基于人工鱼群算法的轴承故障随机共振自适应检测方法

针对传统的自适应随机共振以单个参数为优化对象忽略参数间交互作用的不足及采用遗传算法优化参数在种群数量增加时算法收敛速度明显减缓的缺陷,提出基于人工鱼群算法的自适应随机共振新方法。该方法利用人工鱼群算法对初值、参数设定容许范围较大、具备并行处理能力及人工鱼个体数目增加时鱼群算法收敛速度能提高的特性,自适应实现与输入信号最佳匹配的随机共振系统。仿真数据与轴承滚动体故障数据分析表明,基于该算法的自适应随机共振方法可有效实现微弱特征检测与早期故障诊断。

基于自适应随机共振的水下蓝绿光微弱信号检测

海水的吸收和散射导致光信号严重衰减,使得水下无线光通信系统中低信噪比信号检测成为一大难题。基于此,提出一种自适应随机共振水下蓝绿光微弱信号检测方法。分析了水下弱光信号特点以及随机共振的产生条件,结合多策略融合的粒子群算法与随机共振动态调整系统参数,使系统达到最优匹配状态,进而提升弱光信号的检测性能。搭建了水下无线光通信实验系统进行实验,结果表明,在接收信噪比为-1.7 dB时,使用该方法得到的误码率低至2×10-4,验证了该方法的可行性和有效性。

自适应随机共振新方法及其在故障诊断中的应用

系统参数的选择对随机共振方法的优劣起着决定性的作用。已有的随机共振方法在选择参数过程中存在着致命的问题,例如人为主观选择参数,或者只对单一参数进行自适应优化,而忽略了参数之间的交互作用。为了解决以上问题,提出一种新的自适应随机共振方法。与已有方法相比,该方法的优势在于利用蚁群算法优良的寻优特性,能并行选择和优化随机共振系统的多个参数,考虑了参数之间的交互作用,自适应地实现与输入信号最佳匹配的随机共振系统。因此该方法解决了已有方法在参数选择中存在的问题,从而能更有效地削弱信号中的噪声并增强微弱特征,实现早期故障准确诊断。通过仿真试验和机车轴承早期故障诊断的工程应用,表明提出的方法在微弱特征检测与早期故障诊断中取得了比已有方法更好的效果。

基于EEMD和共振解调的滚动轴承自适应故障诊断

为解决滚动轴承原始振动信号信噪比低以及带通滤波器参数选择依赖于人的主观经验等影响传统共振解调技术有效应用的问题,提出了EEMD自适应消噪和自适应共振解调相结合的方法。首先利用EEMD自适应地将信号分解成多个分量,通过互相关系数方法进行自适应重构以突出故障特征信号,然后利用谱峭度自动确定带通滤波器的中心频率和带宽,最后对滤波后的信号进行能量算子解调谱分析。数字仿真信号和滚动轴承实验证明了该方法的有效性。

自适应共振解调法及其在滚动轴承故障诊断中的应用

与AR模型、小波变换等故障诊断方法相比较,工程人员更多的是采用共振解调法对滚动轴承故障进行诊断,但诊断成功与否很大程度上依赖于滤波器中心频率及其带宽的选择。这里提出的诊断滚动轴承故障的自适应共振解调法避免了带通滤波器难以选择的困难。其核心思想是:不采用滤波的方式而是通过先对时间信号进行时频变换,然后从时频能量谱中自动提取时间能量信号的方式来达到将由于冲击引起的共振高频信号和高能量的低频信号分离。此外,给出了一个统一的框架从时频能量谱中自动提取类似于时间边缘的时间能量信号,即Lp范数准则。数值实验结果表明,自适应共振解调法能有效地诊断滚动轴承的外圈故障、内圈故障、滚动体故障,而且比传统的共振解调法的性能更优。

采用知识的粒子群算法的多频微弱信号自适应随机共振检测方法

调参随机共振系统结构参数的选择对该检测方法的性能优劣起着决定性的作用。针对工程应用中对多频微弱信号实时检测的要求,提出以平均输出信噪比为适应度函数,将随机共振系统产生最佳共振效应时势垒与噪声强度大致相等这一特性作为知识,采用基于知识的粒子群算法来并行优化随机共振系统结构参数。与标准粒子群算法相比,该算法能以更快的速度得到最佳的系统结构参数,自适应地实现非线性系统、输入信号和噪声之间的最佳匹配,削弱多频含噪信号中的噪声,提高信号的输出信噪比。仿真试验和水轮机振动信号提取的工程应用均表明,该方法参数寻优效率高,简单易行,在采样点数较少的条件下能最优地检测出淹没在强噪声中的多频微弱信号,可以实现早期故障特征信号的提取。

基于MPDE-EEMD及自适应共振解调的轴承故障特征提取方法

针对滚动轴承振动信号具有非线性、非平稳性和非高斯性,并且故障特征往往淹没于系统噪声之中而难于识别的问题,提出了以多种群差分进化(multiple population differential evolution, MPDE)算法来改进集合经验模式分解(ensemble empirical mode decomposition, EEMD)的MPDE-EEMD消噪方法,并与自适应共振解调技术(adaptive resonance demodulation technique, ARDT)相结合实现故障特征提取。首先,为了解决EEMD中加入参数依靠人工选择且难以准确获取的问题,建立极值点分布特性评价函数,利用MPDE来寻优获取最佳白噪声幅值,实现EEMD自适应分解。然后,采用峭度与相关性相结合的准则对分解后的IMF分量进行自动筛选,将满足条件的有效信号进行重构,实现对原始振动信号的降噪处理。最后,采用ARDT自动确定对消噪信号进行带通滤波的带宽和中心频率,再通过包络解调提取出滤波信号的特征频率。将轴承仿真故障信号与实际故障信号用于算法的验证,结果表明MPDE-EEMD+ARDT能有效提取出轴承故障特征。

基于AMD和自适应随机共振的旋转机械故障诊断方法研究

针对强噪声背景下信噪比较低的旋转机械故障诊断问题,提出一种基于解析模态分解(AMD)和随机共振的旋转机械故障诊断方法。若信号的频率成分已知,AMD方法能将多频率成分的信号分解为单频率信号。对于可预知故障特征频率的旋转机械故障诊断,首先利用AMD方法提取振动信号中故障特征频率所在频段的信号,并对每个提取出的信号添加强度较低的噪声;然后利用粒子群算法优化的双稳随机共振对含噪信号进行处理来加强信号;最后求该信号的频谱,若频谱中含有故障特征频率,则说明振动信号中存在该故障。通过对滚动轴承故障信号特征的提取证明了该方法有良好的效果。

基于自适应共振解调技术的滚动轴承故障诊断

针对现有共振解调技术中高频共振中心频率及滤波带宽确定方法不成熟的问题,提出了自适应共振解调技术。利用经验模态分解将故障信号分解成若干个固有模态函数,通过信息熵最小的固有模态函数分量确定高频共振频率,自适应选取带通滤波器的中心频率和带宽。利用Hilbert变换对滤波后的信号进行解调分析,得到包含故障特征信息的低频包络信号,提取故障特征频率,实现故障辨识。与现有共振解调方法相比,自适应共振解调方法在工程实际中应用性更强。

小信号检测中的自适应随机共振技术

论文就双稳态非线性系统的结构参数和弱信号及噪声之间的关系进行了仿真,对随机共振技术运用于强噪声背景下的弱信号检测进行了研究。提出了一种随机共振自适应算法,并运用于中频电源的故障信号检测,取得了较好结果。

变分模态分解和改进的自适应共振技术在轴承故障特征提取中的应用

针对滚动轴承早期故障特征提取困难的问题,提出了基于变分模态分解(Variational Mode Decomposition,VMD)和改进的自适应共振技术的滚动轴承故障特征提取方法。针对轴承故障信号所在频带难以选择的问题,提出了基于改进的自适应共振技术(Improved Adaptive Resonance Technology,IART)的IMF选取方法。首先,确定模态数,提出了峭度最大值的模态数确定方法;然后,对原始振动信号进行VMD分解,获得既定数目的本征模态分量(Intrinsic Mode Function,IMF);其次,利用IART选取包含丰富故障信息的IMF分量;最后,(如有需要)对选取的IMF分量进行基于IART的带通滤波,并进行包络解调分析提取故障特征频率。将该方法应用到轴承仿真数据和实际数据中,能够实现轴承故障特征的精确诊断,证明了该方法的有效性。

基于自适应共振模型的遥感影像分类方法研究

人工神经网络 (ANN)是人视觉和脑的基本功能的抽象、简化和模拟。在对遥感影像的综合解译应用中 ,与传统的统计方法和符号逻辑方法相比较 ,ANN更接近人对影像的视觉解译分析过程。自适应共振理论 (ART)是一种自组织产生认知编码的神经网络理论 ,其自组织、反馈式增量学习机能 ,能兼顾适应性和稳定性 ,克服了一般神经网络学习速度慢、网络结构难以确定、局部最小陷阱等缺陷。以FUZZY ART和ARTMAP为基础 ,提出基于ART遥感影像非监督和监督分类的一般模型 ,并以实际土地覆盖分类和城市结构信息提取为应用实例 ,通过与传统统计方法和一般ANN分类器相比较 ,ART具有正确率更高、学习速度快、自适应性等优点 ,是复杂数据分类和信息提取的有效工具。

应用自适应共振神经网络法优选钻头类型

利用人工神经网络法中的自适应共振理论优选钻头 ,将定性、定量优选因素作为输入层神经元 ,形成一种综合性选型方法 .将优选的钻头分别在大庆的林深 2井和肇深 8井进行现场实验 ,结果表明 :2口实验井的三开平均机械钻速比以前提高 2 0 .6% ,三开行程钻速提高 2 1.2 % ,单只钻头进尺提高 98.1% ,提高深井钻井速度的效果明显 .

一种基于经典遗传算法的自适应随机共振系统

针对实际工程中微弱信号的检测要求,根据双稳态随机共振系统原理和信号、噪声和非线性系统之间的关系,设计了一种基于经典遗传算法的自适应随机共振系统。该系统利用以输出信噪比为目标函数和对系统参数进行联合编码的遗传算法获取双稳态随机共振系统的最佳参数,再根据所得系统参数对接收信号进行最优随机共振处理。仿真结果表明,在低信噪比情况下,系统能始终保持最佳随机共振状态,快速地实现输出信噪比最大化和处理增益达到15～20dB,从而保证低信噪比条件下微弱信号的有效检测和处理。

滚动轴承故障诊断的自适应共振解调技术

针对共振解调技术在实际使用中存在必须事先通过冲击试验确定高频共振频率和带通滤波器的中心频率固定不变的缺点,提出了自适应共振解调技术。自适应共振解调技术可以在共振解调处理之前依靠对振动信号的频谱分析自动识别高频共振频率,然后根据被测对象的高频共振频率自适应地改变带通滤波器的中心频率。并研究了自适应共振解调技术的实现方法,并对实际轴承振动信号进行了自适应共振解调分析。研究结果表明,该技术可方便地在工程中应用。

自适应扫频随机共振方法的研究

针对大参数信号二次采样随机共振应用的局限性,提出了自适应扫频随机共振方法.该方法根据信号、噪声和系统三者协调作用发生随机共振时的关系,自动调整采样频率和双稳系统的结构参数,从而自动获取随机共振状态.将此方法应用于实际噪声下弱信号的提取,取得了较好的结果.

基于模糊理论与自适应共振网络的油中气体分析诊断

介绍了基于模糊理论的自适应共振网络在变压器故障诊断中的应用。根据对实际运行变压器进行统计得出的故障特征气体分布规律，确定分段隶属函数的分界值，并给出隶属函数的经验参数。针对变压器故障诊断的特点，在ＡＲＴ—２网络的基础上，构造了具有输入隐层的ＦＡＲＴ（ＦｕｚｙＡｄａｐｔｉｖｅＲｅｓｏｎａｎｃｅＴｈｅｏｒｙ）网络，对各特征气体采用不同的隶属函数处理，以增强网络对主要气体特征的灵敏度。并通过实例进行了检验，证实了该方法更为有效。

自适应共振理论网络在煤炭资源资产分类中的应用研究

将自适应共振理论网络应用于煤炭资源资产分类,以基于聚类的综合评判模糊数学模型的分类结果作为选择训练样本的基础,建立了自适应神经网络分类模型.网络不仅能得到理想的输出结果,而且能准确地进行煤炭资源资产分类.分类结果表明,用自适应共振理论网络进行分类具有分类稳定、结果可靠等特点.

基于自适应共振理论的结构损伤识别

目的基于自适应共振理论,提出一种基于ART2神经网络的结构损伤识别方法,以实现结构损伤识别的自主学习.方法采用一种改进算法来解决ART2方法中对输入矢量必须是非负实数的要求,并通过主成分分析方法对网络的输入矢量进行降维处理.结果通过对健康监测基准问题模型的计算表明,所采用的改进算法使得网络的输入扩展到整个实数域,且主成分分析方法有效地降低了输入矢量的维数,减少了网络的学习训练时间,从而提高了网络的泛化和判别决策能力.结论基于ART2神经网络的结构损伤识别方法具有自组织、反馈式增量学习机能,能够在不破坏原有记忆样本的情况下,学习新的样本,可以在较强噪声环境下快速准确地识别损伤,适宜于结构损伤的在线监测.

结合C-均值聚类的自适应共振神经网络在风电机组齿轮箱故障诊断中的应用

提出了一种结合C-均值聚类的自适应共振(Adaptive Resonance Theory 2,ART2)神经网络无监督学习分类方法,用于风电机组齿轮箱设备群的故障诊断.利用某风电场齿轮箱运行数据,采用ART2神经网络对样本数据进行初步分类,再采用C-均值聚类算法对神经网络分类结果进行修正,得到最终诊断结果,并与ART2神经网络分类结果进行了比较.结果表明:所提出的方法解决了原始神经网络算法存在"硬竞争"导致分类精度下降的问题,准确度高于传统的ART2神经网络,可以准确识别出故障齿轮箱.