基于改进烟花算法的非线性模拟电路测试激励优化

为增强非线性模拟电路故障诊断中故障模式之间的可辨识性,提高故障诊断率,提出一种基于改进烟花算法的非线性模拟电路测试激励优化方法。该方法首先采用基于Volterra频域核和BP神经网络的方法对非线性模拟电路进行建模,进而针对烟花算法存在寻优速度慢、效率低等问题,对其爆炸算子、变异算子、选择策略等进行改进,采用改进后的烟花算法对非线性模拟电路的测试激励进行寻优,通过电路仿真表明,优化后的信号可有效提高故障可分性,从而提高故障诊断率。     

WCPSO优化的小波神经网络在传动箱故障诊断中的应用

针对传动箱振动信号复杂及故障类型难以预知的问题,提出一种基于动态加速常数协同惯性权重的粒子群优化算法(WCPSO)优化的小波神经网络进行传动箱的故障诊断,并比较经WCPSO优化的小波神经网络和传统小波神经网络诊断的结果。结论是该方法能明显提高收敛精度,对多故障征兆有较好的故障识别率,是解决故障诊断问题的有效途径。     

基于深度置信网络与信息融合的齿轮故障诊断方法

针对齿轮在复杂运行工况下故障特征提取困难,传统故障诊断方法的识别精度易受人工提取特征的影响,以及单传感器获取信息不全面等问题,提出基于深度置信网络(DBN)与信息融合的齿轮故障诊断方法。通过多传感器信息融合技术对每个传感器采集的振动信号进行数据层融合;利用DBN进行自适应特征提取从而实现故障分类。为了避免因人为选择DBN结构参数,导致模型识别精度下降的问题,利用改进的混合蛙跳算法(ISFLA)对DBN结构参数进行优化。试验表明,与BP神经网络、未经优化的DBN以及单传感器故障诊断相比,该研究提出的信息融合及优化方法具有更高的故障识别精度。     

基于改进鲸鱼算法优化LSTM的滚动轴承故障诊断

适应性动量(Adam)估计优化器易使深度长短时记忆神经网络(long short-term memory,LSTM)陷入局部极小值,导致故障诊断精度过低;鲸鱼算法(whale optimization algorithm,WOA)的寻优区域过大,导致寻优效率过低。针对上述两问题,将WOA进行改进(improved whale optimization algorithm,IWOA),并优化LSTM,提出IWOA-LSTM新方法。所提方法将WOA赋予动量驱动功能,继承了LSTM中的Adam优化器动量项,可优化细胞权值的搜索区域,进而提高权值寻优效率;将其与Adam优化器联合优化更新权值矩阵,以跳出局部最小值,提高故障诊断精度。此外,还系统地分析了学习效率和迭代次数对IWOA-LSTM的诊断精度影响,实现高效的故障诊断分析。通过分析实测滚动轴承内圈、外圈和滚动体三种故障可知,IWOA-LSTM的故障诊断效率分别较浅层BP神经网络(BPNN)、深度卷积神经网络(convolutional neural network,CNN)、深度门限循环单元神经网络(gated recurrent unit,GRU)、LSTM、WOA优化的LSTM(WOA-LSTM)高出了47.60%,38.06%,37.62%,26.82%,22.71%,且实现高达97%的诊断精度。     

基于PSO优化BP的冷水机组故障诊断研究

本文将PSO(粒子群算法)优化BP(误差反向传播神经网络)应用于离心式冷水机组的故障诊断,针对7种典型故障,包括4种局部故障与3种系统故障,建立了PSO优化BP的诊断模型。结果表明:PSO优化后的BP神经网络(包括单隐层与双隐层)故障诊断性能显著提高,神经网络结构简化,较少的隐含层节点即可获得较优的诊断性能。单隐层神经网络优化后最佳隐含层节点数从18降至10,诊断正确率从89. 42%提升至95. 30%;双隐层神经网络优化后最佳隐含层节点数从25降至12,诊断正确率从97. 87%提升至98. 11%,诊断用时仅为优化前的23%。故障诊断虚警率(假报及漏报)降低,且显著改善了系统故障尤其制冷剂泄漏故障的诊断性能,对正常情况的识别率亦极大提高。PSO优化有助于BP网络跳出局部极小值,较好地改善了故障诊断性能。     

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。     

基于微分进化神经网络的模拟电路故障诊断

BP神经网络已在模拟电路故障诊断领域得到广泛应用,但BP神经网络存在训练速度慢且容易陷入局部最优的问题.由此,本文提出了一种基于混合变异策略的微分进化改进算法,描述了利用微分进化改进算法进行神经网络权值训练的过程和方法,并将微分进化神经网络用于模拟电路故障诊断,文中还对微分进化神经网络与BP神经网络进行了比较.实验结果表明,微分进化神经网络的训练时间和训练精度均优于BP神经网络,其在模拟电路故障诊断中的准确度比BP神经网络提高了7%.     

基于参数优化SDP分析的转子故障诊断方法

针对存在多种故障类型不同故障严重程度的转子故障诊断问题，提出了一种基于参数优化对称点模式(symmetrized dot pattern, SDP)分析的智能诊断方法。首先，利用SDP分析提取多个传感器信号的故障特征并将其融合为SDP图像；然后，以基于欧氏距离定义的图像区分度函数为适应度函数，基于天牛须搜索(beetle antennae search, BAS)算法获得SDP分析中角域增益因子与时间延滞系数的最佳取值；最后，利用SDP图像训练卷积神经网络(convolutional neural network, CNN)获得转子故障诊断模型。试验研究表明，该方法相较于其他故障诊断方法具有更高的诊断精度，且在强噪声环境下的诊断表现良好。基于BAS算法优化后的SDP分析放大了不同类型不同严重程度转子故障的表征差异，提高了故障诊断精度。     

参数优化 VMD-MPE 和 PSO-CS-Elman 神经网络在滚动轴承故障诊断中的应用研究

针对滚动轴承振动信号的非线性、非平稳特征,提出了基于参数优化变分模态分解（Variational Mode Decomposition,VMD）、多尺度排列熵（Multi?scale Permutation Entropy,MPE）和粒子群?布谷鸟搜索融合算法优化 Elman神经网络的故障诊断方法。针对 VMD 中模态分量个数和惩罚因子难以确定的问题,引入鲸鱼优化算法,令其自主搜寻最优解;利用获得最优参数的 VMD 对滚动轴承故障仿真信号进行分解,对最佳模态分量进行包络谱分析,对比仿真故障频率与实际值的吻合度,验证该方法的可行性。考虑到 MPE 具有可探究信号内动力突变的优点,将其与参数优化 VMD 相结合,求取滚动轴承振动信号各阶模态分量的 MPE 值,选择部分熵值构建特征向量,并将其投放在三维空间观察其差异性,判断其是否能够良好地表征不同故障类型。针对 Elman 神经网络识别精度低的问题,将粒子群优化（Particle Swarm Optimization,PSO）算法和布谷鸟搜索（Cuckoo Search,CS）算法相融合,以此联合优化 Elman 网络的权重和阈值,以提升网络的收敛精度和诊断精度。以实验采集和凯斯西储大学的滚动轴承振动信号为研究对象,应用所提方法进行分析。结果表明,所提方法不仅能够自适应地将信号分解,并提取出有效的故障特征,还能准确实现故障模式的分类,提高故障识别率。     

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。     

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。     

一种基于改进的LeNet-5模型滚动轴承故障诊断方法研究

针对滚动轴承故障样本不完备问题,提出一种基于改进的LeNet-5模型的卷积神经网络故障诊断方法。该方法将包含多种转速的滚动轴承振动原始时域信号以二维灰度图形式作为模型输入,根据信号特点确定输入尺寸,通过卷积操作自适应提取特征,引入批归一化操作提高模型泛化能力,再用softmax分类器实现故障分类识别,最后采用t-分布邻域嵌入算法(t-SNE)直观的展示该方法的特征提取效果。开展滚动轴承多故障实验,分析模型优化的合理性和有效性。实验结果表明,通过对四种转速下的滚动轴承故障数据进行训练和识别,该方法能在有限转速的轴承故障样本中学习其共性特征,可以实现滚动轴承故障的准确分类,并且对其他转速的故障数据同样具有有效性,拓宽了轴承故障诊断的转速泛化能力。将该方法与BP神经网络(BP neural network, BPNN)和支持向量机(support vector machine, SVM)算法进行对比,结果验证了该方法有较好的鲁棒性和泛化能力。研究成果可为保障滚动轴承的可靠性以及设备的安全运行提供参考和借鉴。     

基于小波包和PSO-BP的风机滚动轴承故障诊断

为了识别风电机组运行过程中滚动轴承的运行状态并提高故障诊断率,该文提出了一种基于小波包分解和粒子群算法优化BP神经网络的滚动轴承故障识别方法。以滚动轴承4种故障状态下的振动信号为研究对象,首先,采用小波包对振动信号进行分解、重构,提取各故障状态下的故障特征向量,将其作为BP神经网络模型的输入值。其次,针对BP神经网络的缺点,通过粒子群算法优化BP神经网络的权值和阈值构建PSO-BP故障诊断模型,试验结果表明,基于小波包和PSO-BP的方法能够很好地提高风电机组滚动轴承故障模式识别的准确率。     

改进的BP算法在柴油机故障诊断中的应用研究

利用改进ＢＰ算法的神经网络对柴油机进行故障诊断。首先讨论了其训练算法,然后确定了柴油机故障诊断所用特征参数及故障种类,并提出特征参数数据归一化公式,最后以６－１３５ＺＣ柴油机为例,将实验数据输入网络验证。结果表明,神经网络对柴油机故障识别率很高,应用于柴油机故障诊断领域是切实可行的。     

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。     

基于改进萤火虫算法优化BP神经网络的水电站厂房振动预测

利用萤火虫算法优化BP神经网络权值和阈值基础上,建立水电站厂房振动响应预测模型。针对萤火虫算法存在的收敛速度慢、易陷入局部最优等问题,引入动态随机局部搜索机制加快收敛速度,对当前最优解进行变异操作避免陷入局部最优,提出动态步长更新措施提高计算精度,改进最优解振荡问题。仿真实例表明,基于改进萤火虫算法优化的BP网络模型预测精度和收敛速度等性能得到明显改善,可用于水电站厂房结构振动响应预测。     

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。     

基于盲辨识模型和极限学习机的下肢假肢路况识别

针对大腿截肢者穿戴智能假肢路况识别准确率低的问题,提出了一种盲辨识理论和极限学习机相结合的路况识别方法。选择肌电信号(EMG)作为路况识别信息源,提取肌电信号的盲辨识模型系数作为信号特征,为了能够充分反映路况特征,比较了不同特征值,分析了选取盲辨识模型系数作为路况识别特征值的合理性。为了克服极限学习机(ELM)分类器随机产生的输入权值只有少部分是比较优越的缺点,利用烟花极限学习机(FA-ELM)对平地行走、上楼、下楼、上坡、下坡、跑步6种路况进行分类。与ELM算法、BP神经网络进行了对比,结果表明,采用盲辨识模型和烟花算法进化极限学习机将6种路况下平均识别率提高到93.18%,优于ELM和BP神经网络等方法。     

优化遗传神经网络及其在机械故障诊断中的应用

提出了一种改进的遗传神经网络算法,该算法综合了遗传算法的全局性和神经网络的并行快速性等特点,有利于克服神经网络存在易陷入局部极小和收敛速度慢的问题,达到了优化网络的目的.此算法应用于磨机故障诊断,通过试验得出对故障模式的识别精度较高,具有较好的应用前景.     

基于改进PSO和DE优化神经网络的电能质量扰动分类

针对电能质量问题提出了基于改进粒子群优化算法(PSO)和差分进化算法(DE)相结合优化神经网络的分类方法。首先用Matlab仿真几种典型的电能质量扰动信号,再利用小波变换进行多尺度的分解,得到各尺度的能量信息作为特征向量输入BP神经网络分类器中对扰动信号进行快速、准确的分类识别。并针对传统BP算法收敛耗时长速度慢,不能保证获得全局最优等缺点,在种群分类基础上提出了一种混合粒子群与差分进化算法的新型PSO-DE算法,并利用其对神经网络进行改进。这种混合PSO-DE算法在很大程度上能弥补BP神经网络的不足,采用该算法对网络进行优化后完成电能质量扰动信号的自动分类。