粒子群优化的多尺度形态滤波器消噪方法

针对传统的形态学滤波器难以适应机械设备振动信号的冲击、非线性和背景噪声较大等特点,提出了基于粒子群优化的多尺度形态滤波器构造方法。根据形态学算法的特性,构造了多尺度形态学滤波器,对于形态学滤波运算中的重?问翁峁顾阕樱捎镁哂腥钟呕阅艿牧Ｗ尤核惴ǜ菪藕诺奶氐阕允视ρ∪。迪至俗钣怕瞬ㄆ鞯墓乖?将噪声信号通过不同尺度的形态学滤波器进行滤波,将获得的多个滤波信号根据权值运算获得最终的去噪信号。通过仿真实验和轴承故障信号的分析表明,该形态学滤波器能够实现较好的滤波效果,可以有效地对机械设备的故障信号进行消噪。     

基于PSO-ADMMF和WPE的发电机转子匝间短路故障诊断

针对常规的数学形态滤波器对定子电流信号滤波效果不理想,提出粒子群算法改进的数学形态滤波器。引用粒子群算法寻找最优的数学形态滤波器中开-闭和闭-开运算的权系数,建立自适应数学形态滤波器模型,对定子电流信号进行滤波处理。结合小波包理论和信息熵理论,提出小波包熵作为故障特征的故障诊断方法。仿真实验对比了PSO算法改进的自适应数学形态滤波器和常规数学形态滤波器的滤波效果,计算了滤波后的不同状态信号的小波包熵,并以此进行了转子匝间短路故障诊断,仿真验证表明本方法是有效的。     

改进小波变换的煤岩电磁辐射信号去噪方法

针对煤矿井下干扰源会对煤岩受载破坏产生的电磁场监测造成较大影响,采用小波阈值函数进行信号前期预处理,采用粒子群优化算法进行优化,对加噪的信号进行去噪仿真,去噪效果对比硬、软阈值函数得到提高.对某矿工作面采集的电磁辐射信号利用改进小波算法进行去噪研究.研究结果表明:采用粒子群优化小波算法进行降噪重构,能够较好地去除信号中的尖峰噪声,并保留原始信号特征,信噪比得到显著提高.     

基于小波阈值的图像信号去噪方法研究

主要对基于小波阈值的图像信号去噪方法展开研究。首先阐述小波分析进行信号分解及重构的算法原理,在此基础上总述了小波阈值进行图像信号去噪的算法原理及流程。最后对去噪效果进行了仿真分析,并将信号去噪结果与均值滤波、中值滤波等经典去噪方法进行比较。仿真结果表明,基于小波阈值的图像信号去噪方法能有效去除一维及图像信号中的噪声,输出信号的信噪比性能较传统滤波去噪方法性能更佳。     

改进双树复小波变换和高阶累积量的齿轮箱信号降噪方法

采用传统阈值降噪方法对小波系数分别进行软、硬阈值处理时在强背景噪声下提取的齿轮箱故障振动信号效果不理想,且实、虚部分离的阈值处理方法会引起局部相位失真。利用双树复小波变换的平移不变性,提出了双树复小波变换和高阶累积量的齿轮箱振动信号降噪方法。对分解和单支重构后的各双树复小波系数采用了四阶累积量的处理方法,根据信号和噪声的统计特性进行信噪分离。由于小波分解层数会直接影响信号的去噪效果,因此,采用粒子群算法优化小波的分解层数。仿真和实验信号处理结果表明:该方法与双树复小波变换的软、硬阈值处理方法相比,在不同信号和噪声水平下更能有效地抑制噪声干扰,提高信噪比,并且能够满足实验中对采集到的振动信号进行特征提取的需求。     

小波域Wiener滤波器的设计

讨论了基于小波的阈值去噪方法和Wiener滤波方法在信号去噪中的应用.其中,小波阈值去噪方法在许多信号空间上是近似最优的,而Wiener滤波方法是最小均方误差意义上的最优估计.在小波阈值去噪方法和经验Wiener滤波器基础上,设计了一种小波域Wiener滤波器.仿真结果表明:文中提出的方法在均方误差和峰值信噪比性能两方面均优于传统的小波阈值去噪方法.同时指出了进一步改善去噪效果的一种有效途径.     

基于小波熵的矿用齿轮箱振动信号相关去噪法

 利用真实信号小波系数相邻层间相关性强的特性,将基于小波熵的相关去噪法应用于矿用齿轮箱振动信号的处理,进行有用系数和噪声系数的划分,并对有用的小波系数进行重构,恢复原有真实信号,去噪过程中采用小波熵自适应设定阈值。为比较小波自适应相关去噪和硬阈值与传统相关性去噪的性能,分别对仿真信号和齿轮箱实测振动信号进行去噪处理,通过3种去噪方法的重构波形对比和信噪比与标准差的定量评价,以及实测信号的功率谱分析,表明小波熵相关去噪法有效提高了矿用齿轮箱振动信号的可信度。     

基于CQPSO的LCL滤波器设计方法

针对光伏并网逆变系统中LCL滤波器参数设计的困难,提出采用混沌量子粒子群算法对滤波器参数进行寻优.利用混沌优化方法具有的随机性、有界性、遍历性等特性,来扩大算法的搜索范围和提高收敛速度.对LCL滤波器进行分析后,确定约束条件,结合算法来对其参数进行优化设计.对三相光伏并网逆变器进行仿真实验,将混沌量子粒子群算法与自适应遗传算法进行比较,结果表明该算法比自适应遗传算法有更好的滤波效果,谐波畸变率也更小.     

基于Duffing随机共振的图像去噪技术研究

由于随机共振在带噪信号的处理过程中能够起到积极的作用,以Duffing随机共振原理为基础,引入多重时间尺度,求得了Duffing方程的一维近似解;并将其延伸到二维坐标空间(x,y),设计出了二维的Duffing滤波器。最后将它应用到图像去噪算法中。仿真实验表明:Duffing滤波器的去噪效果明显优于均值滤波和自适应滤波,具有较好的噪声鲁棒性。     

快速Myriad滤波方法的混凝土坝动力响应信号去噪研究

环境激励下混凝土坝动力响应信号具有明显的非线性特征,常规的信号去噪方法不能适用于非线性信号的去噪.本文研究了快速Myriad滤波方法对环境激励下混凝土坝动力响应信号的去噪,讨论了一种对Myriad滤波器中线性度参数进行优选的新方法.仿真信号的去噪测试分析验证了本文对线性度参数优选方法的合理性.本文最后将快速Myriad滤波方法应用于对振动台上采集到的混凝土坝动力响应模拟信号的去噪处理,取得了较好的去噪效果.     

改进PSO优化SVM的滚动轴承故障诊断

提出一种基于改进粒子群算法和支持向量机的滚动轴承故障诊断方法.首先分析基本粒子群算法的不足及其关键参数,提出多方面改进的粒子群算法,利用10种基准测试函数对比多种粒子群算法,证明该改进算法的优势.然后结合支持向量机,建立滚动轴承故障诊断模型,并提取滚动轴承振动信号的时域、频域、小波包节点能量和CEEMDAN分量排列熵四种特征,构成单一特征和组合特征作为诊断模型的输入特征向量.最后利用凯斯西储大学滚动轴承数据进行验证,并与网格算法、遗传算法和多种不同粒子群算法进行对比.试验证明,本改进粒子群算法优化支持向量机模型在滚动轴承故障诊断中更具优势.     

基于粒子群优化的LSSVM在模拟电路故障诊断中的应用

提出一种基于粒子群优化的最小二乘支持向量机的模拟电路故障诊断新方法。对模拟电路故障信号采用小波包进行消噪和分解,作为最小二乘支持向量机的输入样本。为了避免参数优化时容易陷入局部最优的缺陷,使用粒子群算法对LSSVM参数进行优化选取。以Sallen-key带通滤波器电路为对象的仿真研究结果表明,提出的基于粒子群优化的最小二乘支持向量机可以对模拟电路有效地进行故障诊断,并且提高了诊断效率。     

基于粒子群优化的设备状态分类器设计

以某设备中的减速箱为研究对象,建立了BP神经网络,采用粒子群优化算法训练神经网络,设计一个状态分类器,用于检测减速箱的当前状态。结果表明,基于粒子群优化的神经网络具有良好的训练性能,能快速地收敛于最优解;样本输出结果较理想值误差较小,分类器的识别结果完全符合实际情况。该分类器可以有效准确地识别减速箱的运行状态,为进一步故障检测提供了有效工具。     

SVM与PSO相结合的电机轴承故障诊断

针对电机轴承故障问题,提出一种基于支持向量机(SVM,support vector machine)与粒子群优化(PSO,particle swarm optimization)相结合的电机轴承故障诊断方法。结合振动信号的时域与小波包能量特征,使表征振动信号的特征具有较好的可靠性和敏感性,提高了故障的诊断准确率。采用PSO算法对SVM的惩罚参数和径向基核函数参数进行寻优,并与其它参数寻优算法进行比较分析。实验表明,研究提出的轴承故障诊断方法不仅对电机轴承的外圈故障、内圈故障和滚珠故障有很好的识别效果,而且还对每一类故障的严重程度有较好的区分,具有较强的实用性。     

速度自适应粒子群优化算法在故障诊断中的应用

在原始粒子群优化算法(PSO)中设置动态最大限制速度基础上,提出一种速度自适应粒子群优化算法。经过神经网络的测试表明,该算法在收敛速度和精度上都优于原始算法,并且参数选取灵活,容易实现。将改进算法应用于实验室变速箱的神经网络故障诊断系统中,并与PSO和BP算法进行了比较,得出该算法不仅对变速箱故障的识别准确率比较高,而且故障诊断的精度和效率也较高。     

信号瞬变成分检测与提取及其在故障诊断中的应用

研究基于小波变换的信号瞬变成分检测与提取方法及其在机械故障诊断中的应用 .在分析信号的连续小波变换的模极大值理论的基础上 ,指出连续小波变换系数的模与信号瞬变成分的关系 ;通过分析小波函数的性质 ,分析小波函数对信号的连续小波变换的影响 ;在信号瞬变特征的提取过程中 ,提出基于门限值的特征重建方法 .将该方法应用于齿轮箱振动信号中瞬变成分的检测与重建 .结果表明基于连续小波变换方法能有效检测到信号中的瞬变成分 ,瞬变成分的重建结果有效地表示了机械的故障状态 .     

基于粒子群蛙跳算法优化BP神经网络的滚动轴承故障诊断方法

针对滚动轴承故障诊断方法存在的局限性及缺陷,在利用小波分析提取滚动轴承故障信号特征向量基础上,提出基于粒子群 蛙跳算法优化的BP神经网络滚动轴承故障诊断方法。该方法采用粒子群 蛙跳算法优化BP神经网络结构参数,利用改进BP算法和样本数据训练BP神经网络,实现滚动轴承运行正常和4种不同故障状态的诊断。实验验证结果表明,基于粒子群 蛙跳算法的BP神经网络方法诊断误差最大值仅为005,为未优化的神经网络诊断误差的1/16;与其他算法相比,基于粒子群 蛙跳算法优化的BP神经网络方法的训练时间、训练误差和诊断精度各项指标均为最优,可实现滚动轴承故障的快速、准确、有效诊断。     

单形进化算法优化的SVM滚动轴承故障诊断

由于支持向量机的参数优化算法存在控制参数多、易陷入局部最优解的问题,提出了一种单形进化算法优化的支持向量机滚动轴承故障诊断方法.首先,单形进化算法利用全随机的方式建立粒子的单形邻域搜索算子以减少算法控制参数,建立粒子多角色态搜索策略以避免算法陷入局部最优解;然后,将单形进化算法应用于支持向量机的参数寻优,并用滚动轴承信号完成故障诊断;试验中,采用滚动轴承信号的集总经验模态分解的能量特征作为输入,进行算法的性能分析与测试.结果表明该算法可以有效地缓解粒子陷入局部最优解,且减少了控制参数,并能完成滚动轴承故障信号的诊断与识别.     

基于离散粒子群和支持向量机的故障诊断方法

针对与故障不相关的变量会影响分类器性能,从而导致故障诊断正确率下降,提出一种将离散粒子群算法（PSO）与支持向量机（SVM）相结合寻找故障特征变量的优化算法。该算法实现了数据降维和故障特征保留,有效地提高了故障诊断性能。基于连续搅拌釜式反应器（CSTR）的仿真实例验证了该算法古白有诗性．     

采用IEWT-SAE算法的配电变压器故障诊断方法

为识别配电变压器运行过程中存在的潜伏性故障,提出一种基于改进经验小波变换(improve empirical wavelet transform,IEWT)及堆栈自编码器(stacked auto-encoder,SAE)算法的故障诊断新方法. 首先,利用顺序统计滤波包络法来改进经验小波变换完成对振动信号的分解,得到一组经验小波分量并计算其与原始信号之间的K-L散度值,以剔除干扰分量. 然后,选取K-L散度值低的经验小波分量作为SAE的输入数据进行特征的自适应提取,再用Softmax分类器完成故障诊断,并在堆栈自编码器训练过程中引入樽海鞘群算法实现参数寻优. 最后,在10kV油浸式变压器上搭建数据采集平台进行故障模拟及分类测试. 实验结果表明,所提方法的分类精度达99.5%,在识别准确率、诊断时间上均优于对比方法.