多尺度移不变稀疏编码及其在机械故障诊断中的应用

提出了一种融合多尺度信息的高效移不变稀疏编码算法,并用于机械故障诊断. 将移不变稀疏编码作为分类器应用于故障诊断,直接对振动信号进行训练和识别,不需要提取特征和预处理. 为进一步提升效果,将不同尺度的移不变稀疏编码分类器融合在一起. 经实验验证,即使在训练样本和测试样本负载不同的情况下,文中方案仍然能够以较高的准确率识别出轴承的故障位置和程度. 与其他方法相比,文中方法的准确率、鲁棒性更高,具有一定的工程应用价值.      

液压泵故障诊断稀疏编码方法研究

针对液压泵故障特征难以提取、诊断过程复杂、自动化程度低等特点,将稀疏编码方法应用于液压泵故障诊断.通过对液压泵泵壳处振动信号进行时频域变换,将变换后的信号作为样本,采用K-SVD算法对训练样本进行字典学习以获取字典,利用正交匹配追踪算法对测试信号进行分解与重构,通过不同类别字典对测试信号的重构率大小进行故障种类识别,实现液压泵故障分类.通过试验验证并与BP神经网络、支持向量机对比,结果表明稀疏编码方法具有对故障识别速度快、准确率高、稳定性好等优点,可以有效地实现对液压泵故障的诊断.      

一种基于监工机制的改进蚁群算法

针对基本蚁群算法存在收敛速度慢、易陷入局部最优解等问题,受监工机制的启发,提出了监工蚁群算法,以监工距离作为评价标准,自适应地选择优良的蚂蚁更新信息素,提高了每次迭代中解的质量,指导之后的蚂蚁进行更好的学习。该算法选用优化的全局更新策略,使得信息素在进化前期增加较多,在后期增加较少;同时,自适应地将信息素的值限定在一定范围内,防止某条路径被选择的概率过大或者过小。该算法还添加了发散和收敛机制,当算法陷入局部最优解时,增加探索的概率,有助于跳出局部最优解。仿真结果表明,监工蚁群算法具有较高的全局寻优能力,减少了迭代次数,增强了算法的稳定性。     

基于奇异值分解的液压缸动态特性分析新方法

针对经验模态分解(EMD)方法、数学形态法和经验模态分解(MM-EMD)方法在处理液压缸油压波动信号时产生模态混叠的缺点,提出了一种基于奇异值分解(SVD)的液压缸动态特性分析的新方法。首先,在相空间对周期性冲击力作用下的液压缸油压波动信号进行重构,得到合适的特征矩阵;然后将特征矩阵进行奇异值分解,获得奇异值序列和多个可线性叠加的分量信号;最后,根据奇异值分布规律、分量信号特点和油压波动模型,将分量信号进行分类和重组,提取能够反映液压缸动态性能的自由振动分量。试验结果表明,基于奇异值分解的液压缸动态特性分析新方法提取的自由振动分量,能够避免模态混叠,保留了更多的信号细节,为评价液压缸动态性能提供可靠的依据。     

基于奇异值分解和深度信度网络多分类器的滚动轴承故障诊断方法

提出一种基于奇异值分解(SVD)和深度信度网络(DBN)多分类器的滚动轴承故障诊断方法.对滚动轴承的振动信号进行相空间重构,得到相应的特征矩阵;对特征矩阵进行SVD分解,并用所得整个奇异值序列构造特征向量,建立DBN多分类器模型,以实现滚动轴承的故障诊断;同时,将所提出的方法与DBN、反向传播神经网络、支持向量机等算法进行对比.结果表明,所提出的方法能够更加稳定、可靠地识别滚动轴承的故障类型和故障程度.     

改进的匹配追踪在方波信号滤波中的应用

为了克服常规滤波方法对方波信号滤波能力的不足,实现对方波信号的精确滤波,提出了一种改进的匹配追踪算法。针对方波信号特征,构建了与方波信号匹配而对噪声不敏感的方波原子;基于正交匹配追踪,并吸收子空间追踪的回溯思想,改进了最优原子选择方法;鉴于有用信号与噪声信号的能量差异,使用了一种自适应迭代停止标准,能准确找到有用信号和噪声的临界点,解决噪声能量未知的预估问题。对不同信噪比下的仿真方波信号进行滤波,经实测验证,所提方法在信噪比和均方误差方面都优于常规去噪算法,且保留了方波的特征,适用于方波信号的滤波。