滚动轴承转速-振动深度学习模型的算法对比研究

轴承健康状况直接影响着机械设备的稳定性和安全性,对轴承的运行状态进行故障诊断尤为重要。基于此,在健康、内圈故障和外圈故障3种不同状况下,选择莱文贝格-马夸特(Levenberg-Marquardt,LM)算法、贝叶斯正则化(Bayesian Regularization,BR)算法和量化共轭梯度(Quantum Conjugate Gradient,QCG)算法,对在随时间变化的加速条件下滚动轴承振动数据进行训练和测试。在MATLAB R2023b软件中构建不同类型的深度学习模型,对比分析深度学习模型的均方误差值、回归R值、训练时长和训练轮数等多种指标。经过分析得出,在追求精度和准确性、内存资源和时间充足的情况下,应选用贝叶斯正则化法算法来训练深度学习网络模型。

基于Levenberg-Marquardt算法和广义S–变换的无绝缘轨道电路补偿电容的故障检测

本文利用传输线理论分析了无绝缘轨道电路补偿电容故障对轨道电路短路电流幅度包络的影响,提出了短路电流幅度包络的回归模型,并利用Levenberg-Marquardt(L-M)算法验证了该模型的正确性和适用性.根据机车信号的工作原理,将对短路电流幅度包络的检测转换为对机车信号感应电压幅度包络的检测.在利用L-M算法进行分段指数拟合以去除信号的衰减趋势的基础上,通过广义S变换(GST)得到信号的瞬时频率变化,最终根据短路电流幅度包络的回归模型,对瞬时频率变化结果进行判决,得到发生故障电容的具体位置.实验表明,GST具有较高的时–频分辨率,可以此对故障电容进行准确定位.由于该方法的检测数据全部来自于机车信号的日常运用,使得利用本文方法可大大缩短补偿电容的检测间隔时间,在很大程度上克服了目前检测方法在检测的及时性、成本和影响铁路运输等方面的不足.

一种LM-BP加速搜索的周跳探测与修复方法

针对传统三频周跳探测与修复方法中的不敏感、漏检以及效率较低等问题,提出一种基于莱文伯格-马夸特(LM)-反向传播(BP)神经网络加速搜索法的伪距相位组合与电离层残差组合联合周跳探测与修复方法:利用2个伪距相位组合以减少不敏感周跳数量,利用1个电离层残差组合以提高小周跳探测敏感度;在构成3个线性无关的组合观测值后,使用LM-BP加速搜索算法进行周跳探测与修复。实验结果表明,相对常规的伪距相位组合与电离层残差组合联合方法,该方法能够提高周跳探测与修复性能,可探测小至1个的周跳,探测与修复整体时效有较大提升。

基于FOA-LM算法的超声回波信号参数估计

在超声回波参数估计中,搜索莱文伯格一马夸特(Levenberg-Marquard,LM)算法的最优解会受到迭代初值与参数向量真实解接近程度的影响。针对LM算法对迭代初值敏感的问题,提出了果蝇优化算法(Fruit fly optimization algorithm,FOA)算法和LM算法结合的参数估计方法。该方法充分利用FOA算法善于进行全局搜索和LM算法善于进行局部快速搜索的优点,首先使用FOA算法求出超声回波信号的参数初值,然后利用这组初值进行LM法迭代搜索。仿真结果表明,基于FOA和LM算法相结合的方法,具有收敛速度快,精度高的特点。

考虑误差和时间最优的柔性关节驱动电机抗饱和控制

针对PID控制下柔性关节驱动电机的饱和问题,研究了一种考虑误差和时间最优的抗饱和控制方法。构建以系统跟踪误差和调节时间为优化目标,以驱动电机饱和上限为约束条件的优化模型,提出基于多目标模拟退火算法(MOSA)和莱文贝格-马夸特算法(LM)的MOSA-LM-PID组合优化方法;先利用MOSA的全局收敛能力得出PID参数最优解所在区域,再利用LM的局部快速收敛能力将近似最优解拟合为全局最优解,避免了MOSA的无效搜索,提高了收敛速度和精确度;针对MOSA算法一次随机权重可能造成优化偏重的问题,设计了一种考虑当前周期各目标优化情况的目标函数权重赋值方法。仿真与实验结果表明,MOSA-LM-PID的调节时间小于0.5 s,最大跟踪误差小于1.5%,且控制力矩的饱和度小于50%,均优于PID和MOSA-PID控制,有效改善了柔性关节的动态性能,提高了系统抗饱和能力。

差分进化网络在滚动轴承故障诊断中的应用

针对滚动轴承故障诊断问题,在分析传统的误差反向传播(BP)算法、莱文伯格马夸特(LM)算法等经典人工神经网络训练方法的基础上,提出了差分进化训练算法。在选取差分进化策略时,取消了变异个体选取限制,从而加快了算法收敛速度。采用不同故障部位和程度的滚动轴承故障实验数据构成样本集合,并分别运用最速下降法、LM算法和差分进化算法对相同结构的人工神经网络进行训练,对比分析其故障分类性能。实验结果表明,差分进化算法能较好地识别滚动轴承故障,准确度较高,总体上与LM算法相当,且其在多次实验中故障识别率的最大值与最小值差别较小,具有较好的稳定性,同时该算法避免了LM算法存在的"过学习"问题。

公路桥梁结构运营荷载下安全状态评价方法

为解决公路桥梁结构在随机运营荷载作用下安全状态评价难以量化的问题,提出基于实际影响线确定其性能状态的评价方法。首先,明确桥梁结构在车辆多轴力与单轴力荷载作用效应之间的数学模型基础上,采用莱文贝格-马夸特(LM)算法建立识别实际影响线的优化分析模型,并通过算例对模型进行理论验证;然后,根据行业技术标准规定,确定运营荷载下桥梁安全状态划分方式及具体的评价指标;最后,以公路预应力连续梁桥为对象,用所提出的方法进行实际影响线识别及安全状态评价。结果表明:以识别的影响线为依据计算的重车作用效应与加载实测结果偏差低于5%,可通过运营荷载的作用效应幅值快速进行安全状态评价。

融合小波包和神经网络的脑电信号处理方法

针对运动想象脑电信号处理中分类准确率较低的问题,提出了一种基于能量(二阶矩)小波包变换和莱文伯格-马夸特神经网络算法相结合的运动想象脑电信号处理方法.首先,利用能量方法对信号进行时域分析,选取有效的时序段;然后,使用小波包变换对所选有效时域段的各导信号进行时频分解,选取与想象任务相关的频段信息重构脑电信号特征;最后,将各导信号重构的特征串接,导入基于莱文伯格-马夸特训练算法的神经网络实现最终的任务分类.利用2个脑电信号标准竞赛数据库进行方法验证,分别取得了95.62%和90.13%的分类准确率.与近期的一些研究成果进行对比,可知该方法具有较好的分类效果.