粒子群优化算法实现的WSN路由协议的可靠性验证

针对无线传感器网络(Wireless Sensor Network,WSN)中传感器节点能量的有限性,通过改进WSN路由协议来降低整个网络的能耗,从而提高其生命周期。主要分析粒子群优化算法实现的WSN低能耗路由协议(PSO-LP)与经典LEACH协议和基于粒子群算法的LEACH协议LEACH-PSO相比的优越性,并通过MATLAB仿真实验从生命周期、网络剩余总能量、簇头节点分布等方面验证了PSO-LP协议使传感器节点的能量利用率达到最大化,显示了PSO-LP算法在均衡网络能耗方面的有效性。     

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。     

一种改进的PSO-BP算法在液压系统故障诊断中的应用

液压系统故障诊断中采用BP神经网络进行故障的模式识别,存在着收敛率较低的问题。结合粒子群算法和BP算法各自的优势,提出了一种基于改进的PSO-BP液压系统故障诊断方法。对标准粒子群算法的惯性权重和学习因子进行改进,再对BP神经网络的权值和阈值进行优化,达到改善BP网络性能的目标。仿真结果表明该方法提高了BP网络的收敛率,减小了诊断误差。     

基于PSO优化的RBF网络液压泵故障诊断研究

提出了以小包分解和粒子群优化的径向基神经网络(RBFNN)为基础的液压泵故障诊断方法。通过小波包分解对振动信号做降噪处理并提取相应的故障信号的特征能量值,将此特征能量值作为神经网络的输入,再采用粒子群算法对神经网络的数据中心和宽度、输出权值和阈值进行优化,并将其分别与基于传统神经网络和基于遗传算法优化的故障诊断方法进行对比分析。对比结果表明,该方法具有很好的诊断效果。     

融合KPCA与PSO-RBF的数控机床故障诊断研究

针对数控机床发生故障时多故障源、多变量、强耦合的特点和RBF神经网络结构参数选取依据经验的问题,提出一种融合核主元分析方法(kernel principal component analysis,KPCA)与粒子群算法优化RBF神经网络的数控机床故障诊断方法。首先,对所测信号利用核主元分析方法进行降噪、拨冗余,提取故障特征;其次,利用粒子群算法(Particle swarm optimization,PSO)优化RBF神经网络隐层节点中心和宽度;最后,将经KPCA提取的故障特征作为输入,建立PSO优化RBF的故障诊断模型。通过某数控床伺服系统七种常见故障特征仿真实验,结果表明:与RBF神经网络、PSO优化RBF神经网络相比,融合KPCA和PSO优化RBF神经网络的故障诊断方法不仅提高了网络的训练速度及泛化能力,而且具有更高辨识精度。     

基于混沌粒子群优化的神经网络在旋转机械故障诊断中的应用

基于混沌粒子群优化算法提出一种根据群体早熟收敛程度和个体适应值来调整惯性权重的自适应混沌粒子群优化算法,算法兼顾全局寻优和局部寻优,能够有效地避免早熟收敛.使用自适应混沌粒子群优化算法训练神经网络并建立旋转机械故障诊断模型,实验结果表明,与粒子群优化算法、遗传算法训练神经网络相比,基于自适应混沌粒子群优化算法的神经网络能够有效改善神经网络的训练效率,提高故障模式识别的准确率.     

FOA-WPT降噪和PSO-SVM在滚动轴承故障诊断中的应用

在轴承故障诊断中,为了进一步提高诊断方法的自适应性和分类准确率,提出果蝇优化小波包降噪和粒子群支持向量机相结合的方法。利用果蝇算法对小波包降噪的阈值进行优化,结合粒子群算法在GCV算法下的错误率最低,得到SVM的最优惩罚参数和核函数参数,建立PSO-SVM分类模型,对4种工况下滚动轴承的10类故障进行分类。实验结果表明,使用FOA-WPT降噪后,信号有着更高的信噪比和更低的均方误差（MSE）;和粒子群支持向量机相结合的分类方法准确率达到89%,与未使用粒子群算法优化的SVM相比,提高了约8%,进一步证明了该方法可以实现滚动轴承的多分类故障诊断。     

基于改进离散粒子群算法的炼钢连铸最优炉次计划

提出了炉次数未知的炼钢连铸一体化生产的组炉模型.对该模型直接求解存在大量不可行解的困难进行分析,提出将该模型转化为伪旅行商问题的方法,并提出采用离散粒子群优化算法求解该问题.针对离散粒子群优化收敛速度和精度低的缺点,提出了一种基于序列倒置的改进离散粒子群优化算法.引入学习选择概率来选择学习粒子,利用运行代数阈值常数确定当前粒子何时向全局最优粒子学习,并通过局部最优子粒子群比决定局部最优子群的规模.讨论了这些参数的选择原则,并给出了相应参考选择范围.实验研究表明,所提模型是合适的,所提改进算法是有效的.     

基于粒子群优化SOM神经网络的轴系多振动故障诊断

针对自组织特征映射神经网络(SOM)在多振动故障诊断中出现的不能对所有可能故障完整分类和明显区分的缺点,提出基于粒子群算法优化的SOM神经网络.利用粒子群优化算法易实现、收敛快等优点,对SOM神经网络的参数进行优化,并用优化后的SOM神经网络对轴系故障进行仿真诊断.仿真诊断结果表明,粒子群算法优化的SOM神经网络比SO...     

基于粒子群优化模糊聚类的旋转机械故障诊断

提出基于柱子群优化模糊聚类分析的算法,并将其用于旋转机械的振动故障诊断。该算法以模糊C一均值算法（FCM）的聚类目标函数作为粒子群的适应度函数来衡量各聚类中心的优劣,并依据聚类有效性指标自动确定最优聚类数及聚类中心,有效的结合了FCM极易陷入局部最优的缺点以及粒子群算法全局寻优的优点。实践表明,该方法提高了旋转机械故障诊断的准确率,既可正确判断单一故障,又可有效诊断复合故障,从而证明了该算法的有效性。     

无线传感器网络多级融合的机械故障诊断方法

针对无线传感器网络(wireless sensor networks,简称WSNs)在机械故障诊断应用中大量振动信号不能实时传输的问题,提出基于无线传感器网络多级分层信息融合的机械故障诊断方法。采用簇树网络结构扩大网络监测覆盖范围,将WSNs信息融合分为数据级融合、特征级融合及决策级融合3个级别,终端节点对原始振动信息进行数据级融合以提取特征信息,簇头节点对特征信息进行特征级融合得到模式识别结果,网关节点对识别结果进行决策级融合以评估机械设备运行状态。实验表明,该方法能有效应用于机械故障诊断。     

基于软竞争Yu范数自适应共振理论的轴承故障诊断方法

传统自适应共振理论网络模型利用硬竞争机制对故障类边界处的样本进行分类时易造成误分类,为此,提出了基于软竞争Yu范数自适应共振理论的轴承故障诊断方法。将基于模糊竞争学习的软竞争方法引入Yu范数自适应共振理论模型中,根据模式节点与输入样本间隶属度的大小,对竞争层多个节点进行训练和学习。通过对轴承故障试验数据的诊断分析可知,该方法不但能有效识别不同类型的故障,而且能识别不同严重程度故障,且诊断精度优于自适应共振理论模型和模糊C均值聚类模型。     

基于FSWT细化时频谱SVD降噪的冲击特征分离方法

为有效提取滚动轴承故障振动信号的故障冲击特征,提出了基于FSWT细化时频谱SVD降噪的冲击特征分离提取方法。首先对原始信号进行频率切片小波变换得到全频带下的时频分布,然后根据时频谱能量分布特点选择出感兴趣的时频区域,再以较高的时频分辨率对感兴趣的时频区域进行细化分析得到细化的时频谱,从而分割出含有故障特征时频区域。为克服噪声对细化时频谱精度的影响,FSWT细化分析过程融入SVD降噪,通过对FSWT细化时频谱系数矩阵进行奇异值差分谱阈值降噪,使得FSWT细化时频谱的冲击特征更加明显,最后通对降噪后的细化时频谱进行FSWT逆变换重构,分离出故障冲击信号。仿真分析和故障诊断实例表明,基于FSWT细化时频谱SVD降噪的冲击特征分离提取方法能够成功从低信噪比信号中提取出周期性的冲击特征,有效地实现对滚动轴承各种故障的诊断。     

基于小波域广义高斯分布的轴承故障诊断方法

针对基于小波能量谱和能量谱熵的故障诊断方法要求小波分解系数基本符合高斯分布这一不足,提出一种基于小波系数广义高斯分布参数特征的故障诊断方法。提出的方法分析轴承振动信号多尺度小波分解系数的统计特征,利用广义高斯分布模型对信号的小波分解系数直方图进行拟合,采用最大似然估计方法确定模型参数并以此作为信号特征实现故障诊断。将建议的方法与基于小波能量谱、能量谱熵及小波包的方法进行比较,结果验证设计思想的正确性和算法的高效可检测性。从小波基、窗口宽度和分类器三个层面对建议方法诊断性能的影响进行分析,结果表明提出的方法具有很强的稳定性和鲁棒性。     

基于最小二乘支持向量回归机的无线传感器网络目标定位法

针对RSSI测距误差直接影响无线传感器网络(WSN)目标定位准确度的问题,从目标位置与目标到传感器节点测距矢量的双射关系入手,建立最小二乘支持向量回归机(LSSVR)目标定位的数学模型,提出了一种基于LSSVR的WSN目标定位方法TL-LSSVR.根据虚拟目标坐标和虚拟目标到传感器节点距离矢量构造出训练样本,通过确定学习区域及网格化采样获得训练样本集,采用LSSVR训练得到定位模型,将测量得到的距离矢量输入定位模型实现目标定位.对不同传感器节点数量以及不同节点分布情况下的WSN目标进行了定位实验.结果显示,对于节点随机分布的情况,TL-LSSVR方法的定位误差比最小二乘法减小21.0%～43.1%;对于节点均匀分布的情况,TL-LSSVR方法的定位误差则减小26.5%～48.7%,表明TL-LSSVR方法能有效减小测距误差对定位结果的影响,提高目标定位准确度.     

基于电机电流经验模态分解的行星轮故障诊断

在故障诊断领域,电机电流信号分析法(MCSA)已经逐渐应用于齿轮故障诊断中,但该方法在诊断行星轮缺齿故障时由于电流基频干扰较大,导致故障特征不明显,难以实现故障诊断。因此提出一种基于电流信号经验模态分解(EMD)的故障诊断方法。通过对电机电流信号进行EMD分解,选取合适的IMF分量经傅立叶变换求其频谱图,根据频谱图中是否存在与故障特征频率相关的频率,实现了对行星轮缺齿故障的有效诊断。并通过实验分析,验证了该方法的有效性。     

基于特征贡献率的机械故障分类方法

为提高往复压缩机、航空发动机等复杂机械故障分类的准确率，依据特征参数对不同故障的敏感度存在差异的特性，提出一种狄利克雷过程混合模型(Dirichlet process mixture model,简称DPMM)与贝叶斯推断贡献(Bayesian inference contribution,简称BIC)相结合的分析方法。采用DPMM方法自学习机械振动信号高维特征的统计分布模型，并依据BIC理论计算得到各特征参数对模型的贡献率，通过对比观测数据与各类故障数据特征贡献率间的差异实现故障分类。试验结果表明，该方法的平均分类准确率比基于高斯混合模型(Gaussian mixture model,简称GMM)的故障诊断方法的平均分类准确率提高19.29%，比基于Relief算法的故障诊断方法的平均分类准确率提高32.71%，且该方法的时效性高，泛化性能强，能够更有效地进行复杂机械故障分类。     

滚动轴承故障特征提取的EMD频谱自相关方法

首先,在论述频谱自相关方法(spectrum auto-correlation,简称SAC)的特点、经验模态分解(empirical mode decomposition,简称EMD)分析过程和轴承故障机理的基础上,指出了在故障信号不占主导作用时频谱自相关方法在轴承故障诊断中的局限性,并得到仿真算例验证;然后,提出了基于经验模态分解和频谱自相关的轴承故障特征提取方法,将经验模态分解得到的各分量进行分析比较,再对适合的分量进行频谱自相关分析,可有效提出轴承故障频率;最后,分别在轴承故障试验台实测了深沟球轴承和圆柱滚子轴承内外圈故障振动数据,结果表明,EMD-频谱自相关分析方法可以很好地提取轴承故障信号,较单一EMD分解、频谱自相关和峭度等方法效果更好,为轴承故障诊断提供了新思路。     

利用最小二乘支持向量机实现无线传感器网络的目标定位

针对接收信号强度值(RSSI)的波动直接影响无线传感器网络(WSN)目标定位准确度的问题,研究了利用最小二乘支持向量回归机(LSSVR)实现WSN的目标定位的基本原理,分析了固定探测节点和探测节点变化时的LSSVR建模定位特性,提出了基于自适应LSSVR回归建模实现WSN目标定位的方法(TL-AML)。该方法综合考虑目标定位准确度和实时性,初始时刻首先建立LSSVR回归模型来定位目标,根据后面任一时刻探测节点与前一时刻回归模型建模节点的包含关系决定是否重新建模,实现自适应建模定位过程。基于CC2430无线传感网络实验平台,进行了相关TL-AML方法性能实验,通过合理选取建模参数,TL-AML方法的目标定位均方根误差(RMSE)比MLE方法减小34%～37%,比LSE方法减小60%～65%。建模参数在较大范围内取值时,TL-AML方法目标定位准确度比MLE和LSE方法有明显提高。在LSSVR建模情况下,TL-AML方法目标定位耗时0.2～0.4s,无需重复建模时,目标定位耗时减少到0.04s。实验结果表明,TL-AML方法能够显著减小RSSI波动对目标定位结果的影响,提高目标定位准确度,减少目标定位时间,且具有较好的目标定位实时性。     

分布式机电系统边缘节点信号预处理方法及应用设计

为提高分布式机电系统边缘节点对本地数据过滤和分析的效率及准确性,提出了一种基于最优变分模式分解(Optimal variational mode decomposition,OVMD)的信号预处理方法.首先,利用一阶差分方法有效消除了原始信号中的奇异点,随之利用最优变分模态分解方法对信号进行模态分解,然后进行相关分析,确定各模式与原始信号的相关程度,从而从噪声信号中准确分离出真实的工作信号.在理论与仿真分析基础上,设计开发了分布式机电系统边缘节点预处理系统,并采用信噪比及均方根误差指标评价信号预处理效果.实验结果表明,该机电信号预处理方法及设计的边缘节点预处理系统能够提取不同特征的信号,提高重构信号信噪比,具有较高的保真性和可靠性,为后续系统健康监测、故障诊断等工作提供了数据保障.