基于条件变分自编码器的齿轮箱故障诊断

目的实现齿轮箱故障类型的智能识别诊断。方法针对传统故障诊断方法通用性不广、数据依赖强、泛化能力弱并需人工提取特征问题,提出一种基于条件变分自编码器的故障诊断方法。以故障类别概率分布为目标并将振动信号频谱作为条件,通过条件变分自编码器,建立齿轮箱振动信号频谱到对应各故障下的条件概率模型,并通过多层神经网络结合变分推断方法进行训练优化,实现对齿轮箱各类型故障的高精度分类诊断。结果在仅有少量训练数据条件下,实现了准确的故障识别。结论条件变分自编码器在齿轮箱振动信号频谱概率分布建模上具有优异性能,对故障信号数据量的依赖低、泛化能力强,无需人工提取特征。能有效实现齿轮箱故障的智能分类诊断。     

改进EMD算法在滚动轴承振动信号分析中的应用

针对传统的经验模态分解处理非平稳、非线性振动信号存在的模态混淆问题,提出了一种改良的经验模态分解处理滚动轴承的振动信号。针对采集振动信号过程中存在多频率信号、噪声和间歇信号的特点,构建了高低频率信号和带有噪声及间歇信号的混合信号,并对仿真信号进行传统的经验模态分解和改进经验模态分解。结果表明,使用改进经验模态分解对实际采集的轴承振动信号进行分析,能够较好地改善模态混淆现象。     

小波网络在大气污染物浓度预测中的应用

提出一种“分解-重构-预测”小波网络的大气污染物浓度的预测方法。通过小波分解,把浓度序列分解为不同频段的小波系数序列,再对各层的小波系数子序列重构到原尺度上,然后对小波系数序列采用相匹配的BP神经网络模型进行预测,最后合成浓度序列的最终预测结果。经对二氧化硫浓度预测证明,该方法预测模型推广能力强,预测精度高。     

BP神经网络与Sugeno模糊积分融合 的转子系统故障诊断

目的针对BP神经网络对转子故障诊断方法存在的局限性,提出一种融合Sugeno模糊积分和BP神经网络的转子故障轴心轨迹识别诊断方法。方法首先利用轴心轨迹图像的不变矩为特征向量,提取常见旋转机械转子故障特征,随后利用多个BP神经网络对故障类型进行识别,最终采用Sugeno模糊积分对BP神经网络识别结果进行决策,从而构建转子故障诊断模型,并应用于转子系统故障的诊断。结果通过机械故障仿真模拟实验平台采集了6种常见转子系统故障信号,利用matlab2012a软件编程建模仿真处理,试验表明,该模型有效地提高了转子系统多类别故障的识别正确率。同时,该方法对同一故障类型识别所需样本少,大大节省了数据获取和处理的时间。结论该方法提出并用于转子系统故障诊断中,诊断准确性高,可靠性强,利用样本数据量少,节约时间,对小样本数据的故障诊断有着良好的效果。     

小波支持向量机在大气污染物浓度预测中的应用

用小波分解重构和支持向量机相结合的方法,建立大气污染物浓度预测模型。通过小波分解,将大气污染物浓度序列分解为不同频段的小波系数序列,再对各层的小波系数序列重构到原尺度上。利用相关分析的方法构建出低频小波系数a3和中频小波系数d3的支持向量机模型输入因子为前一天小波系数a3和7个气象因子;高频小波系数d2和d1以前三日的小波系数为输入因子,然后对各小波系数序列采用相应的支持向量机模型进行预测,各小波系数均使用ν-支持向量回归机(ν-SVR)算法和径向基函数,最后通过小波重构合成大气污染物浓度序列的最终预测结果。通过对大气SO2浓度预测实例证明,该大气污染物浓度预测模型具有推广能力较强、预测精度较高、训练速度快、便于建模等优点,具有良好的应用前景。     

基于GWO-VMD算法的齿轮故障自适应特征提取

目的 齿轮产生故障时,利用其声发射信号进行自适应特征提取后诊断。方法 利用变分模态分解方法（VMD）对齿轮发生故障时的声发射信号进行分解。在现实状况中,采集声发射原信号噪声干扰大,导致特征提取准确度低,并且模态分解时参数需要人为调试设定。鉴于此,引入灰狼优化算法（GWO）,对模态分解个数k和二次惩罚因子α自适应选择最优参数后,对信号分解得到本征模态函数（IMF）。通过相关系数选出最佳IMF作为特征分量,计算其峭度和样本熵。结果 计算了各分量的相关系数,选取与原始信号最为相近的分量,分别计算其峭度和样本熵。分解后,齿轮故障声发射信号峭度高于正常的情况,而样本熵则偶然性表现为正常情况下的值大于故障条件下的值。结论 采用支持向量机对特征向量集进行分类识别,对比改进后的试验结果,GWO-VMD结合峭度–样本熵的方法能够有效地提取故障特征,判断齿轮状态是否健康。     

基于自适应遗传小波神经网络的水质评价建模

水环境污染过程的非确定性和非线性,使得传统的水质评价方法存在局限性。为了提高水质评价的准确性,提出了一种基于改进小波神经网络(wavelet neural network,WNN)的水质评价模型。采用自适应遗传算法(adaptive genetic algorithm,AGA)对小波神经网络的初始权值进行优化,再通过小波神经网络算法对网络进行训练,最后对训练好的网络展开测试。仿真结果表明,自适应遗传算法和小波神经网络的结合提高了网络的训练效率,该方法可以用于水质评价建模,并且评价结果具有较高的精度和准确性。     

大气中SO2浓度的小波分析及神经网络预测

应用小波分解和重构对SO2浓度年变化趋势进行分析,在此基础上,建立了一种分段BP神经网络预测模型,并对各段有针对性地设计了神经网络预测模型.采用主成分分析进行输入变量降维.在BP网络训练过程中,往往会出现过拟合的现象,为此,在训练过程中,将样本等间距地分离为训练集和验证集来防止这个问题.为了消除网络的权值初始化对学习系统复杂性的影响,采用了5个子网络输出取算术平均的神经网络集成的方法.预测结果表明,该模型应用于SO2浓度预测具有较高的预测精度和良好的推广能力,而且明显优于一般的神经网络模型.     

深度学习神经网络在管道故障诊断中的应用研究

针对管道故障诊断特征参数选取经验化和诊断准确率低的问题,提出一种基于深度学习神经网络(DLNN)的管道故障诊断方法。首先建立由自动编码器(AE)和分类器SOFTMAX构成的深度学习神经网络分类(CDLNN)模型,并利用该模型对4类数据集进行分类性能测试;然后运用小波分析法提取8种反映管道运行状态的特征参数,输入AE中进行转换,重构反映管道运行状态的特征参数,最后输入分类器SOFTMAX中进行诊断,将这种基于DLNN的故障诊断方法应用于实验室油气储运管道泄漏检测系统中,以验证方法的有效性。结果表明:该方法的管道故障识别平均准确率达92.86%,其与凭借经验选取特征参数的BPNN方法和SVM方法相比,具有更高的稳定性和辨识率。     

基于RBF神经网络的矿井突水水源识别方法研究

采用Na++K+、Ca2+、Mg2+、Cl-、SO42-和HCO3-六种常规水化学指标作为矿井突水水源识别的依据,利用Piper三线图分析了各充水水源水化学特征,筛选出适用于模型构建的样本。运用SPSS软件构建RBF神经网络,对6组待测样本进行识别。结果表明:RBF神经网络对孔隙水、地表水和奥灰水的判别正确率均为100%,对于砂岩水和太灰水的判别正确率分别为91.7%和50%;经过待判检验,RBF神经网络待判检验正确率为92.3%。