基于量子遗传的机械故障非线性盲源分离方法研究

针对传统的机械故障非线性盲分离方法的不足,即将非线性盲源分离中分离矩阵和非线性去混合函数的参数分开来优化,这样容易顾此失彼,学习效率低。将量子遗传引入到机械故障非线性盲分离中,提出一种基于量子遗传的机械故障非线性盲源分离方法(简称QGA-NBSS方法),该方法能同时对分离矩阵和非线性去混合函数的参数进行优化,获得全局最优解并加快了算法的全局收敛性,克服了传统的机械故障源的非线性盲源分离方法的不足。仿真和实验结果验证了提出的方法的有效性。     

基于量子遗传的机械故障盲源分离方法研究

针对基于遗传算法的机械故障源分离(GA-BSS)方法存在的不足和量子遗传的独特优势,提出了基于量子遗传的机械故障盲源分离(QGA-BSS)方法,并与传统的GA-BSS方法进行了比较。仿真结果表明,提出的方法优于GA-BSS方法,尤其是在快速收敛性方面,避免了GA-BSS方法早熟收敛,同时也大幅度地减少了计算量。将提出的方法应用到轴承故障分离中,能很好地提纯出轴承故障特征。实验结果证明,提出的QGA-BSS方法是有效的。