复杂装备轴承多重故障的线性判别分析与反向传播神经网络协作诊断方法

由于复杂装备运行工作环境恶劣,导致其轴承多重故障诊断的准确率不高,为此提出一种 基于线性判别分析(LDA)与反向传播(BP)神经网络协作下复杂装备轴承数据驱动的多重故障诊断方法。将无量纲指标作为轴承多重故障数据的反映指标,利用LDA对轴承多重故障的无量纲指标数据进行线性映射降维处理;通过拉格朗日极值法获得最佳投影向量,沿着该方向将轴承多重故障数据投影到类别最易区分的方向;将经投影处理后的样本作为BP神经网络的输入样本,通过训练测试网络,实现轴承多重故障的预测分类。对某型装备大型旋转机械机组进行仿真实验,验证了所提方法能够有效对轴承多重故障进行降维映射,并且能较好地实现多重故障分类诊断,具有良好的有效性和实用性。     

一种新的盲声源分离方法及应用

介绍了盲源分离的原理及几种常用的基于独立分量分析的盲源分离方法．瞬时混合声信号可看作是对声源信号的线性变换,因此通过线性反变换能够实现对声源信号的估计．基于这一思路,提出了一种适用于瞬时混合信号的盲源分离新方法．该方法采用了线性变换原理,通过对信号高斯性的检测来求解最佳变换角度,并依此构造分离矩阵实现源信号的分离．给出了该方法的实现步骤,还将该方法用于混合语音声音信号的分离,以及实际电机和轴承混合声音信号的分离．应用结果表明,提出的方法有良好的声源信号分离效果．     

基于经验模式分解的滚动轴承故障诊断方法

针对滚动轴承故障诊断中,冲击脉冲法(Shock Pulse Method,SPM)结合包络解调技术进行定量诊断误差较大的问题,提出了基于经验模式分解(Empirical Mode Decomposition,EMD)和SPM的滚动轴承故障定量诊断方法。该方法首先对轴承振动信号进行EMD分解,再对分解得到的基本模式分量(Intrinsic Mode Functions,IMFs)做包络解调从而得到准确的冲击值,然后利用SPM方法便可以准确地进行滚动轴承故障定量诊断。试验验证结果表明,内圈故障特征频率处出现22.12dB的峰值,根据SPM方法判断该轴承存在轻微内圈故障,符合实际情况,该方法可以准确有效地进行滚动轴承故障定量诊断。     

基于变分模态分解的机械故障诊断方法研究

变分模态分解(VMD)是一种新的自适应信号分解方法,该方法的核心思想是假设每个模态的绝大部分都是紧紧围绕在某一中心频率周围的,然后将模态带宽的求解问题转化为约束优化问题,求解出每个模态。将VMD引入到机械故障诊断中,提出一种基于VMD的机械故障诊断方法,并与集合经验模态分解(EEMD)方法进行对比分析。仿真结果表明：VMD方法明显优于EEMD方法,能有效地分解出信号的固有模态;与EEMD方法相比较,该方法模态混叠现象弱,计算效率高,理论充分。将VMD方法成功地应用到转子不同碰摩严重程度的故障数据分析实验中,实验结果进一步验证了该方法的有效性,能够揭示出碰摩故障数据的频率结构,区分碰摩故障的严重程度。     

小波-神经网络在旋转机械故障诊断中的应用

本文以小波分析技术对旋转机械故障信号进行了降噪，并作为机械故障特征信号的提取手段，由此建立了基于小波与自适应神经网络的旋转机械故障智能终端系统，通过实际测试数据的诊断结果说明此诊断系统对故障是有效的。     

装备维修训练中机械故障设置方法研究

针对装备维修训练中各种机械故障不易设计、设置和实现等问题,对装备常见的机械零件和机械故障进行分类分析,并对故障设置方法进行系统归纳和总结,提出快速完全替换法、局部替换法和调整法3种故障设置方法,并对常见的机械故障给出具体的技术路线.以齿轮为例采用快速完全替换法、局部替换法对齿轮的磨损、断裂、啮合间隙等故障的设置方法进行了设计.研究内容对提高装备维修训练效果具有较强实用价值.     

基于盲源信号分离的加工误差分离方法研究

针对当前加工误差分离方法无法分离相近尺度系统误差的缺点,提出了一种基于独立成分分析的加工误差分离方法。建立了各误差源所导致的系统误差和总的系统误差之间的传递模型;根据盲源信号分离相关理论,建立了基于负熵固定点算法的加工误差分离模型,实现了相近尺度的系统加工误差分离,并利用主成分分析法给出了误差源数量确定的方法。以某陀螺仪的某加工面加工误差分离为例对所提出的方法进行了验证,结果表明所提出的误差分离方法可有效实现相近尺度的加工误差分离。针对当前加工误差分离方法无法分离相近尺度系统误差的缺点,提出了一种基于独立成分分析的加工误差分离方法。建立了各误差源所导致的系统误差和总的系统误差之间的传递模型;根据盲源信号分离相关理论,建立了基于负熵固定点算法的加工误差分离模型,实现了相近尺度的系统加工误差分离,并利用主成分分析法给出了误差源数量确定的方法。以某陀螺仪的某加工面加工误差分离为例对所提出的方法进行了验证,结果表明所提出的误差分离方法可有效实现相近尺度的加工误差分离。     

基于奇异值分解与最优Morlet小波的微弱故障特征提取方法研究

为了有效提取湮没在强噪声背景下的微弱故障信号,文中提出了一种基于奇异值分解(SVD)与最优Morlet小波的故障特征提取方法。采用基于奇异值曲率谱的有效奇异值个数选择方法进行有效奇异值的自动判别,利用Shannon小波熵方法优化带宽参数设计出最优Morlet基小波,并实现母小波与冲击特征成分的最优匹配。对仿真信号和实际轴承内圈故障信号的诊断分析表明,该方法具有非常好的降噪性能,能有效地提取出湮没在强噪声背景中的微弱故障特征。     

基于盲源分离的齿轮箱复合故障诊断研究

针对传统盲源分离(BSS)技术在处理非线性变化的复合故障信号时的不足,将核独立分量分析(KICA)技术应用于齿轮箱的状态检测与故障诊断。介绍了KICA的基本原理,进行了仿真说明。最后应用该方法并结合包络阶次谱分析对设置了2种故障的齿轮箱进行故障诊断,最终找到了故障特征,成功判别出了这2种故障,并验证了该方法的有效性。     

基于条件深度循环生成对抗网络和动作探索的行星轮轴承剩余寿命预测

为解决小样本和变工况下行星轮轴承剩余寿命预测准确率低的问题,提出一种基于条件深度循环生成对抗网络(C-DRGAN)和动作探索(AD)的行星轮轴承剩余寿命预测方法。将门控循环单元神经网络与条件生成对抗网络相结合,构建C-DRGAN,从非静态和非线性信号中提取故障特征,实现小样本和变工况下行星轮轴承的剩余寿命预测;采用基于AD的训练算法训练C-DRGAN,提高收敛速度,降低训练时间;根据训练后的C-DRGAN,利用多元线性回归分类器预测测试样本中行星轮轴承的剩余寿命。通过行星轮轴承加速疲劳寿命试验验证该方法的有效性。结果表明,该方法具有较强的非静态和非线性信号处理能力,并能在小样本情况下取得出色的行星轮轴承剩余寿命预测效果。     

基于遗传优化的正交小波分数间隔盲均衡算法

针对传统的常数模盲均衡算法(CMA)收敛速度慢、稳态误差大和局部收敛的缺点,提出了一种基于遗传优化的正交小波分数间隔盲均衡算法(WT-FSE-GA).该算法通过对分数间隔均衡器的输入信号进行正交小波变换,以降低信号的自相关性,并利用遗传算法全局随机搜索的特性,对均衡器权向量进行优化,以降低CMA陷入局部收敛的可能性.与...     

An Orthogonal Wavelet Transform Fractionally Spaced Blind Equalization Algorithm Based on the Optimization of Genetic Algorithm

An orthogonal wavelet transform fractionally spaced blind equalization algorithm based on the optimization of genetic algorithm(WTFSE-GA) is proposed in viewof the lowconvergence rate,large steady-state mean square error and local convergence of traditional constant modulus blind equalization algorithm(CMA).The proposed algorithm can reduce the signal autocorrelation through the orthogonal wavelet transform of input signal of fractionally spaced blind equalizer,and decrease the possibility of CMA local convergence by using the global random search characteristics of genetic algorithm to optimize the equalizer weight vector.The proposed algorithm has the faster convergence rate and smaller mean square error compared with FSE and WT-FSE.The efficiency of the proposed algorithm is proved by computer simulation of underwater acoustic channels.     

基于遗传神经网络的机械振动信号预测

针对传统的BP神经网络学习算法存在易陷入局部极小及收敛速度慢等缺陷,文中提出了利用实数编码改进遗传算法对神经网络进行优化训练,并把训练好的神经网络用于对机械振动信号的预测, 并与传统BP算法以及改进BP算法预测结果进行比较,充分证实了文中方法的有效性.     

基于绕封模型的故障特征选择方法研究

在机械故障诊断中,基于原始大特征量的故障状态识别会导致识别精度的下降。特征选择可以去除原始特征中的冗余特征,提高诊断精度。但以前广泛应用的基于过滤模型的特征选择方法不能满足进一步提高精度的要求。针对此问题,提出使用基于绕封模型的故障特征选择方法,它采用遗传算法对特征集寻优,样本划分法进行错误率预测估计和BP神经网络学习算法进行分类。轴承诊断实例证昵,此方法有较好的寻优特征子集的能力,可以提高系统的诊断精度。     

正交小波分数间隔频率分集自优化盲均衡算法

为克服传统多输入判决反馈盲均衡算法(MI-DFE)稳态误差大、收敛速度慢的缺点,在分析正交小波、分数间隔均衡器、频率分集技术的基础上,提出了一种正交小波分数间隔频率分集自优化盲均衡算法(WT-FF-SOC).该算法将正交小波、分数间隔均衡器与频率分集技术相结合,先得到正交小波分数间隔频率分集盲均衡算法(WT-FF);对WT-FF中每一路的输出合并后再进行判决反馈,用常数模算法(CMA)更新权向量,并作为WT-FF-SOC的跟踪模式;对WT-FF中的每一路信号进行判决反馈处理后,再对判决反馈滤波器的输出进行合并,在推导盲RLS算法后,用盲RLS算法更新权向量,并作为WT-FF-SOC的启动模式。两种模式利用代价函数的判决阈值进行切换。该算法具有收敛速度快、稳态误差小的特点。水声信道的仿真结果,验证了算法的有效性。     

基于混合蛙跳算法的多模盲均衡算法

针对常模盲均衡算法(CMA)收敛速度慢、收敛后稳态误差大且存在盲相位的现象,提出了一种基于混合蛙跳算法的多模盲均衡算法(SFLA-MMA)。它结合了智能优化算法的基本思想,将个体自身的进化及个体间的社会行为等概念引入到盲均衡技术中。该算法将多模盲均衡算法(MMA)代价函数的倒数定义为混合蛙跳算法(SFLA)的适应度函数,将青蛙群体中青蛙个体的位置向量作为MMA的初始权向量;利用SFLA的全局信息共享机制和局部深度搜索能力,在全局范围内搜索青蛙群体的最优位置向量并作为MMA的初始优化权向量。之后,通过MMA进行迭代,得到MMA的最优权向量。利用高阶多模正交振幅调制（QAM）与正交相移键控（APSK）信号对该算法进行了仿真验证。仿真结果表明,与CMA、MMA和基于粒子群算法的多模盲均衡算法(PSO-MMA)相比,SFLA-MMA在均衡高阶多模信号时收敛速度极快、稳态误差最小、输出信号星座图最清晰。     

基于改进的复合自适应遗传算法的UUV水下回收路径规划

传统遗传算法的变异操作会简单随机产生新的路径,对算法进化性能有不利影响,使算法易陷入局部最优的陷阱;遗传算法常配合栅格法进行路径规划,所得的最优路径并非无人水下航行器(UUV)回收路径规划可获得的最短路径,并存在UUV机动性能可能与最优路径冲突的问题。为此,设计一种具有UUV机动性约束条件的改进遗传算法,提出环境复杂度的概念用于分析机动性约束的具体取值,使路径规划适配于UUV的机动性,使算法结果更具实用性;提出复合自适应变异策略,控制变异的个体在迭代过程中发生自适应的进化;当一定迭代数内种群进化停滞时,引导最优个体进行双阶段自适应变异,从而使最优路径趋近全局近似最优解,有效提高算法的收敛速度。基于MATLAB软件的算法对比仿真结果表明一般复杂水域和复杂水域环境下,改进的复合自适应遗传算法生成的最优路径相比于遗传算法和自适应遗传算法的最优路径更加平滑,路径长度更低,可见改进的复合自适应遗传算法在路径规划上收敛性能和寻优能力更优,更具有可行性和优越性。     

遗传小波神经网络故障字典在模拟电路故障诊断中的应用

以神经网络、小波分析和遗传算法等为代表的智能诊断技术,是故障诊断技术发展的一个重要方向。以传统故障字典法、BP神经网络、小波分析和遗传算法等基本原理为基础,将神经网络、小波分析和遗传算法与故障字典结合,用小波分解预处理故障信号提取故障特征,用遗传算法优化BP神经网络的结构和权值,对基于遗传小波神经网络的故障字典在模拟电路故障诊断中的应用进行研究,并结合实例验证其实际使用性能。     

时变环境对信源数估计及盲源分离的影响分析

针对信号来波方向突变、源信号个数及信号样式发生变化,对辐射源个数估计及盲源分离(blind source separation,BSS)结果的影响进行分析。源信号个数的估计采用基于信息论准则的估计方法,采用自适应盲分离算法 进行信号盲分离。实验结果表明：混合矩阵发生突变时,使用接收数据进行信源数估计,无法正确估计信源数;当 混合矩阵未发生突变,而信号样式发生突变时,源数估计算法能准确估计来波方向数;若混合矩阵不变,在某一来 波方向信号样式的改变,对信号的盲分离不会产生不利影响,可将该来波方向不同的信号样式分开;若混合矩阵不 变,阵列接收信号中信号个数的改变,对信号分离结果没有明显的不利影响。分析结果表明：该研究对评估信源数 估计算法和盲源分离算法在实际环境中的应用效果具有一定参考价值。