基于改进LFQPSO优化MRVM的轴向柱塞泵故障诊断

针对传统粒子群优化算法以准确率或误判率作为适应度函数耗时长和轴向柱塞泵故障机制较为复杂的问题,提出一种基于改进适应度函数的Lévy飞行量子粒子群优化(QPSO)多分类相关向量机(MRVM)的轴向柱塞泵概率性智能软状态判别方法。为了克服人为设定核参数不精确、效率低等缺点,采用基于Lévy飞行的QPSO搜索MRVM的最优核参数;为了缩短寻优时间,将样本间余弦相似度作为寻优算法的适应度函数,并利用UCI机器学习标准数据集进行仿真来验证改进后优化方法的有效性及优越性;采集柱塞泵不同故障状态的数据,提取时频域和时域特征,输入到优化后的MRVM中,进行训练及测试。实验结果表明：所提方法可以有效提高故障诊断的准确率及诊断效率,同时能够实现软分类,即以概率形式输出诊断结果,能够为设备检修及维护提供可靠且符合实际的故障信息。     

多模型Stacking集成学习的旋转机械故障诊断方法

针对传统旋转机械故障诊断方法中单一机器学习模型出现的诊断精度低、泛化能力差且性能提升有限等问题，提出了通过Stacking框架异质集成多个机器学习模型对旋转机械进行故障诊断。首先利用小波包变换对旋转机械的原始振动信号进行特征提取；然后通过贝叶斯优化和网格搜索结合的方法调节各基学习器的超参数，采用DT、KNN、SVM及RF作为初级学习器，LR作为次级学习器构建Stacking异质集成学习模型；最后通过滚动轴承和液压泵故障模拟试验，将所提模型与单一模型、同质集成模型进行比较分析。试验结果表明，异质集成Stacking模型在不同旋转机械的故障诊断中均获得了最佳的整体诊断性能。异质集成是提高旋转机械故障诊断性能的有广阔应用前景的解决方案。