基于HGWO-MSVM的采煤机滚动轴承故障诊断方法

针对采煤机滚动轴承故障特征向量提取较困难、多分类效果不理想等问题,提出了基于HGWOMSVM的采煤机轴承故障诊断方法。对轴承故障信号进行小波降噪处理,利用经验模态分解算法对降噪后信号进行分解,并提取能量特征值,作为MSVM的训练集和测试集。采用MSVM进行故障状态识别,并用HGWO算法对MSVM的参数进行优化。试验结果表明,相比于GWO、GA和PSO优化MSVM模型,基于HGWO-MSVM的采煤机轴承故障诊断模型可明显提高故障识别精度和效率。     

基于HGWO-MSVM的齿轮箱故障诊断研究

针对齿轮箱多类故障信号非线性、不确定性难以进行有效识别的问题,提出了一种混合灰狼优化算法(Hybrid Grey Wolf Optimizer,HGWO)优化多分类支持向量机(Multi-class Support Vector Machine,MSVM)的齿轮箱故障诊断方法。首先利用小波包对齿轮箱故障信号进行降噪处理,并通过信号中各频带的能量,提取能量特征值,再将获取的特征值输入优化后的MSVM模型进行故障模式的识别。实验结果表明,相对于传统的诊断模型,基于HGWO-MSVM的齿轮箱故障诊断模型能够更有效地诊断齿轮箱的实际运行状态,提高识别效率和精度。     

复合材料层板冲击损伤检出概率预测研究

针对航空领域复合材料层板冲击损伤检出概率的影响因素复杂、不确定性难以进行准确预测的问题,将BP神经网络和模糊推理系统相结合,提出了一种基于自适应神经模糊推理系统(Adaptive Neuron Fuzzy Inference System,ANFIS)的冲击损伤目视检测检出概率预测方法。首先利用仿真函数验证预测模型的有效性,然后以实验数据为例进行仿真分析,与传统的BP神经网络和支持向量机预测模型进行比较。仿真和实验结果表明,自适应神经模糊推理系统预测模型在目视检测损伤检出概率预测中具有更高的精度。