基于改进麻雀算法优化支持向量机的滚动轴承故障诊断研究

针对群智能算法优化支持向量机模型应用在滚动轴承故障诊断领域中易陷入局部最优、准确率较低的问题,提出了一种基于改进麻雀算法(sparrow search algorithm, SSA)优化支持向量机(support vector machine, SVM)的滚动轴承故障诊断方法。首先引入均匀化分布Chebyshev混沌映射初始化麻雀种群,以提高种群空间分布均匀性,之后将自适应惯性权重融入麻雀算法的发现者位置更新,最后对更新位置后的最优麻雀进行随机游走扰动,提高算法的全局和局部搜索能力,避免算法陷入局部最优。将该算法用于支持向量机的参数优化,构建改进麻雀算法优化支持向量机故障诊断模型实现对轴承故障信号的分类诊断。滚动轴承故障诊断试验分析结果表明,该算法模型故障分类效果明显优于粒子群算法优化支持向量机模型、遗传算法优化支持向量机模型和麻雀算法优化支持向量机模型,能够有效识别滚动轴承各故障类型。     

基于PSO-GRNN的乳胶丝关键质量参数预测技术

乳胶丝生产过程控制复杂、性能指标多,工艺改进难度大,该文基于广义回归神经网络(generalized regression neural network,GRNN)与粒子群算法(particle swarm optimization,PSO)实现乳胶丝关键质量参数预测。首先,基于乳胶丝生产过程特性,以胶凝、清洗、烘干、硫化等过程的关键参数为输入量,300%定伸应力、拉伸强度及拉断伸长率为预测对象,建立其GRNN模型;其次,在GRNN模型中引入PSO,迭代计算光滑因子σ的最优解。最后,应用多重多元回归、GRNN、QGA-GRNN、PSO-GRNN等方法预测乳胶丝关键质量参数并进行对比。结果表明:引入优化算法的PSO-GRNN与QGA-GRNN模型预测均方误差最小、效果最佳,PSO-GRNN关键质量参数预测时间为4.82 s,仅为QGA-GRNN的3.53%。PSO-GRNN具有良好实时性,可以更好地满足乳胶丝在线生产质量预测需求。     

QAPSO-BP算法及其在水电机组振动故障诊断中的应用

针对水电机组振动故障耦合因素多、故障模式复杂等问题,提出了一种基于量子自适应粒子群优化BP神经网络(QAPSO-BP)的故障诊断模型。在QAPSO-BP算法中,利用量子计算中的叠加态特性和概率表达特性,增加了种群的多样性;根据各粒子的位置与速度信息,实现惯性因子的自适应调节;为避免陷入局部最优,在算法中加入变异操作;并以此来训练BP神经网络,实现网络的参数优化,进而构建了机组的振动故障诊断模型。仿真实例表明,与粒子群优化BP网络(PSO-BP)法和BP网络法相比,该算法具有较高的诊断准确度,适用于水电机组振动故障的模式识别。     

基于G-DPSO算法的决策树轴承故障诊断方法

针对机械设备状态监测与故障诊断技术中特征提取对诊断准确性的局限,从原始故障信号数据中提取出尽可能多的有用信息。提出通过最佳特征数据集对轴承故障进行诊断分析,分别从幅域和频域对故障数据进行特征提取。采用一种改善的粒子群(G-DPSO)算法对提取的特征数据集进行筛选,对传统粒子群算法权重系数进行优化,同时和故障诊断需要的决策树模型的信息熵增相结合,可以达到将最适合故障诊断的特征向量提取出来的目的。用5种轴承故障数据对所提方法进行实验分析,诊断正确率能达到97%之上,证明所提出的方法是有效、可靠的。     

基于变分模态分解和多尺度排列熵的滚动轴承故障诊断

针对滚动轴承故障振动信号非平稳性、故障特征提取效果不理想以及故障诊断准确性低等问题,提出基于变分模态分解和多尺度排列熵的滚动轴承故障特征提取方法,并采用经粒子群算法优化的概率神经网络(PSO-PNN)故障诊断模型进行故障类型识别。通过变分模态分解方法将提取的振动信号分解成K个模态分量,进一步计算K个分量的多尺度排列熵,组成多尺度的特征向量,将特征向量输入到PSO-PNN故障诊断模型中识别故障类型。MATLAB仿真结果表明,该方法使故障类型识别准确率有所提高。     

基于改进BP的分子泵故障诊断研究

分子泵为EAST装置提供洁净的真空环境,其运行状态影响EAST实验的顺利开展。由于在EAST实验运行过程中,分子泵设备可能会出现异物坠入或者真空泄漏故障,对装置造成次生危害。针对分子泵故障数据集不平衡导致故障诊断精度低以及模型过拟合问题,提出一种基于时域频域预处理与改进BP相结合的算法,实现分子泵故障诊断。通过在BP神经网络的基础上,引入粒子群算法(PSO)并结合五折交叉验证优化模型。首先在模拟分子泵故障的破坏性测试平台上,采集正常态、真空泄漏以及异物坠入故障振动信号,然后对数据进行时域频域特征提取融合,将得到的特征向量集作为优化算法的输入,对模型进行训练,实现分子泵故障诊断。经实验验证,所提出改进BP算法在诊断精确率上可以达到96.84%,优于支持向量机(SVM)、K近邻（KNN）和BP算法。     

基于数据挖掘的风电机组叶片结冰故障诊断

针对风电机组叶片结冰故障无法精确预测的问题,提出基于数据挖掘的故障诊断方法。该方法首先采用特征筛选算法从SCADA高维数据种提取故障模式最相关的特征,然后结合类别不平衡学习算法处理高度不平衡的SCADA数据集,最后利用四种分类算法建立风电机组叶片结冰故障诊断模型。结果表明,基于随机森林算法的故障诊断模型具有最好的诊断性能和泛化性能,该方法能够实现风电机组叶片结冰故障的有效诊断,对风电机组的维护具有参考指导意义。     

粒子滤波方法在转子典型故障诊断中的应用

转子的故障诊断是当前转子动力学的一个难点。针对这个问题,提出基于粒子滤波方法的转子典型故障诊断方法。针对Jeffcott转子建立不对中、裂纹和弯曲复合故障模型,并构建基于粒子滤波器的参数估计方程。通过在转子实验台上模拟故障对算法进行验证,结果表明:粒子滤波方法对于转子故障有较高的识别能力,可以诊断单一故障和多重故障。与传统的转子故障诊断方法相比,它不依赖于经验和故障事例,同时可较精确地估计故障参数。     

基于粒子群优化的故障特征提取技术研究

齿轮传动箱的故障征兆,可以通过不同的特征参量表现出来.传动箱工作过程中,由于响应信号成分复杂,提取其敏感的故障特征信息非常困难.故障程度、部位和类型等对特征参量的敏感程度差别很大,通过传统的特征提取和分析方法可以建立庞大的特征参量集.如何从众多的特征参量中确定可靠有效的故障特征参量,如何根据故障对特征参量的敏感程度优化筛选特征参量集,是实现实时在线故障诊断亟待解决的一个问题.针对传动箱故障特征选择问题,提出了基于粒子群优化(PSO)算法的特征选择方法.将粒子群优化技术用于研究传动箱振动响应信号的分析与处理,用于故障诊断特征参量集的提取与优化,形成了适合该齿轮传动箱的有效故障特征参量,从而建立了与齿轮传动箱故障现象密切相关的特征参量集.把此算法应用到齿轮传动箱故障诊断中,结果证明,该算法有很好的效果,提高了诊断精度,比常用的梯度下降算法具有更快的优化速度.     

基于小波包与质心粒子群的齿轮箱故障诊断及应用

针对齿轮箱振动信号中蕴含大量状态信息难以有效提取的问题,利用小波包分解对原始振动信号进行降噪及特征能量提取,通过BP神经网络实现故障的模式识别。针对神经网络收敛速度慢、易陷入局部最优值问题,提出利用简单、易行的质心粒子群算法对BP神经网络的权值和偏置进行优化。在粒子群算法中,通过设计种群质心和最优个体质心、根据粒子位置动态改变惯性权重,并将其引入粒子群算法的速度调整公式中:来构建质心粒子群算法。分别将该方法与基本粒子群算法、遗传算法应用在齿轮箱故障诊断中,通过比较表明该方法可以有效提高分类效率和准确率。     

基于粒子群优化算法和BP神经网络的变频压缩机功率预测

本文针对变频压缩机的功率测量困难,测量误差大等问题,提出了一种仿真测量模型。利用粒子群算法寻找全局最优粒子,用它初始化BP神经网络的阈值和权值,测量变频压缩机的功率。本文共建立了3种仿真模进行对比,分别为BP神经网络模型、GA-BP神经网络模型和PSO-BP神经网络模型,然后分别通过3种模型的内插、蒸发温度外推和冷凝温度外推的测试方法对变频压缩机进行功率测量,对比分析其预测结果的平均相对误差和拟合程度。结果表明:基于粒子群算法优化的BP神经网络模型明显优于其他两个模型,特别是在冷凝温度外推测试中,较其他两个神经网络相对误差降低了1. 11%、2. 64%,3种测试方法下的平均相对误差均小于1%,拟合程度在0. 9以上,表明基于粒子群算法优化的BP神经网络模型对变频压缩机功率有较好的测量能力,而且有较强的泛化能力。     

基于PSO改进深度置信网络的滚动轴承故障诊断

针对深度置信网络(Deep Belief Network,DBN)用于轴承故障诊断时,网络层结构调试比较费时等问题,提出一种基于粒子群优化(Particle Swarm Optimization,PSO)的DBN算法,以及基于该算法的轴承故障诊断模型。该模型利用PSO算法优选DBN网络结构,并通过自适应时刻估计法微调模型参数,随后运用具有最优结构的DBN模型直接从原始振动信号中提取低维故障特征,并将其输入到Soft-max分类器中识别轴承的故障模式。该算法与支持向量机、BP神经网络、DBN、堆叠降噪自编码等方法进行对比分析,实验结果表明,PSO改进的DBN算法具有更高的准确率以及更好的鲁棒性。     

基于粒子群算法的空间直线度误差评定

提出了一种满足最小区域法的空间直线度误差评价的新方法--粒子群算法。根据最小区域条件,建立了空间直线的数学模型以及优化目标函数。阐述了粒子群优化算法的原理和实现方法,然后根据粒子群算法优化求解。实例表明该方法对于空间直线度误差评定等非线性优化问题能得到最优解,可用于三坐标测量机等测量系统的空间直线度误差测量的数据处理。     

基于粒子群优化的小波神经网络及其在齿轮箱故障诊断中的应用

用粒子群算法（PS0）取代传统的梯度下降法,优化小波神经网络中的各个参数。将经过PS0训练的小波神经网络应用于齿轮箱故障诊断,实验结果表明,基于PS0算法的小波神经网络训练方法是有效的神经网络训练算法,同时也是解决故障诊断问题的有效途径。     

基于天牛须改进粒子群算法的平面度误差评定研究

基于天牛须改进粒子群算法(BAS-PSO)对平面度误差进行了评定研究.首先,建立基于最小区域的平面度误差评定的数学模型,并将目标函数转化为非线性最优化问题;接着,在粒子群算法(PSO)的基础上,引人局部搜索能力较强的天牛须算法(BAS),加速全局搜索和局部搜索的并行计算,避免算法早熟收敛并陷入局部最优,提高平面度误差评...     

Evolutionary computation of unconstrained and constrained problems using a novel momentum-type particle swarm optimization

This study proposes a novel momentum-type particle swarm optimization (PSO) method, which will find good solutions of unconstrained and constrained problems using a delta momentum rule to update the particle velocity. The algorithm modifies Shi and Eberhart's PSO to enhance the computational efficiency and solution accuracy. This study also presents a continuous non-stationary penalty function, to force design variables to satisfy all constrained functions. Several well-known and widely used benchmark problems were employed to compare the performance of the proposed PSO with Kennedy and Eberhart's PSO and Shi and Eberhart's modified PSO. Additionally, an engineering optimization task for designing a pressure vessel was applied to test the three PSO algorithms. The optimal solutions are presented and compared with the data from other works using different evolutionary algorithms. To show that the proposed momentum-type PSO algorithm is robust, its convergence rate, solution accuracy, mean absolute error, standard deviation, and CPU time were compared with those of both the other PSO algorithms. The experimental results reveal that the proposed momentum-type PSO algorithm can efficiently solve unconstrained and constrained engineering optimization problems.     

基于微分几何法和粒子群算法计算椭球面面轮廓度误差

基于DGA算法和误差评定的最小区域准则建立了椭球面面轮廓度误差评定的数学模型,该模型将点到椭球面的最小距离求解问题转化为一个理想椭球面球心坐标的搜索问题;采用PSO算法求取所建立数学模型的最优解。实例表明在不考虑仪器测量误差的前提下,所提出的椭球面面轮廓度误差求取方法的有效性。     

基于SSPSO优化GRNN的水电站厂房结构振动响应预测

提出基于优胜劣汰、步步选择的粒子群优化算法(SSPSO),弥补了一般粒子群优化算法容易陷入局部极值、早熟收敛或停滞的缺陷。并运用SSPSO对广义回归神经网络(GRNN)平滑参数P进行优化,充分利用SSPSO寻优能力强及径向基函数调整参数少的优点,建立厂房结构的振动响应预测模型,对某厂顶溢流式水电站的厂坝结构振动响应问题展开预测研究。通过分析预测效果得出:与一般的粒子群算法相比,所提出的SSPSO算法的寻优能力得到了很大的提高。与此同时,基于SSPSO优化的广义回归神经网络(SSPSO-GRNN)与其他网络相比,在预测精度、收敛性能、泛化能力等各个方面得到了很大提升。为水电站厂房振动响应预测提供了新的方法和思路,为增强厂房结构的智能化监测提供了保障。     

基于融合RBF-PSO-AE算法的混凝土力学性能预测

针对混凝土材料力学性能精准预测的问题,提出了一种粒子群算法(PSO)优化的径向基函数(RBF)与自编码器(AE)融合预测模型(RBF-PSO-AE),对混凝土断裂能、失稳韧度和起裂韧度等参数进行预测分析。首先运用RBF结合AE使用交叉熵损失函数对数据特征降维加速收敛,其次利用PSO快速优化模型的网络最佳权值,最后将该模型与多种单一预测模型进行实验比较。实验结果表明该算法模型预测精确度和泛化能力提升明显,实现大于99.99%的预测精度,均方根误差0.006%,能有效减少混凝土力学性能预测的误差,具有良好的鲁棒性。     

SVM和改进的PSO在压路机驾驶室结构噪声优化中的应用

针对压路机驾驶室结构噪声,将拉丁超立方试验设计、支持向量机近似模型、改进的粒子群优化算法相结合,通过修改驾驶室主要板件的板厚参数降低压路机结构噪声。建立一套基于支持向量机和粒子群算法控制车内结构噪声的设计流程。针对粒子群可能出现局部最优解的问题,对粒子群进行了改进。并利用改进的粒子群优化支持向量机参数,构建高拟合精度的支持向量机模型代替有限元模型。并用改进的粒子群算法对该模型进行板厚寻优,找到一组最佳的板厚参数使得参考点(驾驶员右耳处)声压级最小,减少计算工作量,提高优化效率。