基于CLPSO-IDBN的风电机组轴承故障诊断

针对风电机组轴承故障诊断时的数据特征复杂难以提取，故障诊断准确率低，耗费时间长等问题，提出一种综合型学习粒子群算法(comprehensive learning particle swarm optimization, CLPSO)与改进深度置信网络(improved deep belief network, IDBN)相结合的故障诊断方法。首先在DBN内部添加了迭代误差阈值优化策略构建IDBN,大大减少了训练时间；然后利用CLPSO算法优选IDBN网络结构，运用具有最优结构的IDBN模型从原始信号中提取故障特征，识别轴承的故障类型。仿真实验结果表明，CLPSO-IDBN算法模型具有更高的准确率以及在相同情况时更少的训练时间，在训练集和测试集上的诊断准确率分别达到了98.28%与97%,并且可以平均节省约30%的训练时间，与4种其他方法相比较，证实了新方法的有效性与准确性。     

改进PSO算法优化交流伺服系统PID参数研究

伺服系统PID控制参数的优化整定对系统可靠性和稳定性有着重要意义,而传统整定方式下参数优化整定时间较长、效果不佳、反应较慢。为了解决以上问题,提出一种优化交流伺服系统参数的控制方法。基于改进PSO算法实现惯性权重和学习因子随迭代次数的改变自适应调整,引入适应度函数快速优化整定PID控制器参数。利用MATLAB分别对基于遗传算法(GA)、量子遗传算法(QGA)、粒子群算法(PSO)的伺服系统PID参数整定进行仿真实验及对比分析。通过实验测试基于改进PSO算法和GA算法的PID控制器对伺服系统稳定性的影响。结果表明:利用改进PSO算法对PID参数进行优化整定,使得伺服系统具有鲁棒性强、稳定性高、超调量小等优点。     

改进PSO-BP网络在故障诊断中的应用

针对油田抽油机井故障诊断方法较落后的问题,提出一种基于改进PSO-BP网络的故障诊断系统.神经网络权值的训练采用改进的PSO算法,克服了BP学习算法收敛速度慢、易陷入局部极值的缺点.将该网络用于抽油机井的故障诊断,并与传统BP模型的故障诊断结果进行比较.结果表明:基于改进PSO-BP的故障诊断方法正确率达96%以上,可以在更短的时间内、用更少的迭代次数达到精度要求,为设备检修提供了可靠的依据.     

基于CEEMDAN-IGWO-SVM的轴承故障诊断研究

为了提高支持向量机(SVM)在轴承故障诊断时的准确率和识别效率,提出了一种基于具有自适应白噪声的完整集成经验模态分解方法(CEEMDAN)、改进灰狼优化算法(IGWO)和支持向量机(SVM)相结合的故障诊断方法。首先用CEEMDAN与Shannon熵对振动信号消噪、分解,获得典型故障的敏感信号;其次,将粒子群算法(PSO)惯性权重w与粒子“飞行”速度v引入灰狼优化算法(GWO),得到IGWO,通过IGWO算法优化SVM得到诊断模型的最优参数,增强SVM的学习能力和泛化能力;最后,利用美国西储大学的轴承试验数据验证优化模型的有效性。结果表明,IGWO算法优化SVM的模型可以准确、高效地对轴承进行故障诊断;与GA、PSO、和GWO算法优化的SVM模型相比,该方法的故障诊断准确率和识别效率更高。     

基于改进BP神经网络的汽车发动机故障诊断

针对汽车发动机故障诊断过程中,传统算法收敛速度慢且精度欠缺等问题,提出一种遗传算法(GA)优化BP神经网络的故障诊断方法。在分析BP神经网络算法原理及缺陷的基础上,通过引入动量项提高算法收敛速度,并利用GA选择、交叉、遗传特性优化神经网络权值及阈值,从而进一步提高算法预测精度。仿真实验中,在经过对测试数据学习训练后,传统算法和改进算法分别对一组测试数据进行故障诊断,对比结果表明,所提改进算法较传统BP神经网络算法在诊断精度以及效率等关键指标上均有一定程度改善。     

基于PSO/GA的立体视觉测量系统优化布局

探讨一种基于PSO/GA(粒子群优化/遗传算法)混合算法的立体视觉测量系统优化布局方法。以空间点目标的三维重构不确定度最小为目标,构建了立体视觉测量系统优化布局的目标函数。通过实例阐述了使用PSO/GA混合算法求解系统最优布局参数的过程,并且在MATLAB环境下对该方法做了验证。仿真实验结果表明:与传统的粒子群优化算法和遗传算法相比,使用PSO/GA混合算法得到的最佳个体适应度曲线上升速度最快,而且求得的系统最优布局参数使空间点目标的三维重构不确定度最小。     

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PSO和属性约减的模糊神经网络机床故障诊断

数控机床伺服系统工作原理复杂。为了提高智能故障诊断的准确性,提出基于PSO理论和属性约束规则(RSM)的模糊神经网络算法。先对训练样本进行属性约减;由于PSO算法具有全局优化能力和BP算法具有局部搜索效率高的优点,利用它们训练神经网络,克服了传统方法收敛速度慢的缺点;并通过Matlab仿真证明,该方法具有较高的诊断准确性。     

混合遗传算法在机器人路径规划中的应用

针对传统智能算法在多障碍物环境下求解路径时存在忽视路径安全性，易陷入局部最优解等问题，提出一种融合粒子群算法(PSO)、遗传算法(GA)和人工势场法(APF)的混合遗传算法(PA-GA)。首先，改进障碍物参数和算法的适应度函数，引入防碰撞距离与安全距离，保证路径安全性；其次，通过动态调整粒子群算法中的惯性权重增强粒子的搜索能力，加快算法收敛；然后，引入分群策略、等级交叉策略和人工势场法来改进遗传算法的交叉变异操作，依靠自适应调整交叉变异概率加快收敛速度；最后，将改进后的算法融合，保证混合算法在全局和局部的寻优能力。仿真结果显示，PA-GA算法具备了较强的寻优能力，且路径检索结果更好，收敛速率也更快。     

基于GRA-PLS的滚动轴承故障诊断北大核心

针对仅用时域和频域指标无法准确诊断滚动轴承故障的问题,提出一种基于灰色关联度(GRA)与偏最小二乘(PLS)的故障诊断算法。首先,对原始振动信号进行灰色关联度分析,提取关联度较高的振动信号作为样本信号;其次,通过时域分析和频域分析获得故障特征集,利用基于遗传算法(GA)和Elman神经网络的组合算法(GA-ENN)对故障特征进行提取;最后,利用PLS算法对滚动轴承的故障类别进行识别。实验结果表明,所提方法能有效剔除原始振动信号中无信息变量,并且实现时、频域指标下滚动轴承故障的准确诊断。     

一种大型液压系统的故障机理分析与处理

介绍了一种实用的大型液压系统故障诊断方法,针对调试过程的难以判断或者难以解决的常见故障问题,做了比较详细的故障机理分析,给出了相应的故障处理措施与合理建议.这一研究对类似的大型液压系统的设计、制造、安装、调试、故障处理和维修有重要的指导意义.     

液压系统故障诊断中基于事例推理的方法

本文提出了一种基于事例推理研究液压系统故障诊断的方法，并成功地应用于某液压系统的故障诊断中。     

某增量式数字阀可靠性分析

数字阀作为液压系统的核心部件,一旦发生故障将导致严重后果。为提升数字阀的可靠性,以增量式数字阀的可靠性为研究对象。根据给出的增量式数字阀机械结构和工作原理建立数字阀的可靠性框图,分析得到故障模式和故障机制;建立数字阀故障树模型,进行故障树分析;对故障发生对机构的影响程度进行致命度分析,得到致命性矩阵图。结果表明:数字阀的阀芯不动、阀芯运行卡停、阀芯运行不精确是数字阀工作过程中常见的3种故障,其中阀芯在运行过程中突然卡停是数字阀的致命度中最严重的故障模式。研究成果可为增量式数字阀的结构设计优化和可靠性分析提供一定参考。     

基于EMD和支持向量机的滚动轴承故障诊断研究

为解决在复杂噪声和工频及其倍频干扰条件下滚动轴承故障诊断问题,提高诊断准确率,进行了经验模态分解(EMD)和支持向量机(SVM)的研究,给出了相应的决策流程。基于改进的EMD分解的特征提取算法,选取故障特征明显的IMF分量进行特征提取,最大限度地滤除了低频噪声干扰,捕捉到信号的故障特征,然后将特征集输入到SVM分类器中进行识别,结果表明:该方法对于轴承故障识别具有较高的准确率,为确保轴承安全运行和快速故障诊断提供了理论支持。     

机床液压系统故障树分析

应用故障树分析法对某厂一台机床液压系统的典型故障进行了故障树分析，取得了满意的结果。实践证明，将故障树分析法应用于机床液压系统故障诊断中是非常有效的。     

电机电流分析法在机床类设备诊断中的应用研究

机床类设备传动链复杂,结构紧凑且封闭,对传动系统状态监测一直没有有效的分析办法,即使在噪声增大等恶劣情况下,常规的振动诊断方法也难以奏效.本文尝试用电流信号分析法,简称MCSA(Motor Current Signal Analysis),对机床状态进行测试和分析.通过电机电流信号的传动链齿轮谱特征分析,对其做出了正确评估,表明定子电流能很好地反映机床传动系统部件的运行状况.同时进行了多种运行工况的测试与试验,研究结论对机床类设备的生产制造和现场运行状态的分析提供了有效依据.     

基于WPD-FWEO的轴承故障特征增强方法

用小波包分解(Wavelet Packet Decomposition,WPD)处理低信噪比信号时,常出现残存大量带内噪声的问题,严重影响了后期的故障诊断准确性。针对该问题,提出将频率加权能量算子(Frequency-Weighted Energy Operator,FWEO)作为小波包分解的后处理器,以消除其带内噪声,增强故障特征提取效果。对采样获得的故障数据进行3层小波包分解,得到各频带系数;对每个频带系数进行峭度计算,以峭度最大原则获取最优频带系数;以频率加权能量算子追踪最优频带系数的瞬时能量,从信号能量的角度消除信号中的带内噪声成分,二次增强信号中隐藏的故障脉冲信息;对其进行包络谱分析,得到最终诊断结果。仿真数据、实验室数据和工程数据验证了所提方法的有效性和实用性。     

基于改进小波阈值-SVM的齿轮故障信号识别

针对在齿轮疲劳试验中需要多次停机拍照的问题,提出基于改进的小波域阈值降噪方法,对采集的齿轮啮合的声发射信号分析,并提取特征矢量作为支持向量机的输入特征向量,识别出故障信号,根据齿轮旋转周期,确定缺陷轮齿。与开箱拍照的记录进行对比,计算得出的问题轮齿和照片记录吻合。该方法减少了因停机拍照造成的齿轮工作数据采集不准确的问题,同时也减少了工作人员的工作量,在后续的实验中该方法得到了有效的应用。     

民用飞机电液舵机故障树分析

针对国外某型民用飞机所采用的电液舵机的常见故障模式,介绍了故障树分析的具体方法,建立了故障树,并应用故障树分析方法进行定性和定量分析。分析结果为民用飞机电液舵机的设计、制造、故障诊断和维修提供了有价值的参考。     

基于EMD-HMM的机床刀具磨损故障诊断

针对机床刀具磨损故障诊断,提出基于经验模态分解（EMD）进行信号处理和基于隐马尔科夫模型（HMM）进行模式识别的刀具故障诊断方法。在信号处理阶段,对机加工过程中的振动信号进行经验模态分解,得到若干固有模态函数（IMF）,计算IMF的能量值并选用前几阶高能量的IMF作为识别参数。在模式识别阶段,先将训练样本使用HMM的基本方法进行模型训练获得HMMs,再使用测试样本进行模型准确性验证。完成验证的模型就可以表示该机床刀具磨损和机加工刀具信号的对应关系,可以应用到刀具磨损的监测识别中。