为提高继电保护设备状态监测与故障诊断的准确率,建立了基于4G网络通信技术和SBO-ELM的继电保护设备状态监测与故障诊断系统。首先,结合4G网络通信技术的优点,设计了继电保护设备状态监测与故障诊断系统的系统结构图和硬件结构图;其次,针对极限学习机模型存在稳定性较差和精度较低的不足,运用SBO优化ELM模型的输入层权值和隐含层偏置,建立基于SBO-ELM的继电保护设备故障诊断模型。验证结果表明,与GA-ELM、ELM和BPNN相比,SBO-ELM可以有效提高继电保护设备状态监测与故障诊断的准确率。

针对航空液压管路故障识别困难的问题,提出了一种基于非线性自适应卡尔曼滤波器(NAKF)和深度信念网络(DBN)的液压管路智能故障诊断方法。首先,在传统卡尔曼滤波器(KF)的基础上,利用最小二乘法修正构造的Sigma点,消除高斯分布对Sigma点影响,提出了非线性自适应卡尔曼滤波器,并用其对仿真信号进行了降噪处理;然后,对液压管路实测振动信号中的随机噪声进行了去除,对深度信念网络模型参数进行了设计,并将液压管路数据集输入到深度信念网络模型中进行了训练;最后,基于同一样本数据,分别采用支持向量机(SVM)和反向传播神经网络(BPNN)等模型进行了训练处理,利用分类准确率等两个指标,对3种故障诊断模型进行了综合评估,对3种模型分类性能进行了对比分析。研究结果表明:采用NAKF-DBN智能故障模型得到的液压管路故障诊断准确率能达到99.72%,SVM模型和BPNN模...

故障轴承振动信号具有非线性和非平稳性的特点,在轴承发生故障时其信号的能量在频域上的分布会发生改变。针对单通道信号存在的信息遗漏和经典EMD算法在分解多通道信号时得到的IMF分量个数不同的问题,提出了全矢MEMD能量熵的滚动轴承智能诊断方法。首先利用MEMD算法将一组预处理后的同源信号分解为两组具有相同分量个数的IMF分量,且对应阶分量的频率尺度相同。然后分别计算相同尺度分量的全矢能量熵,并作为信号特征用支持向量机进行训练和识别,从而得到轴承的不同故障类型。实例分析结果表明了该方法的有效性。

针对单一测度模型的特征评价方法存在特征敏感度＂欠学习＂,以及支持向量机（support vector machines,简称SVM）参数优化算法普遍存在收敛速度慢、易陷入局部极值等问题,提出一种量子遗传算法优化的SVM滚动轴承故障诊断方法。首先,采集振动信号中的时域和频域特征构成多域多类别原始故障特征集;其次,构建一个基于相关性、距离及信息等测度的混合特征评价模型,得到特征权重与特征值组合构成的加权故障特征集;最后,将加权故障特征集为输入,将量子熵引入到量子遗传算法当中,对SVM的结构参数进行全局优化,完成滚动轴承故障模式的识别。试验结果表明,该方法能够以更快的速度收敛至全局最优解,在保证聚类性能的基础上提高了滚动轴承的诊断精度。

目的提出一种考虑能耗的多传感器融合加工表面粗糙度预测方法,精确预测零件表面粗犍度。方法首先采集车削过程中的功率和振动信号,测量加工表面粗糙.度值,利用集成经验模态分解(Ensemble empirical mode decomposition,EEMD)和小波包分析提取振动信号的时域与频域特征,联合功率信号的时域特征、能耗特征与切削参数,构造联合多特征向量。然后采用核主成分分析(Kernel principal component analysis,KPCA)对联合多特征向量进行融合降维处理生成融合特征。最后将融合特征作为基于支持向量机(Support vectormachine,SVM)的表面粗糙.度预测模型的输入特征,并使用遗传算法(Genetic algorithm,GA)对SVM模型相关核参数进行优化以提高预测精度。结果预测得到的表面粗糙度平均相对误差为4.91%,最大误差为0.111um,预测时间为9.24s。与单传感器预测方法及多传感器联合特征领测方法相比,多传感...

针对由于影响磨削工件尺寸精度因素复杂,传统预测模型无法准确预测其趋势变化,且预测精度低这一问题,提出了将灰色关联系统与支持向量机相结合的预测模型,灰色关联系统通过分析比对关联系数筛选出影响程度大的因素,并将对应的参数作为输入,以此建出支持向量机预测模型。通过实验验证经过交叉参数寻优优化参数后的模型预测平均误差小于2μm,平均相对误差为MRE=0.0065,均方根误差为MSE=0.0015,实验证明了基于灰色关联支持向量机模型的可行性与可行性。

滚动轴承是旋转机械设备的常用关键部件之一,其性能退化评估是机械设备状态监测与视情维修的基础和依据。为及时准确掌握滚动轴承性能退化趋势与程度,提出基于单层稀疏自编码学习和支持向量机的滚动轴承性能退化评估方法,研究能够深度挖掘数据各种潜在隐含信息的稀疏自编码学习方法以及基于时频域特征和稀疏自编码学习的轴承状态特征的提取方法;提出基于支持向量机分类算法改进的轴承性能退化评估算法,并应用到滚动轴承的性能退化评估模型中,确定了模型参数寻优的方法;最后将所获得的轴承状态特征输入到轴承性能退化评估模型,得到了轴承性能退化趋势图,并通过滚动轴承实例验证了所提出方法的实用性。

基于ITD方法的线性变换和Akima插值,提出了一种改进的固有时间尺度分解方法（Improve Intrinsic Timescale Decomposition,简称IITD）方法。齿轮振动信号具有非平稳特征,其典型的故障样本难以获取,为此进一步提出了一种基于IITD样本熵和支持向量机的齿轮故障诊断方法。采用IITD法对非平稳的原始加速度振动信号进行分解,并提取包含主要故障特征信息的PR分量,将其样本熵值作为特征向量;然后将特征向量输入到支持向量机中识别齿轮的故障特征。实验分析结果表明：相比BP神经网络,能更有效地应用于齿轮的故障诊断。

为了研究矿井提升机转子速度与系统所受载荷的耦合特性,以矿井提升机传动系统整体为研究对象,以传递矩阵法的假设为依据,简化得到两自由度与三自由度物理模型,运用拉格朗日方程分别建立了其动力学数学模型,通过Matlab/Simulink仿真研究载荷与动力学特性耦合关系,最后构建了遗传算法优化的支持向量机模型,并探索了应用遗传算法优化的支持向量机模型辨识载荷的方法,对驱动力矩、制动力矩辨识载荷的相关系数分别为0.99445与0.98916,回归性能良好,表明了辨识载荷的有效性。

针对冷连轧机液压AGC系统轧制力的精确设定问题，提出了一种基于差分进化算法优化支持向量机的轧制力精确设定方法。该方法在支持向量机预测模型的基础上，引入差分进化算法对支持向量机的训练参数进行优化，提高支持向量机的预测精度。之后，利用海量生产数据对支持向量机进行训练并进行轧制力偏差的预测，最后将预测结果用于修正轧制力模型设定计算值。通过预测结果和实际数据的对比表明，利用该方法能够有效地提高冷连轧机AGC系统轧制力的设定精度，使设定的相对误差从单纯模型计算的15％降到6％，为进一步提高冷连轧机的设定计算精度提供了一种有效可行的方法。