发动机异常检测多目标优化方法

针对柴油发动机异常检测中的特征选择和分类器参数与检测精度之间的耦合关系,提出了一种基于非支配排序粒子群优化的柴油发动机异常检测封装式多目标同步优化方法.利用双树复小波包的分解与重构,对发动机振动信号进行时域、频域和时频域多角度特征提取,构建了较完备的特征参数集,分析了故障诊断中特征选择与分类器参数优化对检测精度的影响,运用非支配排序粒子群优化算法对多个优化目标进行协调和折衷处理,同时追求特征参数子集维数最小化和分类正确率最大化.实验数据分析表明,该方法能够寻找出最优的特征子集和分类器参数,提高柴油发动机异常检测的精度和效率.     

发动机缸盖振动信号特征提取与优化选择算法

为了从发动机缸盖振动信号中提取出完备的、高质量的状态特征,并选择出最优特征子集进行分类,建立了缸盖振动信号集成特征提取模型,提出了一种基于样本分散度的最优特征子集选择算法。集成特征提取模型选取多个完整工作循环数据处理,用提升小波包对其进行快速变换,消除波动影响和噪声,求取所构造特征集的各特征值,得到包含完备发动机状态信息的特征向量;最优特征子集优化选择算法,建立了基于样本分散度的特征选择模型,解决了冗余分类信息的消除问题,结合分类器选择出最优特征子集,使其规模与分类效果综合最优,用欧氏距离分类法和支持向量基分类器进行测试,所有40个特征输入分类器正确率分别为67.86%和70%,优化选择后特征个数分别降低为6个和5个,而分类正确率提高到了90.71%和90%。     

PSO与LS混合算法在故障特征选择中的应用

为了提高分类器的分类精度和泛化能力,提出一种基于粒子群算法(Particle Swarm Optimization,PSO)和拉普拉斯分值(Laplace Score,LS)的混合式故障特征选择方法。该方法首先采用过滤式的特征选择方法(LS)对原始特征集进行筛选,然后利用PSO在经过精简的特征子空间里进行随机搜索,搜索过程中以支持向量机的分类准确率为适应度函数,选择出最优特征子集。用双跨转子实验台的一组故障特征数据集进行验证。实验结果表明,该方法可以有效地筛选出规模较小且最有辨别力的特征子集,能显著提高分类器的分类准确率及效率。     

基于粒子群优化支持向量机的焊接缺陷分类

缺陷的自动分类在焊接缺陷的超声无损检测与评价中具有十分重要的意义.而支持向量机是一种性能优越的机器学习方法,在小样本、非线性及高维模式分类问题中能找到全局最优解,因此,支持向量机在超声检测缺陷分类方面具有良好的应用前景.然而,在实际应用中,选择合适的支持向量机参数是很困难的,影响了分类器的性能和分类精度.针对支持向量机训练中人为选择参数的随意性,提出基于粒子群优化的支持向量机参数自动选择方法,并将其应用于焊接缺陷的分类.该方法采用分类正确率作为优化问题的适应度函数,利用粒子群算法对支持向量机参数进行优化.为验证该方法的有效性,并和常规支持向量机、遗传算法优化的支持向量机进行比较,分别采用标准数据集和焊接缺陷实验数据集进行了分类测试.实验结果表明,该方法获得了比常规支持向量机和遗传算法优化的支持向量机更高的分类正确率.     

基于柔性形态滤波和支持矢量机的滚动轴承故障诊断方法

针对滚动轴承故障振动信号的强噪声背景以及现实中不易获取大量典型故障样本的特点,提出一种基于柔性形态滤波和支持矢量机(Support vector machine, SVM)的滚动轴承故障诊断方法。柔性形态滤波既可以有效地提取出信号的边缘轮廓和信号的形状特征,同时又具有稳健性;SVM具有良好的分类性能,特别在小样本、非线性及高维特征空间中具有较好的推广能力;SVM分类器的惩罚因子和核函数参数采用经典粒子群优化算法进行优化,避免传统方法对初始点和样本的依赖。首先对振动信号进行柔性形态滤波,然后提取滤波后信号的故障特征频率的归一化能量为特征矢量作为SVM分类器的输入参数,用于区分滚动轴承的外圈、内圈和滚动体故障,SVM分类器的参数采用标准粒子群优化算法进行优化。试验结果表明了方法的有效性。     

基于Kriging模型的复杂产品管线敷设顺序粒子群优化

复杂产品的管线布局问题十分复杂,除管路路径规划算法外,敷设顺序对管线整体敷设有着十分重要的影响.以往的研究大多将重点集中在管线路径规划方面,而对敷设顺序的研究还比较少.以航空发动机为例,提出一种基于Kriging模型的管线敷设顺序的规划方法.针对敷设顺序规划这一离散优化问题,通过论域连续化处理,建立粒子群算法优化相关函数参数的Kriging近似模型.在Kriging模型的基础上,应用离散粒子群算法搜索最优顺序,避免在优化过程中反复应用管线路径规划算法进行计算,显著提高规划效率.对离散粒子群算法的改进进一步提升算法的搜索性能.所提规划方法具有很好的通用性,仿真试验验证了方法的有效性与高效性.     

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.     

求解无等待流水车间问题的若干算法

提出了解决无等待流水车间问题的离散粒子群优化、离散差异进化、变邻域搜索和阈值接收算法.在离散粒子群优化和离散差异进化中,采用基于工件排列的编码,设计了新的个体生成公式.同时研究了基于串行结构、嵌人结构和协同结构的12种混合算法.仿真计算表明,混合算法具有较高的优化性能.     

Fisher准则下的粒子群支持向量机在轴承故障诊断中的应用

针对粒子群算法对支持向量机参数进行优化时存在的收敛速度慢、分类准确率不高的问题,通过引入Fisher准则评估每个特征向量粒子的适应度得到最优特征子集,提出了一种基于Fisher准则下粒子群算法优化支持向量机(FIPSO-SVM)的新分类方法,该方法的目标是尽可能地加大类间间隔和减小类内间隔。采用滚动轴承数据集在时域和频域上得到32组特征向量,测试该方法在4种工作状态下的分类效果,最后,使用不同核函数和2种不同算法将全样本特征向量与最优特征向量子集的SVM分类结果进行对比。结果表明,FIPSO-SVM分类器不仅能够识别故障产生的位置,还能区别故障损伤的程度,FIPSO-SVM分类器具有更高的分类精度和更快的收敛速度,值得进一步在工程领域内推广。     

遗传离散粒子群算法求解车辆货物配装问题

针对车辆货物配装离散组合优化问题的特点,建立了能均衡利用车辆载重和容积的数学模型。采用遗传离散粒子群算法,将遗传算法中的选择、交叉、变异操作加入到离散粒子群算法的寻优过程中,在保证粒子群多样性的前提下,改善了新一代粒子的适应能力。通过计算实例验证了遗传离散粒子群算法的有效性,并与启发式算法和基本粒子群算法进行了对比,结果表明遗传离散粒子群算法在车辆货物配装组合优化问题中具有很强的全局搜索能力,并可以获得更好的优化结果。     

基于张量Tucker分解的发动机故障诊断

传统的发动机故障诊断方法通常基于向量模式进行数据特征的提取,可能丢失数据之间的结构信息及破坏数据间相关性。针对此问题,提出了一种张量模式下提取发动机数据特征的方法,构建了“信号类别×曲轴转角×转速”的三阶张量形式的发动机状态样本,基于交替投影的思想,使用HOSVD-HOOI张量Tucker分解的联立求解算法,对数据特征进行提取。分别以不进行数据特征提取和基于张量Tucker分解进行数据特征提取两种情况,对发动机正常工作、单缸失火和轴系不对中三种状态下的实验数据进行处理,并分别采用网格参数优化法、遗传算法、粒子群算法对分类模型中的参数进行优化。以预测准确率和模型学习时间为评价指标进行对比分析,实验结果表明,基于张量Tucker分解的发动机数据特征提取及诊断方法预测准确率更高,分类模型学习时间更短。     

基于粒子群优化的核主元分析特征的提取技术

针对核主元分析在参数设置上的盲目性,提出应用粒子群优化算法优化核函数参数.并将核主元分析应用于特征提取中.首先建立核函数参数优化的数学模型,然后应用加速度自适应粒子群优化算法对其寻优,并通过Iris数据集进行仿真研究,验证其提取特征的有效性.将优化的核主元分析方法应用于齿轮箱典型故障的特征提取中,结果表明:参数优化的核主元分析能有效降低齿轮箱特征向量的维数,较线性主元分析取得更好的故障识别效果.该方法在机械故障信号的非线性特征提取中具有优势.     

基于深度学习特征提取和粒子群支持向量机状态识别的齿轮智能故障诊断

针对齿轮故障诊断问题,利用数理统计特征提取方法、深度学习神经网络、粒子群算法和支持向量机等技术,提出了一种基于深度学习特征提取和粒子群支持向量机状态识别相结合的智能诊断模型。该模型利用深度学习自适应提取的频谱特征与数理统计方法提取的时域特征相结合组成联合特征向量,然后利用粒子群支持向量机对联合特征向量进行故障诊断。该模型在对多级齿轮传动系统试验台的故障诊断中实现了中速轴大齿轮不同故障类型的可靠识别,获得了满意的诊断结果。应用结果也验证了基于深度学习自适应提取频谱特征的有效性。     

基于最小熵解卷积-变分模态分解和优化支持向量机的滚动轴承故障诊断方法

提出了一种基于最小熵解卷积和变分模态分解以及模糊近似熵的故障特征提取方法,并采用优化支持向量机对故障进行识别分类。首先利用最小熵解卷积方法降低噪声干扰并增强故障信号中故障特征信息,进而对降噪后的信号进行变分模态分解,并利用模糊近似熵量化变分模态分解后包含故障特征信息的模态分量以构建特征向量,之后通过采用扩展粒子群算法优化惩罚因子和核函数参数的支持向量机,对故障样本训练并完成故障识别分类。将所提方法应用于滚动轴承不同损伤程度、不同故障部位的实验数据,验证了该方法的有效性。与基于局部均值分解的特征提取方法相对比,结果表明所提方法可以更精确地提取出滚动轴承故障特征,并能够更准确地完成不同故障的识别;通过与基于网格寻优算法优化的支持向量机方法和基于扩展粒子群优化的最小二乘支持向量机方法相对比,结果表明所提方法具有更好的分类性能,能达到更好的诊断效果。     

基于KPCA和PSOSVM的异步电机故障诊断

针对异步电机故障振动信号具有较强的非线性特征,而传统的线性分析方法易造成振动信号非线性成分的丢失这一情况,提出一种核主元分析和粒子群支持向量机相结合的异步电机故障诊断方法。利用核函数实现输入空间到高维特征空间的非线性映射以及对映射数据的主元分析,得到原始样本的非线性主元,实现特征提取和数据压缩,将获得的核主元特征通过支持向量机进行模式识别。采用距离比值法和粒子群算法分别对核主元分析和支持向量机的参数进行双重优化选择。实验结果表明,该方法能有效提取故障信号的非线性特征,具有较强的非线性模式识别能力,相比主元分析和支持向量机方法,分类效果更好,实时性更强,可快速有效实现异步电机故障诊断。     

A New Intelligent Fusion Method of Multi-Dimensional Sensors and Its Application to Tribo-System Fault Diagnosis of Marine Diesel Engines

Marine diesel engines, a critical component to provide power for entire ships, have been received and still need considerable attentions to ensure their safety operation. Vibration and wear debris analysis are currently the most popular techniques for diesel engine condition monitoring and fault diagnosis. However, they are usually used independently in practice, and limited work has been done to address the integration of data collected using the two techniques. To enhance early fault detections, a new fault diagnosis technique for the marine diesel engine has been proposed by the information fusion of the vibration and wear particle analyses in this paper. A new independent component analysis with reference algorithm (ICA-R) using the empirical mode decomposition based reference extraction scheme was adopted to identify the characteristic source signals of the engine vibration collected from multi-channel sensors. The advantage of this approach performed at a data fusion level is that the ICA-R can extract only the relevant source directly related to the engine fault features in one separation cycle via incorporating prior knowledge. The statistical values of the recovered source signals were then calculated. The above vibration features, along with the wear particle characteristics, were used as the feature vectors for the engine fault detection. Lastly, the improved simplified fuzzy ARTMAP (SFAM) was applied to integrate the distinctive features extracted from the two techniques at a decision level to detect faults in a supervised learning manner. Particularly, the immune particle swarm optimization was used to tune the vigilance parameter of the SFAM to improve the identification performance. The experimental tests were implemented on a diesel engine set-up to evaluate the effectiveness of the proposed diagnosis approach. The diagnosis results have shown that distinguished fault features can be extracted and the fault identification accuracy is satisfactory. Moreover, the fault detection rate of the integration approach has been enhanced by 16.0?% or better when compared with using the two techniques separately.     

Multi-fault diagnosis study on roller bearing based on multi-kernel support vector machine with chaotic particle swarm optimization

A novel intelligent fault diagnosis model based on multi-kernel support vector machine (MSVM) with chaotic particle swarm optimization (CPSO) for roller bearing fault diagnosis is proposed. Multi-kernel support vector machine is a powerful new tool for roller bearing fault diagnosis with small sampling, nonlinearity and high dimension. Chaotic particle swarm optimization is developed in this study to determine the optimal parameters for MSVM with high accuracy and great generalization ability. Moreover, the feature vectors for fault diagnosis are obtained from vibration signal that preprocessed by time-domain, frequency-domain and empirical mode decomposition (EMD) and the typical manifold learning method LTSA is used to select salient features. The experimental results indicate that this proposed approach is an effective method for roller bearing fault diagnosis, which has more strong generalization ability and can achieve higher diagnostic accuracy than that of the single kernel SVM or the MSVM which parameters are randomly extracted.     

广义复合多尺度加权排列熵与参数优化支持向量机的滚动轴承故障诊断

针对滚动轴承特征提取和故障识别两个关键环节,提出了一种广义复合多尺度加权排列熵（GCMWPE）与参数优化支持向量机相结合的故障诊断方法。利用GCMWPE全面表征滚动轴承故障特征信息,构建高维故障特征集。应用监督等度规映射（S-Isomap）算法进行有效的二次特征提取。采用天牛须搜索优化支持向量机（BAS-SVM）诊断识别故障类型。将所提方法应用于滚动轴承实验数据分析过程,结果表明：GCMWPE特征提取效果优于多尺度加权排列熵、复合多尺度加权排列熵和广义多尺度加权排列熵;GCMWPE与S-Isomap相结合的特征提取方法可在低维空间中有效区分滚动轴承不同故障类型;BAS-SVM的识别正确率和识别速度优于粒子群优化支持向量机、模拟退火优化支持向量机和人工鱼群优化支持向量机;所提方法能够有效、精准地识别出各故障类型。     

基于遗传编程的发动机滑油系统故障诊断

为了提高航空发动机滑油系统故障诊断的有效性,提出了一种基于遗传编程的故障特征提取模型。该模型首先利用遗传编程从原始特征集中提取更能反映故障本质的复合特征,然后通过Fisher判别分析进行二次特征提取,得到对分类识别最有效、数目最少的特征。在神经网络的分类试验中,经过遗传编程和Fisher判别分析提取的特征使样本集的可分性增大,分类正确率从80%左右提高到了97%以上,并且对分类器具有较强的鲁棒性,表明该模型提取的特征对滑油系统的几种典型故障具有更好的识别能力。