基于EMD-ICA与遗传算法的轴承故障诊断方法

针对振动信号中轴承故障特征信号微弱难以识别的问题,对通过试验采集到的内环故障、外环故障以及滚动体故障振 动信号进行处理。采用最小二乘法和指数平滑法对振动信号进行预处理,利用EMD分离振动信号的局部特征,并根据IMF分量 的信息熵增益比实现重构;采用ICA对混叠的振动信号进行分离,并对分离后的振动信号进行特征提取;采用遗传算法对多维振 动特征参量进行降维,筛选出最优特征参量;采用遗传算法优化的极限学习机对轴承故障振动特征集进行识别,将常见的SVM、 BP等诊断模型作为对比算法。试验结果表明：采用ICA能将混叠信号有效分离,实现故障信号的提取;遗传算法不仅能够实现最 优特征的选择,同时能够对极限学习机算法进行有效优化,提升算法的诊断效果。优化的算法相比其它诊断识别方法性能较佳, 使3种故障的平均诊断效果达到90%以上。     

基于GA-ELM的飞行载荷参数识别

针对用复杂飞行数据识别飞行载荷时的精度低、速度慢等问题,提出一种结合遗传算法(GA)和极限学习机(ELM)的GA-ELM模型。该模型使用ELM神经网络作为计算核心,用遗传算法产生ELM网络输入层到隐含层的权值矩阵和隐含层偏移量;用GA-ELM模型对飞行数据进行识别,并与BP神经网络和原始ELM神经网络的识别结果进行对比。结果表明:GA-ELM模型是一种有效且高精度的飞行载荷参数识别方法。     

航空发动机气路部件故障融合诊断方法研究

针对发动机气路部件故障,提出了一种基于模型和基于数据驱动的融合诊断方法。采用极端学习机(ELM)实现基于数据驱动的故障诊断。针对ELM随机选择输入层权值和隐含层偏置带来的缺点,采用改进微分进化(IDE)算法以训练样本的均方根误差(RMSE)和输出层权值的范数为评价标准对其进行优化,减少了ELM的隐含层节点数,提高了网络的泛化能力。同时,由于传感器数目的不足,采用基于奇异值分解(SVD)的Kalman(SVD-Kalman)滤波器实现基于模型的部件故障诊断。为了提高航空发动机部件故障诊断的精度,利用改进的迭代约简最小二乘支持向量回归机(IRR-LSSVR)算法对两种算法的估计结果在特征层进行定量融合。仿真结果表明,在发动机稳态状态下,与单独使用基于模型和数据驱动的诊断方法相比,采用特征层融合有效地提高了部件故障诊断的精度和准确率。     

航空发动机传感器解析余度模型的建立方法

为了使用解析余度模型对传感器故障进行诊断,提出了1种基于K-均值聚类与改进微分进化算法优化的极端学习机(IDE-ELM)的发动机传感器解析余度模型建立方法。为避免求解ELM算法时H矩阵奇异,采用K-均值聚类对试验数据进行聚类处理,然后从每类数据中选取1组数据组成训练样本用于训练;利用IDE算法优化ELM的输入层权值和偏置,提高ELM的泛化能力。利用飞行试验数据进行了仿真验证。结果表明:基于K-均值聚类和IDE-ELM设计的传感器解析余度模型具有较高的精度,可用于FADEC系统双通道传感器的故障诊断。     

基于NGO-VMD和DBO-SVM的滚动轴承早期故障诊断

针对滚动轴承早期故障阶段信号微弱难以提取和识别的问题,提出利用北方苍鹰算法优化变分模态分解参数,并结合蜣螂优化算法优化支持向量机的方法进行故障提取和分类识别。首先,采用北方苍鹰算法对变分模态的最佳参数进行搜索,将信号用变分模态分解为若干个本征模态函数;然后利用峭度选取最优本征模态函数;最后将其输入蜣螂优化算法-支持向量机诊断模型中进行故障分类识别。实验结果表明,北方苍鹰算法-变分模态分解方法在迭代次数和收敛精度上均有一定的优势,采用峭度选择最优本征模态函数,包络解调分析后提取早期微弱故障信号故障特征的能力最佳;蜣螂优化算法-支持向量机诊断模型能在故障信号微弱背景下,使故障诊断分类识别率有一定的提高。该方法具有较好的故障特征提取和分类识别能力,为滚动轴承早期故障诊断提供技术支持。     

改进的Kohonen 网络在航空发动机分类故障 诊断中的应用

针对传统Kohonen网络对未知样本识别时的不可辨识性和分类结果不惟一性问题,利用改进的Kohonen网络对航空发动机进行分类故障诊断,并利用混合粒子群优化算法对网络连接权值进行优化,以提高Kohonen网络在分类故障诊断中的通用性和容错能力。对GE90发动机的孔探图像纹理特征识别进行对比。结果表明:改进的Kohonen网络在分类故障诊断中有较强的实用性,分类准确率高于常用神经网络模型和支持向量机的。     

局部寻优算子库在复合材料层合板强度优化设计中的应用

应用改进后的遗传算法对复合材料层合板的强度进行优化设计,给出局部寻优算子库的结构和组成,以层合板的强度比为优化目标,建立基于局部寻优算子的遗传算法优化模型。研究了不同局部寻优算子对铺层优化算法的收敛速度及铺层优化结果的影响。采用面向对象语言开发了改进后的复合材料层合板的强度优化系统,系统在已开发的材料库和零件数模库基础上,可自动获取材料和零件数模信息,最后通过算例求解最优强度时的铺层顺序。将优化结果和标准遗传算法的结果进行对比分析,证明了优化模型的有效性和改进后遗传算法的优越性。     

基于PCA-MPSO-ELM的空战目标威胁评估

目标威胁评估是空战对抗过程中的关键环节。由于影响空战目标威胁评估的因素复杂多样，且指标之间存在相关性，导致传统的评估算法无法得到准确客观的评估结果。由此，提出了一种基于主成分分析法和改进粒子群算法优化的极限学习机（PCA-MPSO-ELM）的目标威胁评估算法。首先，综合分析了影响目标威胁程度的指标，利用主成分分析法对原始评估指标进行线性变化处理得到综合变量，消除了评估指标之间的相关性，实现了对评估数据的降维；在此基础上，构建ELM神经网络并利用改进的粒子群算法优化极限学习机的输入权值和阈值，提高了目标威胁评估模型的精度。最后，在空战训练测量仪中选取空战对抗数据，利用威胁指数法构造了目标威胁评估样本数据，通过仿真实验分析了PCA-MPSO-ELM算法的精度和实时性，结果表明所提算法可以快速准确地进行空战目标威胁评估。     

应用深度核极限学习机的航空发动机部件故障诊断

运用传统单隐层的神经网络进行航空发动机部件故障诊断识别受其浅层结构影响,精度不高,而用深度置信网络(Deep belief network,DBN)等深度学习方法则存在耗时、参数训练复杂的问题。为解决现有的基于数据驱动的发动机部件故障诊断方法的不足,提高诊断精度,缩短训练时间,将核方法和多层极限学习机(Multilayer extreme learning machine,M-ELM)相结合,提出一种深度核极限学习机(Deep kernel extreme learning machine,DK-ELM)。算法首先利用深度网络结构对输入数据进行逐层的特征提取,抽象得到的特征通过核函数实现高维空间映射分类。这些措施有利于提高算法的分类精度和泛化性能,在训练速度上较深度学习也有明显的提高。将该算法与深度学习和其他极限学习机算法进行综合比较研究,结果表明:基于DK-ELM的诊断方法有效、可靠,便于实现,为航空发动机部件故障诊断提供一个更为优秀实用的工具。     

基于RBF神经网络的航空发动机故障诊断研究

采用改进算法优化了径向基函数(RBF)网络.针对航空发动机工作条件和结构的复杂性,提出了用RBF网络进行故障诊断的方法,构建了基于RBF网络的多参数航空发动机故障智能诊断模型,并对典型发动机故障进行了诊断.结果表明,RBF网络具有优秀的故障学习能力,采用它进行航空发动机故障诊断是行之有效的,具有较好的应用前景.     

辅助动力装置控制系统传感器智能解析余度方法

针对辅助动力装置(APU)控制系统传感器故障,提出了一种基于协方差优化集成极限学习网络(COSELM)的传感器智能解析余度方法。该方法能够根据在线序列预测误差的最小方差来自适应更新单个在线序列极限学习机的权重系数,发挥和权衡各个学习模型的优势,通过提高模型算法的稳定性和泛化性,改善传感器智能解析余度的精度。通过在某辅助动力装置控制系统传感器解析余度的验证表明,提出的COSELM方法可以解决传感器在发生偏置故障时的信号重构问题,重构误差不超过1%,适用于不同辅助动力装置个体,为其提供可靠的解析余度。     

基于自适应双稳态随机共振的中介轴承故障诊断方法

针对航空发动机中介轴承故障信号微弱,故障特征提取困难的问题,提出了基于容忍遗传算法（TAGA）的自适应双稳态随机共振（BSR）的中介轴承故障诊断方法。在传统自适应遗传算法中引入容忍度思想,建立一种容忍遗传算法,采用容忍遗传算法对双稳态随机共振系统的结构参数a,b进行优化,建立自适应双稳态随机共振系统对故障信号进行处理。为验证该方法的有效性,搭建了中介轴承故障模拟实验系统,开展中介轴承内圈和外圈故障模拟实验。采用该方法分别对仿真信号和实验信号进行处理。结果表明:该方法能够对故障信号进行增强,提升了故障特征频率提取能力。自适应优化结构参数后,提取的特征频率与故障频率理论值的误差小于0.1%。      

基于IPSO Elman神经网络的航空发动机故障诊断

为提高航空发动机故障诊断的精度,提出改进粒子群优化的Elman神经网络对航空发动机故障诊断的方法。利用MIV(平均影响值)对神经网络的输入端自变量进行筛选,降低输入维度;采用改进粒子群优化算法对Elman神经网络的权值和阀值进行优化,并对优化的神经网络进行训练;用训练好的神经网络对航空发动机故障进行诊断并与常规的BP（back propagation）、Elman神经网络、GM（1,n）、SVM (support vector machines)进行对比。仿真结果表明:IPSO Elman(improved particle swarm optimization Elman neural network)神经网络的诊断误差在不同数量训练样本时都小于其他方法,并且在参选故障诊断的性能参数不同时,其诊断误差相近,展现出较强的适应能力。      

基于VMD的自适应复合多尺度模糊熵及其在滚动轴承故障诊断中的应用

提出了一种基于自适应多尺度模糊熵、ILS（迭代拉普拉斯得分）特征选择和粒子群优化支持向量机(PSO-SVM)的滚动轴承故障诊断方法。该方法采用变分模态分解对振动信号进行分解和重构,并计算重构信号的复合多尺度模糊熵;同时采用迭代拉普拉斯得分选择敏感故障特征,并将特征选择结果输入到基于粒子群优化支持向量机的多故障分类器进行识别。将提出的方法应用于滚动轴承试验数据分析。结果表明:该方法对试验数据的故障识别率为100%。并将基于ILS特征选择方法与基于SFS（sequential forward selection）特征选择进行了对比,表明基于SFS特征选择的最高识别率为92.86%,而基于ILS特征选择的故障识别率达到100%。      

一种小波神经网络与遗传算法结合的优化方法

提出一种基于小波神经网络(简称WNN)与Pareto遗传算法相结合的优化方法,并用于内流的数值流场优化计算.小波神经网络由输入层、隐含层和输出层组成.在隐含层用Morlet小波母函数取代了误差反向传播(BP)神经网络中常用的Sigmoid激励函数.Pareto遗传算法具有很好的全局寻优能力和良好的优化效率,在通常情况下它总可以得到均匀分布的Pareto最优解集.典型算例表明:该算法快速、高效,能高精度的完成非线性函数的逼近与映射,其泛化能力很强.      

卷积神经网络和峭度在轴承故障诊断中的应用

针对传统智能诊断方法依靠专家知识和人工提取数据特征工作量大的问题,结合深度学习方法在特征提取和处理大数据方面的优势,研究了一种基于卷积神经网络和振动信号峭度指标的滚动轴承故障诊断方法。该方法将深度学习应用于轴承故障诊断,提取滚动轴承正常状态、内圈故障、外圈故障和滚动体故障4种状态的振动信号,将振动信号分段处理得到峭度指标,使用数据到图像的转换方法将峭度指标转换为灰度图,送入卷积神经网络模型完成故障分类。在进行滚动轴承故障诊断的实验时,所提的模型诊断准确率达到99.5%,高于传统支持向量机(SVM)算法的95.8%。      

基于卷积门控循环网络的滚动轴承故障诊断

针对许多基于深度学习的滚动轴承故障诊断方法在小样本数据集下诊断性能下降的问题,提出一种基于卷积门控循环神经网络的轴承故障诊断模型。该模型使用两层的卷积网络来从输入信号中提取特征,同时使用tanh函数作为激活函数,且池化层使用大池化核来进行重叠下采样。将所提取得到的高层特征连接到双向门控循环网络。合并循环网络正向和逆向的最后一个状态,并连接一层全连接层进行输出。选用凯斯西储大学的轴承故障数据集来验证模型在小样本数据集下的诊断性能,实验结果表明,相比于其他类型的模型,该模型在仅有20个训练样本的情况下依然保持97%的识别准确率。      

基于改进GWO-LightGBM的滚动轴承未知故障诊断

针对滚动轴承未知新故障误判影响轴承安全性和检修效率的问题,提出了一种基于改进灰狼算法（GWO）和轻量级梯度提升机（LightGBM）的故障诊断模型,实现已知/未知故障的高精度判别。为避免单一尺度下特征提取的缺失,对滚动轴承振动信号分别提取时域、频域和小波域特征建立多域特征集。设计了带未知新故障判别机制的GWO-LightGBM模型,并构造含有Halton序列和模拟退火策略的GWO实现了模型参数有效优化。实例试验结果表明,模型对已知和未知类故障平均识别率达99.57%,10次随机试验平均识别率分别比单一分类模型逻辑回归（LR）、最近邻分类器（KNN）和支持向量机（SVM）高21.98%、17.00%、9.27%,验证了模型的有效性和优越性,能高准确率地识别出已知或以前从未出现的新故障。