基于量子遗传算法优化RVM的滚动轴承智能故障诊断

提出了基于量子遗传算法(QGA)优化相关向量机(RVM)核函数参数的方法,通过仿真比较了量子遗传算法与其它方法在核函数参数优化方面的性能,结果表明基于量子遗传算法优化出的算法性能优于其它方法的优化性能。将基于量子遗传算法优化的相关向量机(QGA-RVM)应用于滚动轴承的故障诊断;采用总体平均经验模态分解(EEMD)将滚动轴承故障信号自适应地分解成多个内禀模态函数(IMF),将IMF能量作为故障特征输入到QGA-RVM进行最终的故障诊断。结果表明,该方法能够快速准确地诊断出滚动轴承故障,验证了该方法的有效性和稳定性;此外,通过与支持向量机(SVM)的对比分析,显示了RVM在智能故障诊断应用中的优越性。     

基于独立特征选择与相关向量机的变载荷轴承故障诊断

在线状态监控与故障诊断具有很大的经济与安全意义,提出了一种基于独立特征选择(IFS)与相关向量机(RVM)的智能故障诊断模型用于变载荷条件下识别多类轴承故障及其故障程度。首先混合空载(0hp)与满载(3hp)两种载荷状态下的实验数据作为训练样本;其次提取时域统计特征与全小波包域节点能量特征作为候选特征;接着采用一种改进的Fisher特征选择方法为每两类故障状态独立选择具有最大分类能力的最优特征子集;然后用“一对一”的方法训练多个RVM二类子分类器;最后采用“最大概率赢”的策略组合所有子分类器构成IFS_RVM多类故障诊断模型。用未知载荷(1hp,2hp)下的实验数据验证了模型的有效性,得到99.58%的极高诊断精度,实验结果表明,该模型精度高、鲁棒性强,满足变载荷条件下在线故障诊断的需要     

基于混沌理论和相关向量机的自动机故障诊断

针对自动机振动信号的非线性与短时冲击特性,提出一种基于混沌理论和相关向量机(relevance vector machine,RVM)相结合的自动机故障诊断方法。首先,计算每一组自动机振动信号的最大Lyapunov指数、关联维数、Kolmogorov熵和相对关联距离熵共4个混沌参数并组成特征矩阵,从而表征自动机状态信息。然后,将特征矩阵输入RVM中进行分类识别,判断故障类型。自动机故障诊断实例表明,通过提取自动机振动信号的4个混沌参数可以实现其运行状态信息表征,并且RVM能够较精确地识别自动机的常见故障;此外,通过与支持向量机(support vector machine,SVM)的故障诊断结果进行对比,验证RVM分类模型的优势。     

基于半监督邻域自适应LLTSA算法的故障诊断

为了有效利用振动信号进行故障诊断,提出了一种基于半监督邻域自适应线性局部切空间排列(SSNALLTSA)算法的故障诊断方法。从多域提取振动信号的混合特征,构建原始高维特征集。利用半监督邻域自适应线性局部切空间排列算法对原始特征集进行维数约简,提取出辨识性较高的敏感特征子集。将得到的低维特征输入SVM分类器进行识别,判断故障类型。液压泵故障诊断实验结果表明,该算法克服了LLTSA无监督和使用全局统一邻域参数的不足,可更有效地寻找数据的低维本质流形,提高了识别准确率,具有一定优势。     

基于排列熵与IFOA-RVM的汽轮机转子故障诊断

为了提高汽轮机转子故障诊断的识别准确率和效率,提出基于排列熵与改进的果蝇算法(IFOA)优化相关向量机(RVM)的汽轮机转子故障诊断方法。将实验数据进行自适应完备的集合经验模态分解(CEEMDAN),并选取故障特征敏感的IMF分量计算排列熵,以此构造特征样本集,进而建立"二叉树"IFOA-RVM故障分类器对特征集进行分类,其中IFOA通过两个阶段来定义果蝇群体的搜索范围来提高搜索效率,同时避免RVM核函数陷入局部最优。通过ZT-3汽轮机转子模拟试验台获得的故障数据进行实验研究,结果表明与模糊熵对比,排列熵获得的特征样本集的聚类效果明显;IFOA-RVM分类器在故障识别准确率和效率上优于FOA-RVM等其它分类器;证明了基于排列熵与IFOA-RVM汽轮机转子故障诊断方法的有效性和可行性。     

排列熵与核极限学习机在齿轮故障诊断中的应用

针对齿轮故障难提取和极限学习机(extreme learning machine,ELM)隐层节点数需要人为设定,致使齿轮故障分类模型准确度低、稳定性差的问题,提出基于核极限学习机(kernel extreme learning machine,K-ELM)的齿轮故障诊断方法。首先,将测得信号经经验模态分解(empirical mode decomposition,EMD)处理后得到一系列IMF本征模式分量,并提取各分量的排列熵(permutation entropy,PE)值组成高维特征向量集;然后利用高斯核函数的内积表达ELM输出函数,从而自适应确定隐层节点数;最后,将所得高维特征向量集作为K-ELM算法的输入建立核函数极限学习机齿轮故障分类模型,进行齿轮不同故障状态的分类辨识。实验结果表明:与SVM、ELM故障分类模型相比,核函数ELM滚动齿轮故障诊断分类模型具有更高的准确度和稳定性。     

非线性复合FSVM在设备故障诊断中的应用

为了提高设备故障诊断的精度和准确性,利用模糊支持向量机（fuzzy support vector machine,FSVM）,处理设备故障样本中的噪声数据。单个核函数构成的FSVM可以处理单一特征的样本集,但不能满足现有设备故障分析实际应用的需求。本文在现有核函数的基础上,进行复合核函数构建,可以有效解决设备故障样本集异构和分布不规则的特征,并可以对于故障进行有效分析,得到较为诊断准确的研究结果。通过对滚动轴承故障实验数据的分析,证明基于复合核函数的FSVM方法,可以有效提高故障诊断的准确度。该方法相比传统FSVM的分析结果,其故障数据信息利用更加充分,故障诊断准确性有效提高,具有较好的有效性和可行性。     

基于最小交叉熵的相关向量机

研究了传统相关向量机(RVM)的性能,分析了传统RVM的性能完全取决于先验假设的连接权值和参数的平滑性,因而其稀疏性实际上仍受核函数或核参数选择的控制,这在某些情况下可能会导致严重的欠拟合或过拟合现象的问题,在此基础上,提出了明确地给出基函数优化过程中的目标数量,并通过最小化训练阶段前向“假定”概率分布和测试阶段反向“真实”概率分布间的交叉熵来构建RVM的方法.实验结果表明,这种方法不但可以构建最小复杂度的基于最小交叉熵的RVM结构,而且构建的RVM能很好地对数据进行拟合,提高预测的准确性,增强其稀疏性.     

多联机系统制热工况下的制冷剂充注量故障诊断模型——基于多层卷积神经网络

本文提出一种基于卷积神经网络的故障诊断模型,并通过正交试验优化了3层网络的卷积核和神经元数目,利用图形化的多联机(VRF)系统制冷剂充注量故障实验数据训练了多层卷积神经网络,评估了本模型的故障诊断性能。结果表明:该"数据图形化-多层卷积神经网络"方法建立的模型能够有效进行多联机制冷剂充注量故障诊断,20个输入特征时,对9类故障诊断总正确率最大为91%,比传统BP神经网络达到更高的诊断精度。该方法首次利用卷积神经网络完成了VRF制冷剂充注量故障诊断,为相关研究的拓展奠定了基础。     

基于邻域自适应局部保持投影的轴承故障诊断模型

为了有效利用振动信号进行故障诊断,提出了一种基于邻域自适应局部保持投影的轴承故障诊断模型。首先,利用EMD将轴承振动信号分解为若干个平稳的固有模态函数（IMF）,对IMF分量建立自回归（AR）模型,构建原始特征子集。然后,利用邻域自适应局部保持投影算法对原始特征子集进行降维处理,获得原始特征子集的低维特征向量和投影矩阵。以低维特征向量为输入,以最小二乘支持向量机（LS-SVM）为分类器,通过研究故障识别率和低维特征空间维数的关系确定最优降维维数和对应的最优投影矩阵。最后,根据最优降维维数完成降维处理过程,得到低维特征向量,输入LS-SVM分类器,识别轴承的工作状态和故障类型。实验结果表明,该模型提高了轴承故障诊断的精度。