基于优化VMD与BP神经网络结合的滚动轴承故障诊断方法研究

为解决滚动轴承微弱故障信号不明显、识别故障类型准确率不高及变分模态分解(VMD)分解时参数主要依靠人为设定的问题，提出一种基于麻雀搜索算法(SSA)优化VMD参数与BP神经网络相结合的故障诊断方法。首先，使用麻雀搜索算法对VMD分解的模态分解个数及惩罚因子进行优化，搜索全局得出最优参数组合；利用优化后的参数对故障信号进行VMD分解，将分解后的本征模态分量导入BP神经网络进行模式识别。结果表明：与EMD、未优化VMD相比，优化参数后的VMD具有更高的故障诊断率99.53%,使故障诊断效果进一步提升。     

基于VMD-FastICA的齿轮箱故障诊断

针对齿轮箱故障信号微弱且易受周围噪声影响的问题,提出了一种基于变分模态分解(VMD)的独立分量(ICA)算法。该方法首先将采集的信号进行MCKD降噪,将降噪后的信号利用VMD算法分解为多个不同的本征模态分量(IMF),然后依据快速谱峭度图和相关系数选取有效的IMF分量进行重构信号,对于重构信号利用FastICA再次进行降噪处理,根据FastICA降噪后得到的故障特征分量,可以有效地识别故障。结果表明:该方法可以更清晰、准确地提取出故障特征频率和找出故障发生的位置。     

基于CEEMDAN和CNN TSA GRU的滚动轴承故障识别方法研究

为避免复杂噪声对滚动轴承智能诊断模型的准确率干扰，提出一种基于完全集合经验模态分解CEEMDAN和深度时间自注意力卷积网络CNN TSA的滚动轴承故障识别模型。该模型首先采用CEEMDAN将信号分解为若干固有模态函数(intrinsic mode function，IMF)分量，利用光谱放大因子SAF指标自适应筛选最优高信噪比分量；其次采用改进时间自注意力机制对数据分配权重并采用卷积神经网络CNN提取空间特征，弱化冗余特征信息，保留目标特征；最后利用门控循环单元GRU提取样本数据时间特征，使得网络得到更充分的学习，提高模型鲁棒性。经试验数据验证：所提出的深度学习智能故障识别模型故障识别准确率达到98.87%；对比一维CNN和CNN LSTM模型，识别准确率分别提高915%和8.86%，验证了该模型的有效性和优越性。     

基于EEMD模型的固定资产投资周期识别与预测

集合经验模态分解(EEMD)模型可根据数据特点,将时间序列分解成一系列不同频率的分量,能提供多尺度研究视角,更加精准地把握周期波动规律.本文利用EEMD模型将1996—2017年我国固定资产投资季度数据分解为5个不同频率的本征模态函数(IMF)分量和1个趋势项,根据分量特征赋予不同经济含义,在多个尺度上进行分析.结果发现:IMF1和IMF2分量整合通过白噪声检验,可认为是外部因素的随机冲击;IMF3分量周期长度约为3年,可认为是企业库存量变化引起的存货周期;IMF4分量周期长度为5年,可认为是政治周期;IMF5分量周期长度约为20年,可认为是建筑周期.随后在分量分解基础上建立ARIMA模型进行拟合与预测,通过与其他模型对比,发现EEMD-ARIMA模型表现更优.结论表明,EEMD模型在类似固定资产投资这种波动性较大的经济时间序列周期识别和预测中更具优势.     

基于自适应模糊神经网络的砂轮磨损评估

为实现砂轮磨损状态的实时监测评估，课题组提出了使用自适应模糊神经网络模型对砂轮状态进行监测。通过对磨削过程的振动信号及声发射信号特征值的提取，获得了不同磨损程度砂轮的多特征信号样本；采用多特征信号样本对自适应模糊神经网络进行学习与训练，建立了砂轮磨损状态识别模型；实现了对砂轮磨损状态的准确识别与在线监测。实验表明：基于自适应模糊神经网络的砂轮磨损程度评估系统，测试样本的实际磨损程度和网络判别结果类别相符。该自适应模糊神经网络系统能够对砂轮磨损程度类型准确进行在线评估。     

基于CEEMDAN-SVM的高铁轴承故障诊断研究

高铁轴承在高铁运行中起着重要作用,对其进行状态检测和故障诊断有着十分重要的作用和意义。总结出一种基于自适应辅助噪声的完备集合经验模态分解(CEEMDAN)和样本熵(SampEn)相结合的高铁轴承故障诊断方法。振动信号经过分解获得诸多的本征模态分量(IMF),计算其样本熵特征参数来表征不同故障状态下的轴承信号的相关特征,并构造相应的训练和测试样本数据,而后将样本数据录入支持向量机(SVM)并配合灰狼优化算法(GWO)进行训练和测试,完成轴承故障的分类和识别。实验结果表明,此方法能够有效区分不同故障状态下的轴承振动信号。     

电机滚动轴承故障的会议制随机森林诊断方法

为了提高电机轴承故障的识别准确率,提出了基于自适应多尺度散布熵与会议制随机森林算法的轴承故障诊断方法。分析了电机轴承不同故障信号的特征频率,将局部特征尺度分解和散布熵进行结合,提取了故障信号的自适应多尺度散布熵作为特征向量。在故障模式诊断方面,以随机森林算法为基础融入了决策树的参会权重策略,使专家型决策树具有更大的决策权,从而提高了随机森林算法的故障诊断准确率,将此算法命名为会议制随机森林算法。以美国凯斯西储大学的轴承数据为对象进行实验,在不同故障模式的诊断实验中,会议制随机森林算法的识别准确率比传统算法高出了6.68个百分点;在不同故障程度的内圈故障诊断实验中,会议制随机森林算法的识别准确率比传统算法高出了6.28个百分点,比马尔可夫诊断方法高出了7.86个百分点,以上数据验证了故障诊断方法的有效性。     

V/x型牵引变压器匝间短路识别方法研究

V/x型牵引变压器匝间短路是威胁重载货运专线牵引供电系统运行安全的重要因素,欲实现匝间故障的快速、准确识别,必须建立高效的模态特征提取方法。组合经验模态分解(EMD)和能量权重原理的多尺度能量熵识别方法,可从差动电流信号中准确提取牵引变压器匝间的动态特征信息。该方法首先对差动电流信号进行EMD分解,以获得若干固有模态函数(IMF)分量;然后计算差动电流信号和各个IMF分量的能量权重;最后构建基于能量权重的多尺度能量熵,并以熵值作为识别匝间短路的特征矢量。实验案例证明,该方法不仅能快速准确识别出变压器匝间短路,而且具有原理清晰、模式空间划分简单的优点。     

基于CEEMD SE和LSTM的滚动轴承剩余寿命预测

针对滚动轴承退化数据的复杂性和传统的寿命预测方法不能充分利用数据的相关性从而导致预测精度不高的问题,课题组提出了一种基于多频率尺度样本熵(SE)和长短期记忆神经网络(LSTM)相结合的寿命预测模型。该模型采用互补集成经验模态分解(CEEMD)结合相关系数分析,从滚动轴承振动信号中提取包含主要退化信息的IMF分量,并提取其样本熵矩阵,用于训练和测试LSTM。通过滚动轴承全寿命试验证明该模型可以准确预测滚动轴承剩余寿命,与BP神经网络和极限学习机(ELM)的预测效果对比验证了该模型的有效性。     

Eliminating Grinding Idle Process Based on Spectrum Analysis of Acoustic Emission

为解决由单一声发射信号时域特征作为消空程指标引起的误报，课题组设计了接触速度作为变量的单因素实验，分析磨削进程开始前后信号差异。并提出已信号频域最大峰值频率作为指标之一，采用主成分分析结合费舍尔判别法来监测磨削接触的发生，进而实现磨削消空程，研究结果表明：该方法对砂轮工件接触与否的判别的准确率达到96.7%，且与传统判别法比较，能通过高频信号变化更早识别到接触的发生。该方法提高了消空程效果，且能提前识别到接触进程的发生，为实际生产设计提供了参考。     

基于改进EMD 的地震信号去噪

压制随机噪声是地震数据处理过程中的一个重要环节,目前大多数去噪技术都不同程度存在去噪效果差、易损伤有效信号等问题。利用经验模态分解可将信号自适应地分解为不同特征尺度固有模态函数的优点,及小波变换模极大值滤波方法对噪声的依赖性较小且适合于低信噪比信号去噪的优势,构造了一种经验模态分解与小波变换模极大值相结合的新的去噪算法,该算法很好地实现了地震有效信号与随机噪声的分离,有效提高了地震数据信噪比。将该算法应用于仿真实验和实际地震数据处理,结果都表明该方法明显优于常规经验模态分解去噪效果。     

基于改进蝙蝠算法的装配式施工安全风险优化

研究利用工作分解结构-风险分解结构(Work Breakdown Structure-Risk Breakdown Structure, WBS-RBS)方法识别出装配式建筑施工安全风险因素,并利用模糊贝叶斯网络和施工网络计划图实现风险的量化与传递。通过构建以安全风险损失值最小为目标函数的控制模型,提出了一种加入服从指数递减惯性权重的改进蝙蝠算法并对其进行求解。结果表明：改进蝙蝠算法具有更好的收敛性和寻优精度,能够找到装配式建筑施工安全风险控制模型的最优解,从而实现安全风险的优化。     

基于最大熵谱估计的机载雷达杂波抑制技术

在讨论机载雷达地面杂波的基础上，利用最大熵估计法对机载雷达杂波进行抑制，并引入了ｃｈｏｌｃｓｋｙ分解快速算法求解最大熵谱的ＡＲ模型参数。计算机模拟表明，基于最大熵谱估计的机载雷达杂波抑制技术有很高的谱分辨率，不仅能跟踪主杂波的频率位置而且能跟踪其谱宽度，因而具有较为满意的杂波对消化与改善因子。     

基于蒙特卡罗方法的粗纱机可靠性预测

为提高粗纱机生产效率及可靠性、降低维护成本，增加企业经济效益，课题组提出了一种粗纱机可靠性预测模型。该模型利用故障模式及影响和危害性分析（failure mode, effects and criticality analysis，FMECA）识别粗纱机的关键部件及其故障模式；将基于蒙特卡罗方法得到的寿命模拟值进行数据拟合，确定粗纱机的初选寿命分布类型；通过皮尔逊χ2检验统计量检验证明分布的有效性，然后采用最大似然函数求解可靠性函数；最后以JWF1418A型自动落纱粗纱机为例进行可靠性预测。研究结果表明：链条和链轮对JWF1418A型自动落纱粗纱机可靠性影响较大，其寿命服从威布尔分布。该模型可推广应用至其他纺织机械设备中，为进一步进行粗纱机维护研究提供参考。     

基于相关熵的盲源分离算法

提出了基于相关熵的盲源分离算法。与传统独立成分分析(ICA)方法利用四阶统计量或时间结构的盲源分离不同,该算法从信息理论学习中的相关熵概念出发,利用相关熵中蕴涵的各偶数阶统计信息,通过参数化中心相关熵与独立性测度的关系,建立代价函数,并通过优化算法对其进行寻优,从而得到解混矩阵并分离出源信号。仿真结果表明,在分离超高斯混合源和次高斯混合源时,分离性能优于传统的ICA方法。     

多通道相关-经验模式分解在滚动轴承故障诊断中的应用

在处理非平稳振动信号时,经验模式分解(EMD)的应用较为广泛。针对滚动轴承的早期故障信号中含有强烈的背景噪声,诊断效果有时也不够明显的情况,本文提出了多通道相关-经验模式分解方法。首先通过EMD将滚动轴承故障信号分解成若干本征模态函数(IMF)分量;然后对IMF分量进行多相关处理,取相关性最强的IMF分量进行自适应重构;最后通过循环谱分析识别出滚动轴承的故障类型。将该方法应用到滚动轴承的仿真故障数据和实际数据中,分析结果表明,该方法可以更加有效地提取滚动轴承故障特征频率信息,突出故障频率。     

基于粗糙-模糊神经网络的焊接图像缺陷识别

针对焊接图像缺陷识别中提取的特征受噪声干扰比较严重以及现有的识别算法准确率低的问题,提出了一种基于粗糙模糊神经网络的缺陷识别算法。该算法充分利用了粗糙集的属性约简、模糊集的处理不精确数据以及神经网络的自学习、对任意函数逼近的优点,有效地解决了不确定建模过程中样本数据受到噪声干扰、模型结构难以确定的问题。仿真结果表明:该算法能有效地提高焊缝图像的缺陷识别能力。     

变分模态分解和形态学滤波在滚动轴承故障诊断中的应用

针对滚动轴承早期故障信号易被强烈的背景噪声淹没及故障特征难以提取的特点,提出了基于变分模态分解(VMD)和形态学滤波相结合的滚动轴承早期故障诊断方法。首先利用VMD将早期故障信号自适应地分解为一系列IMF分量,然后选择峭度值最大的前两个IMF分量重构,并对重构信号进行形态学滤波,最后通过Teager能量算子计算重构分量的能量谱来提取滚动轴承的故障频率,判断故障类型。将该方法应用于滚动轴承仿真信号与实际故障数据中,分析结果表明该方法能够更加有效提取故障特征频率信息,实现了滚动轴承故障的精确诊断。     

大系统分解协调理论在电力系统动态调度中的应用研究

提出了电力系统动态优化调度问题的目标分解协调的新算法．基于大系统的分解协调理论，将动态优化调度模型按时段进行分解，通过目标函数的修正来协调时段间经济性与可靠性的要求．该方法既避免了统一解算所造成的维数灾问题，又系统化了各种解耦算法（正推、反推及双向推），将模型的算法统一起来．     

基于Gabor变换和EMD的轴承故障诊断

基于振动信号处理的轴承故障诊断方法应用非常广泛。由于在实际采集的振动信号中往往混合着干扰信号,因此提出了一种基于Gabor变换的盲源分离和基于经验模态分解(EMD)的Hilbert包络谱分析相结合的故障诊断方法。首先采用基于Gabor变换的盲源分离方法对振动信号进行盲源分离,然后利用EMD方法进行分解获得本征模式函数(IMF)分量,再通过局部细化Hilbert包络谱方法分析判断轴承故障的特征。研究结果表明,通过对轴承振动信号进行盲源分离和EMD分解,可以使信号的故障特征更加明显,从而提高故障诊断的准确性。