基于混合蛙跳算法优化神经网络的齿轮箱故障诊断研究

为提高齿轮箱故障诊断的准确性,探寻诊断复合故障的方法,利用混合蛙跳算法优化BP神经网络的参数,构建SFLA-BP算法模型,在一定程度上弥补BP神经网络算法的缺陷。对比发现,该诊断方法具有较高的稳定性和较强的诊断能力,表现出很好的适用性,特别是在诊断复合故障方面具有一定潜力。     

混合蛙跳脊波神经网络观测器电机故障诊断研究

针对牵引电机非线性、强耦合、时变的特点,提出一种基于混合蛙跳算法脊波神经网络观测器牵引电机故障诊断方法.该方法利用观测器生成残差,并通过对残差的分析实现故障检测与分离.首先将牵引电机模型分为线性函数部分和非线性函数部分,并利用脊波神经网络逼近这个非线性函数,然后在此基础上建立自适应观测器,并通过最优算法求出观测器反馈增益矩阵.为提高神经网络的收敛速度和逼近精度,利用混合蛙跳优化算法对神经网络参数进行优化.通过实验对混合蛙跳算法脊波神经网络观测器、RBF神经网络观测器以及BP神经网络观测器进行比较,结果表明,该方法的收敛速度较BP神经网络观测器提高了80.3％,故障诊断准确率提高41.5％.     

独立分量分析在齿轮箱故障诊断中的应用

提出了一种用于齿轮箱故障诊断的信号预处理方法.推导了基于互信息最小化的独立分量分析算法(简称ICA算法),应用确定性混合信号对算法进行了仿真验证,并将该算法应用于齿轮箱振动信号的预处理中.经3种工况下的齿轮箱振动信号的ICA分解结果分析,表明应用ICA技术后,故障信息得到了极大的增强.改变了传统的以降噪为主的故障信息增强思想,为微弱故障的有效诊断提供了一定的技术手段.     

基于小波变换的盲信号分离的神经网络方法

提出一种新的盲信号分离的神经网络方法,该方法将小波变换和独立分量分析(ICA,Independent Component Analysis)相结合。利用小波变换的滤噪作用,将混合在原始信号中的部分高频噪声滤除后,再重构原始信号作为ICA的输入信号,有效地克服了现有ICA算法不能将噪声从源信号中分离的缺陷。实验结果表明,将该方法用于多通道脑电信号的盲分离是很有效的。     

基于量子计算的独立分量分析算法及应用

将量子优化原理应用于独立分量分析中,提出了量子独立分量分析算法(quantum independent component analysis,简称QICA),针对3组特定信号进行了混合与分离的仿真实验,得到了较好的分离效果。将该算法用于齿轮箱振动信号的源分离及其故障诊断中,实验结果表明,该算法用于齿轮箱振动信号分离可以明显增强故障信息,降低齿轮箱故障诊断难度。     

一种优化算法在齿轮传动装置故障诊断中的应用

分析了粒子群算法（PSO）和差分进化算法（DE）的特点,提出了一种PSO-DV算法用于优化BP神经网络的权值和阈值,并利用PSO-DV算法优化的BP神经网络进行了齿轮箱的故障诊断。试验结果表明,PSO-DV算法可以避免神经网络陷入局部极小,改善了收敛性能,同时保证了齿轮箱故障诊断的正判率。     

粒子群优化的神经网络在故障诊断中的应用

为提高齿轮箱故障诊断性能，建立了以齿轮箱振动信号的时频域特征为输入，以齿轮箱的主要故障形式为输出的神经网络。采用粒子群优化算法代替反向传播算法来训练神经网络的权重和阈值，利用训练后的神经网络对齿轮箱进行了故障诊断，并比较了基于粒子群优化算法与BP算法的诊断结果。结论是基于粒子群优化算法神经网络具有较好训练性能，收敛速度快，迭代步数少，诊断精度高，具有良好的故障识别率。     

应用多分辨SVD和ICA的轴承复合故障诊断研究

针对滚动轴承复合故障信号中故障特征难以分离的问题,提出了基于多分辨奇异值分解(SVD)和独立分量分析(ICA)的复合故障诊断方法。首先利用多分辨SVD将复合故障振动信号分解为几个分量实现维数的增加;然后将分解得到的分量组合为混合信号,并利用ICA进行欠定盲分离;最后对分离后的独立分量进行Hilbert包络解调,由此实现对复合故障特征信息的分离和故障识别。通过对滚动轴承内外圈复合故障的试验信号分析表明,该方法可以有效地分离和提取轴承复合故障的特征信息。     

GA-ACO优化BP神经网络在行星齿轮箱故障诊断中的应用

针对目前利用优化算法改进的BP神经网络算法对行星齿轮箱进行故障诊断过程中存在的故障识别率低、收敛速度慢和参数选择困难等问题,提出了一种用GA-ACO算法对神经网络参数进行优化的算法。给出GA-ACO-BP算法的基本原理和主要步骤,并将此方法应用到行星齿轮箱的故障诊断中。比较了ACO-BP神经网络算法和GA-ACO-BP算法的性能。结果表明,ACO优化BP神经网络算法对行星齿轮箱的故障诊断收敛速度慢且识别精度不高,而GA-ACO-BP算法能够对行星齿轮箱故障进行准确、快速的诊断和识别。     

独立分量分析在机械振动信号上的应用研究

独立分量分析在机械振动信号的特征提取上能起到重要作用。首先建立以信息论为框架的独立性判据和优化算法,然后给出衡量独立分量分析分离性能的指标,这样建立的优化算法能很好地分离出混合信号。最后对两个亚高斯信号和一个超高斯信号的混合信号进行仿真实验。仿真结果表明,灵活的ICA算法分离效果要好于随机梯度算法的分离效果,该信号分析方法具有收敛性好,误差小的优点。     

独立分量分析在直升机齿轮箱故障早期诊断中的应用

齿轮箱早期的故障信号往往十分微弱 ,信噪比低 ,这大大限制了已有诊断方法在早期诊断中的应用 ,因此如何获取真实的振动信号是提高齿轮箱早期故障诊断质量的关键 ,独立分量分析 (ICA)为此提供了一种新的思路。文中研究了ICA在齿轮箱故障早期诊断中的应用 ,首先分析了齿轮箱的混合振动信号模型 ,然后针对具体的轴承故障进行了实验 ,并使用快速ICA算法分离出轴承的振动信号 ,再将其功率谱与原始振动信号的谱相比较 ,结果表明ICA更易于实现故障的早期诊断 ;最后提出了进一步的研究建议。     

大跨径桥梁实时动态挠度信号的分离

由于经验模式分解(empirical mode decomposition,简称EMD)将非线性非平稳信号分解成为一系列线性、平稳的本征模函数(intrinsic mode function,简称IMF)信号,针对单通道大跨径桥梁挠度信号分离问题,结合盲源分离和经验模式分解各自优点,提出基于经验模式分解的盲源分离方法。利用奇异值分解(singular value decomposition,简称SVD)估计信号源数目,根据源信号数目将单通道挠度信号和其本征模函数重组为多通道输入信号,应用独立分量分析（independent component analysis,简称ICA）理论中的快速独立分量分析（fast independent component analysis,简称FastICA）算法对输入信号进行分解,实现桥梁挠度信号各分量的分离。仿真研究表明,该方法能较好地解决ICA模型源数估计和单通道挠度信号盲源分离难题。     

多共振分量融合CNN的行星齿轮箱故障诊断

针对行星齿轮箱中各部件所激起的振动成分混叠、早期故障特征经常被较强的各级齿轮谐波成分以及环境噪声所湮没的问题,提出一种多共振分量融合卷积神经网络（multi-resonance component fusion based convolutional neural network,简称MRCF-CNN）的行星齿轮箱故障诊断方法。首先,对振动信号进行共振稀疏分解,得到包含齿轮谐波成分的高共振分量和可能包含轴承故障冲击成分的低共振分量;其次,构建多共振分量融合卷积神经网络,将得到的高、低共振分量和原始振动信号进行自适应的特征级融合,通过有监督的方式训练模型并进行行星齿轮箱故障诊断。对行星齿轮箱实验数据的分析结果表明,该方法能够有效分类行星齿轮箱中滚动轴承和齿轮的故障,成功对行星齿轮箱故障进行诊断,同时能够进一步增强卷积神经网络对振动信号所蕴含的故障信息的辨识能力。     

设备故障趋势预测的分析与应用

研究了设备故障趋势的预测方法，介绍了非线性自回归模型，提出将BP神经网络与非线性自回归模型相结合，针对实验室JZQ250型齿轮箱的测试系统建立了基于振动信号的神经网络预测模型。采用MATLAB软件中自带的神经网络工具箱，利用模块化的编程思想，编程实现了神经网络预测模型．并利用实验室数据的峭度指标进行了实验。首先给出网络的输入及对应的目标输出，然后经过训练获得网络的权值和阈值，最终构建齿轮箱故障趋势的预测神经网络，用来预测齿轮箱的故障趋势。结果表明，该模型能够有效地短期预测齿轮箱的典型故障，可以用于齿轮箱的故障诊断。     

基于主成分分析的齿轮箱故障特征融合分析

为有效降低齿轮箱故障特征的维数并提高诊断准确率,提出了基于主成分分析法的齿轮箱故障特征融合方法,并结合支持向量机和BP神经网络对诊断的准确率进行了分析。以齿轮箱中不同裂纹齿轮为对象,选取能够表征齿轮箱故障状态的时域、频域和基于希尔伯特变换的36个特征,提取累积贡献率达到95%以上的主成分并输入支持向量机分类器中进行分类识别,用BP神经网络分类器进行结果的比较分析。结果表明,采用主成分分析法与支持向量机相结合的方法,既能降低特征维数,降低计算的复杂性,又能有效地表征齿轮箱的运行状态,识别不同裂纹水平的齿轮,比单独使用支持向量机分类器的方法诊断准确率更高,训练时间更短。     

基于小波变换和ICA特征提取的开关电流电路故障诊断

提出了采用小波变换和独立成分分析(ICA)作为预处理器来进行特征提取的神经网络开关电流电路故障诊断方法。该方法对采集到的故障响应信号进行Haar小波正交滤波器分解,获得低频近似信息和高频细节信息;然后利用独立成分分析方法进行ICA故障特征提取;最后将所得到的最优故障特征输入到BP神经网络中进行故障分类。对六阶切比雪夫低通滤波器和六阶椭圆带通滤波器电路进行了仿真实验验证,获得了100%的故障诊断准确率,与其他方法进行比较,实验结果显示了该方法的优越性。     

基于RBF神经网络的齿轮箱故障诊断

阐述径向基函数(radial base function,RBF)神经网络的基本原理和算法,将其应用于齿轮箱故障诊断与识别,建立齿轮箱的BRF故障诊断模型,并与BP(back propagation)神经网络、学习率自适应BP神经网络进行对比分析研究。结果表明,RBF神经网络性能优于BP神经网络,具有较快的训练速度、较强的非线性映射能力和精度较高的故障识别能力,非常适用于齿轮箱的状态监测和故障诊断。但在具体应用中应当注意,RBF网络的训练样本必须含有一定的噪声,以提高网络的容噪性能;各类故障的训练样本数不能太少,否则RBF网络的故障分类能力很差。     

基于MSD-ICA-EA的轴承故障诊断方法

轴承故障诊断时,传感器采集的故障声音信号一般含有多个故障源,且源信号之间统计相关,应用传统的独立分量分析受到限制,本文应用多分辨率子带分解的独立分量分析方法(MSD-ICA),针对小波变换快速独立分量分析分离出的高频子带信号常呈现调制特性,提出进一步结合包络分析(EA)方法分析该子带信号,来判定故障的类型与部位.试验表明,多分辨率子带分解的独立分量分析结合包络分析的分析方法能有效地解决该类问题.