基于多算法融合的船用空压机油液分析与磨损故障诊断

主成分分析-三线值法-反向传播神经网络(principal component analysis-new three line value-back propagation neural network,PCA-NTLV-BPNN)多算法融合模型被用于提高故障诊断精度和准确率。具体处理过程为:采用小波包变换(wave packet transform,WPT)对油液数据进行降噪;应用PCA选择主要元素,根据这些元素数据采用NTLV建立正常、警告、危险边界线分类磨损状态;确定BPNN的期望输出分类。以船用空压机为研究对象,理论分析和实践比较结果表明,融合模型比BPNN具有更高的诊断精度与准确率,诊断效果更好。

基于SSA-GRNN的离心压缩机磨损预测研究

本文以离心压缩机润滑油液样本数据为基础进行设备磨损预测研究,结合实际工程情况分析设备的磨损状态与润滑油液中的元素变量之间的非线性关系,采用核主元分析法从经预处理的15维数据中提取4维包含原样本信息90.47%的磨损特征集,有效减少了冗余信息。为进一步提升模型预测性能,利用麻雀搜索算法(sparrow search algorithm, SSA)对基于广义回归神经网络(generalized regression neural network, GRNN)构建的预测模型进行光滑因子寻优取值。模拟结果表明:SSA-GRNN模型预测结果的均方根误差为3.98%,平均相对误差为10.40%,与传统BP、RBF、GRNN模型相比,该模型的预测性能更强。