号高、低频部分局部细化并保留原信号的时域特征,因而具有良好的时频局部化特性,对非平稳信号进行有效识别的技术,从采集到的有叶片裂纹时的振动信号,通过选取适当的频段进行信号重构,提取叶片裂纹故障的特征,从而实现转子叶片裂纹故障诊断。     

Mallat小波快速变换与IDRNN在卫星实时故障检测与识别中的应用

系统研究了面向复杂系统监测时变信号的实时故障检测与识别问题.采用滑窗Mallat小波快速变换克服传统小波变换的时域全局依耐性并提高计算效率,使之适应于实时故障检测;针对时变信号的故障模式识别难题,在故障检测基础上采用改进动态循环神经网络(improved dynamic recurrent neural network,IDRNN)进行智能故障识别.最后将滑动时窗小波检测模块及最优IDRNN网络模块嵌入某型完整卫星姿态控制系统仿真平台进行在线故障诊断.试验结果表明:实时条件下的滑动窗口小波变换与传统小波变换具有一致性,IDRNN对于时变信号识别具有较好的时域泛化能力,将滑窗移动时不变小波方法与IDRNN结合可以实现面向复杂系统监测实时信号的故障检测及复合模式分类.      

板带轧机HAGC系统基于小波变换的传感器故障诊断

 提出了一种基于小波分析的HAGC系统传感器故障诊断方法。通过建立系统的MA模型，建立残差信号，利用离散小波变换对残差信号进行多分辨率分析。通过残差信号的故障高低频特性，提取故障敏感特征，实现了传感器故障时间、故障原因、故障程度的诊断。仿真研究表明，该方法凸现故障特征，时域定位准确，不但适用于突变故障，对渐变故障同样有效。     

基于EEMD形态谱和支持向量机复合的滚动轴承故障诊断方法

针对滚动轴承的内圈、外圈和滚动体故障提出了一种新的诊断方法,该方法融合了集总经验模态分解(EEMD)、形态谱和支持向量机(SVM)三种方法的优势.首先,利用经验模态分解对滚动轴承故障振动信号进行分解,得到若干个具有物理意义的内禀模态分量(IMF);其次,基于最大能量法筛选出含有故障特征信息最丰富的一个内禀模态分量为故障诊断数据源;再次,对数据源在选定尺度范围内进行形态谱的提取,从而构造故障特征向量;最后,利用支持向量机对滚动轴承的三种故障进行诊断.研究结果表明,该方法能够有效地诊断出滚动轴承的三种故障,且具有很高的故障诊断正确率.     

基于小波分解的尾矿坝浸润线预测方法研究

为了准确预测尾矿坝浸润线的位置变化,结合浸润线埋深非稳定、非线性的时间序列以及动态变化的特点,利用小波分解与重构,提出基于小波分解的时间序列指数平滑法和BP神经网络法,采用时间序列的指数平滑法和BP神经网络方法分别对多个细节信号序列和逼近信号序列进行拟合预测,并对其拟合结果进行叠加,实现对尾矿坝浸润线的预测。将预测结果与实际监测数据进行对比,结果表明小波分解预测方法的预测结果与传统单一的指数平滑法和神经网络法预测结果相比,在预测精确度和拟合度方面：小波分解>指数平滑>神经网络。     

小波遗传神经网络-阳极溶出伏安法同时测定钢中铜和铅

研究了二硫代二安替吡啉甲烷作修饰剂的修饰玻碳电极,并以此为工作电极,建立了测定铜和铅的阳极溶出伏安法。应用小波变换去噪、数据压缩和背景扣除功能对峰电流信号进行处理,用遗传算法自适应概率搜索神经网络的最优网络结构和参数,解决神经网络过拟合问题,将小波神经网络(WT-BP-ANN)、小波遗传神经网络(WT-GA-BP-ANN)的分析结果进行比较,Cu2+,Pb2+测定结果的RSD分别为3.49%,2.33%;3.77%,1.89%,表明小波遗传神经网络优于小波神经网络。     

基于小波包分析的AOD炉喷溅预报特征信息提取

研究了用小波包分析方法从炉口音频信号中提取AOD炉喷溅预报特征信息的方法。采用db10（小波基函数）小波对喷溅发生前的特征信号进行4层小波包分解,结合快速傅里叶变换法及小波尺度谱进行时频特征分析,并研究了其各频带分解信号的能量比例特点。结果表明,喷溅前40s信号的主频值较正常信号有明显降低,0~312Hz与312~625Hz频段信号能量值比例变化显著。而且低频重构信号可以极好地滤除多种现场干扰,说明该时频特征可以作为准确预报喷溅的特征向量。最后,通过实验确定了8个特征向量值并分别与喷溅或正常信号的特征向量进行相关性比较,验证得出相关度0.95可作为喷溅预报的判定阈值。从而实现了喷溅预报特征信号的准确提取并可转化为计算机容易识别的数值特征。     

基于小波神经网络模型的冶金企业能耗预测

冶金企业能源消耗量是一个与多种因素有关的复杂非线性问题。鉴于传统BP神经网络预测方法的缺陷,介绍了基于小波神经网络算法的能耗预测模型及应用情况。该算法既具有BP网络的简洁性,又具有小波分析良好的时频局部性。通过实验将其与传统的BP神经网络进行比较,证明前者具有更优的网络结构,更快的学习速度和更高的逼近精度。     

变尺度混沌神经网络在球磨机故障诊断中的应用

针对神经网络极易陷入局部极小的问题,提出变尺度混沌优化方法与神经网络相结合的变尺度混沌神经网络综合模型,讨论变尺度混沌神经网络模型的建模思路及其算法实现;介绍球磨机常见的故障类型,建立球磨机故障诊断的变尺度混沌神经网络模型,并进行仿真试验,结果表明:该模型具有较高的预测精度,可以有效地运用于球磨机诊断中的故障预测。     

基于空洞卷积神经网络与注意力机制GRU的滚动轴承故障诊断

针对传统故障诊断方法需要人工提取特征的不足,以及大数据下滚动轴承故障振动信号自适应特征提取与智能诊断问题,利用空洞卷积神经网络(DCNN)可以在不增加计算量的基础上兼顾不同尺度空间特征的能力、门控循环单元(GRU)善于从动态变化的序列数据中学习到时间上的关联性的能力,提出了一种将DCNN、注意力机制和GRU多路径融合的端到端故障诊断方法。首先利用DCNN从原始数据中自动提取时序信号特征,然后将注意力机制(Attention)的GRU通路和DCNN通路进行融合,最后将提取到的特征融合之后送入分类层进行分类。试验结果表明,所提方法的诊断准确率平均为98.75%,高于比较方法,更加适用于滚动轴承故障诊断。     

基于PSO-BP神经网络双机架炉卷轧机轧制力的预测

为了有效预测双机架炉卷轧机的轧制力,使热轧板带材生产具有很好的可操作性,采用粒子群算法(PSO)优化BP神经网络,建立了往复式双机架炉卷轧机轧制力预测的智能模型。以某钢厂热轧产品Q195实测数据作为试验样本,并将粒子群算法优化的BP神经网络模型和标准BP网络模型分别用于轧制力预测,结果表明PSO-BP神经网络模型在预报精度上明显优于标准BP网络模型,并且PSO-BP神经网络模型预测轧制力的误差率控制在10%以内。     

Multi-Objective Optimization for Tandem Cold Rolling Schedule

 Based on rolling feature of continuous tandem cold rolling mill, such as multi-variable, strong coupling, non-linear, analyze and set the equal relative load, preventing slippage and profile well as the multi-objective optimization goal, BP neural network with self-learning function is adopted to replace traditional rolling force models and then Levenberg-Marquardt algorithm is adopted to predict the rolling force. Then use multi-objective fuzzy theory to solve the problem of multi-objective optimization of tandem cold rolling schedule. With the example of 1370mm tandem cold rolling, the rolling schedule of the common rolling, the single-object optimization design and the multi-objective fuzzy optimization design are compared with each other, optimization result shows the proposed optimization method decreases the value of three objective functions simultaneous. The performance of the optimal rolling schedule is satisfying and it is promising.     

基于MIV-GA-BP模型预测烧结矿FeO含量

工艺绿色化、装备智能化、产品高质化已成为当前钢铁行业主要发展目标。作为影响烧结矿性能的重要指标之一,FeO的含量不仅影响烧结矿还原性的高低和烧结过程的能耗,而且在一定程度上影响高炉间接还原、燃料比等指标。针对目前研究过程中存在的数据量少、工艺结合不紧密、特征选择方法针对性不强等问题,提出了基于MIV-GA-BP算法的烧结矿FeO含量预报模型。以承钢3号烧结机1年的生产数据作为研究基础,首先选取BP神经网络作为深度学习模型,然后利用遗传算法的特点解决了网络调参难等问题,成功构建了基于遗传算法优化的BP神经网络模型。在特征选取阶段将MIV算法的优越性与工艺理论相结合,选取了拥有更好解释性的参数作为模型的输入,此方法提高了模型预测准确率,成功实现了烧结矿FeO含量的预测。上线测试结果表明,误差允许范围内模型命中率达到87.9%,对现场烧结生产具有更好的指导性。