改进型双稳随机共振系统及其在轴承故障诊断的应用

针对经典双稳随机共振系统(CBSR)的输出饱和现象降低系统输出信噪比的问题,提出一种改进型双稳随机共振系统。将CBSR中限制粒子运动的四次型势函数改进为分段二次型双稳势函数,并代入到由势函数、噪声以及微弱周期信号驱动的朗之万方程中,得到非饱和分段双稳随机共振系统。该系统结构简单,可通过调节系统参数实现最佳随机共振。进一步,通过绝热近似理论,得到表征系统性能的输出信噪比表达式,当输出信噪比随系统参数以及噪声参数增加呈现非单调变化时,系统发生随机共振。将改进系统应用于轴承故障诊断,结果表明,在相同参数下,改进系统的输出信噪比共振曲线整体高于CBSR及分段非线性双稳随机共振系统(PNBSR),系统能够有效检测出故障信号频率,在内外圈故障诊断中,输出信噪比较PNBSR系统分别提高了2.4 dB与1.8 dB,证明改进系统可有效增强系统输出信噪比。     

基于自适应欠阻尼系统随机共振方法的故障诊断

为了进一步提高故障诊断的输出信噪比和滤波性能,提出了一种基于量子粒子群优化（Quantum Particle Swarm Optimization, QPSO）算法和欠阻尼FitzHugh-Nagumo势的自适应双稳态随机共振进行故障诊断的方法.首先,研究了基于欠阻尼FitzHugh-Nagumo势的二维双势阱系统输出信噪比的解析式,验证了通过改变系统参数及阻尼系数可以进一步提高信噪比;然后,为了进一步提高输出信噪比,提出了一种基于欠阻尼FitzHugh-Nagumo势的自适应双稳态随机共振方法,该方法通过QPSO算法选择较优的系统参数和欠阻尼阻尼因子以得到最优系统;最后,将该方法用于仿真和实际的轴承故障检测中,结果表明该方法能有效地识别出内外圈的轴承故障,且与传统一阶变步长随机共振（Step-changed Stochastic Resonance, SCSR）相比,提出的方法能够获得更高的信噪比和滤波性能.     

自适应随机共振降噪下的结构模态参数识别

针对强背景噪声下结构模态参数难识别以及传统自适应随机共振单参数优化的不足,提出一种基于改进多粒子群协同优化算法的多参数同步优化的自适应随机共振方法,结合利希尔伯特变换来识别出结构的模态参数.该算法能够更快得到最佳随机共振系统结构参数,自适应地实现非线性系统、输入信号和噪声之间的最佳匹配,削弱强背景噪声响应中的噪声,提高响应的输出信噪比.数值仿真和试验均表明,该方法参数寻优效率高,简单易行,能够成功识别出强背景噪声下结构的模态参数.     

系统辨识的粒子群优化方法

研究了一种基于粒子群优化算法对系统进行辨识的新方法.该方法的基本思想是将典型数学模型相互组合而构成系统模型,即首先将系统结构辨识问题转化为组合优化问题,然后利用粒子群优化算法同时实现系统的结构辨识与参数辨识.为了进一步提高粒子群优化算法的辨识性能,提出了一种改进的粒子群优化算法.仿真结果表明,给出的辨识算法是合理的,虽然扰动对算法的性能以及辨识结果有一定的影响,但利用文中所提出的改进粒子群优化算法仍然可以理想地辨识出系统的结构以及模型的参数,且与已有辨识算法相比更加有效.     

改进型耗散粒子群优化算法

通过对标准粒子群优化算法中惯性权重的分析和对耗散理论的研究,提出了一种惯性权重正弦调整的耗散粒子群优化算法(S-DPSO),并对该算法进行了深入的分析和研究.通过对4个典型函数的仿真测试,试验结果表明S-DPSO在收敛速度和全局收敛性方面都比标准粒子群优化算法、随机惯性权重粒子群优化算法、惯性权重正弦调整粒子群优化算法、耗散粒子群优化算法和随机惯性权重耗散粒子群优化算法有明显改进.理论分析和仿真试验验证了S-DPSO的正确性和有效性.     

基于粒子群优化算法的船舶柴油机故障诊断

为了提高模糊神经网络收敛速度,克服容易陷入局部极值的不足,提出利用改进的动态加速常数协同惯性权重的WCPSO算法对网络参数进行优化。该算法通过对标准粒子群算法WPSO的改进,实现动态加速常数随进化代数线性变化,使被优化的网络收敛速度加快,不易陷入局部极值。将其应用于船舶柴油机模糊神经网络故障诊断模型中,仿真结果表明经过优化的故障诊断模型更为准确,提高了诊断速度。     

采用遗传算法的自适应随机共振系统弱信号检测方法研究

针对传统自适应随机共振系统只能实现单参数优化的缺点,提出了一种基于遗传算法的多参数同步优化自适应随机共振算法.该算法选用由双稳系统输出的信噪比作为遗传算法的适应度函数,能够实现随机共振系统中多个参数的自适应选取,从而最优地检测出原始信号中的微弱周期成分.同时,将该优化算法和移频变尺度随机共振相结合,可以实现大参数条件下的随机共振.仿真数据和滚动轴承外环故障数据的分析表明,该算法收敛速度快,简单易行,在采样点数较少的条件下能从强噪声背景中检测出微弱的高频周期成分,因此具有良好的工程应用前景.     

基于PSO-PF-SVM的模拟电路故障诊断

针对模拟电路输出信号存在的非线性、高维数等特点所带来的诊断困难问题,提出一种支持向量机(SVM)分类器参数优化算法,进行模拟电路故障诊断.首先,运用S变换与灰度共生矩阵(GLCM)组合方法S-GLCM,对电路输出信号进行故障特征提取.其次,采用粒子群算法(PSO)与粒子滤波算法(PF)融合,通过重采样实时更新粒子的位置和速度,对SVM参数进行高效寻优,并将特征向量代入模型中进行训练和测试,完成对电路各故障模式的高精度故障诊断.最后,通过两个国际基准电路试验对该方法进行可靠性分析.试验结果表明：S-GLCM在处理非线性、非平稳信号时表现出很大优势,将电路输出信号每组1 500个采样点降为8维特征向量,减少冗余信息;该SVM分类器参数优化算法的诊断准确率较未优化算法提升约11.2%.     

粒子群优化算法中惯性权重改进策略综述

在粒子群优化算法的3个参数中,惯性权重是最重要的参数,它对粒子群优化算法性能的提高起到至关重要作用.因此许多学者对粒子群优化算法中的惯性权重设计进行了广泛研究,目前取得许多成果.本文介绍了基本粒子群优化和标准粒子群优化算法,综述了惯性权重在粒子群优化算法中的各种改进策略.为粒子群优化算法的进一步改进研究提供参考.     

自适应移频变尺度随机共振在故障诊断中的应用

针对移频变尺度随机共振系统参数选择困难的问题,提出了一种基于时频指标的自适应移频变尺度随机共振算法.该算法选用了最高谱峰位置(频域)及过零间距方差(时域)作为优化目标函数,避开了以信噪比等为目标函数时需要预先知道目标信号确切频率的不足,能够自适应地获取最优系统参数,以最大信噪比检测出微弱周期信号.同时,由于移频变尺度随机共振的选用,该自适应算法突破了传统随机共振系统的限制,因此可以检测实际工程中的高频信号.仿真和故障诊断的工程应用结果表明,该自适应算法简单、易于理解,能有效地从强背景噪声中检测出高频微弱周期信号,具有较强的工程实用价值.     

基于非对称双稳系统的随机共振及应用

本文研究了高斯色噪声驱动下非对称双稳随机共振(Asymmetric Bistable Stochastic Resonance, ABSR)系统的信噪比以及平均首次通过时间的问题.我们运用统一色噪近似和两态模型理论,推导出平均首次通过时间和信噪比的公式;讨论了各参数对信噪比和平均首次通过时间的影响,并对参数进行了优化.研究发现,随机共振是噪声强度和势阱非对称性的非单调函数,在两个不同方向上,同一参数对平均首次通过时间的影响不同.通过仿真与实验证明了ABSR系统在轴承故障诊断中具有明显优势.     

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。     

基于非线性耦合双稳系统的微弱信号检测研究

针对系统输入信号为低频、高频情形,以非线性耦合双稳系统为随机共振模型,分别建立自适应随机共振检测算法。选取平均信噪比增益作为衡量随机共振性能指标,设置系统参数,固定步长,自适应调节耦合系数,计算最优耦合系数。本文将非线性耦合双稳系统首次应用于多频微弱信号检测。与传统的检测方法相比,非线性耦合双稳系统能更加灵活地检测微弱信号。数值仿真结果与理论分析完全符合,为非线性耦合双稳系统在实际工程中的应用提供了参考价值。     

阱宽非对称性诱导随机共振的轴承故障诊断方法

针对随机共振能够俘获噪声能量增强与提取机械微弱故障特征的优点,基于两态信噪比理论研究了阱宽非对称性诱导下的随机共振现象,理论结果表明阱宽诱导下的非对称随机共振比对称随机共振具有更高的输出信噪比,意味着适当的非对称性能够改善随机共振的增强性能。因此,提出了阱宽非对称性诱导随机共振的轴承故障诊断方法,利用量子遗传算法以信噪比为目标函数优化阱宽非对称性,以获取阱宽非对称性与微弱故障特征之间的最佳匹配。仿真和轴承实验结果表明,提出的方法能够有效地实现轴承的故障诊断,而且其性能优于集成经验模式分解。     

具有遗传特性的粒子群优化算法及在非线性盲分离中的应用

粒子群优化算法是一种新的基于群智能的随机优化进化算法.文章将变异和交叉思想引入到粒子群优化算法中,其基本思想是利用粒子群优化算法每次迭代的最优粒子位置及速度为基础对部分粒子进行变异,然后对变异前后粒子的分量进行随机交叉操作,从而产生新一代粒子群.通过这种处理使得粒子群体的进化速度加快,从而提高了算法的收敛速度和精度.该算法应用于盲信号分离中而获得一种非线性盲信号分离算法.计算机仿真结果表明该算法的收敛性能优于粒子群优化算法,并且在非线性盲信号分离中是有效的.     

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.     

改进GA-PSO算法的船舶电力系统故障诊断

为解决船舶电力系统故障识别的准确性以及快速性问题,在BP神经网络预测的基础上,提出一种改进的粒子群(PSO)和遗传算法(GA)混合优化BP神经网络的方法。改进包括两方面：一是对粒子群的惯性权重和学习因子进行改进;二是对遗传算法的变异概率和交叉概率进行改进。对发生故障时的三相电压信号进行小波包分解,提取各频率段的能量熵作为故障特征。经测试,优化后的算法诊断准确率明显提高,神经网络训练次数和误差减小,验证了改进GA-PSO-BP算法的可靠性,以及用于船舶电力系统故障诊断的实用性。     

基于改进粒子群优化算法的CDMA多用户检测

采用改进的粒子群优化算法,引入因子w,利用sigmoid函数离散粒子群设计CDMA多用户检测系统.针对不同信噪比和用户数,对其误码率和抗远近效应性能进行仿真分析,证实在CDMA系统中安装基于离散型粒子群优化算法的多用户检测系统具有可行性,且算法效率高,加快了运行的收敛速度.     

结合数字滤波技术的随机共振弱信号检测

应用数值计算研究强噪声背景下弱信号的随机共振检测. 探讨了大频率条件下非线性双稳态系统随机共振的输出信号幅值、 信噪比与随机噪声的关系, 数值计算结果表明, 非线性双稳态系统对大频率噪声具有较大的压制特性, 通过随机共振系统可以检测强噪声背景下的大频率弱信号. 结合数字滤波技术提取了大频率弱信号, 并获得被检测大频率弱信号的特征频率谱线及时域图像.      

风-光-抽水蓄能联合发电系统的优化运行

针对风-光-抽水蓄能联合发电系统各部分出力不佳导致的收益不高问题,通过改进粒子群万有引力混合算法,将混沌算法、惯性权重和改进步长因子引入传统的粒子群万有引力算法,解决传统算法的寻优能力弱、精度不高的问题.将改进后的粒子群万有引力算法应用于实际工程算例当中,优化联合发电系统各部分的出力,进而得到最大经济效益.与粒子群算法...