排序方式: 共有117条查询结果,搜索用时 15 毫秒
61.
针对磁瓦内部缺陷声振检测中的信号处理问题,提出一种结合群分解(swarm decomposition,SWD)、鲸鱼优化算法(whale optimization algorithm,WOA)和随机森林(random forests,RF)的信号分析方法。首先,根据磁瓦声振信号特点,构造反映SWD分解性能的适应度函数,再通过WOA配合该函数对SWD分解参数进行优化,以此获得最佳的SWD分解参数。其次,SWD利用该最优分解参数将磁瓦声振信号分解为若干振荡分量,并由能量最大值对振荡分量进行筛选,进而提取出反映磁瓦内部缺陷的特征信息。最后,经RF分类器对提取的特征进行识别,以决策磁瓦是否存在内部缺陷。实验结果表明,所提出的方法能准确地实现多种类型磁瓦的内部缺陷检测。 相似文献
62.
针对压缩机故障难以检测与分类的问题,传统的方法是采用BP神经网络的检测方法,利用从压缩机语音信号中提取的识别特征来预测压缩机故障类型,该方法具有良好的可行性,但是BP神经网络容易陷入局部最优值的情况,从而导致了预测精度较低和稳定性较差的问题。因此,本文提出了改进的鲸鱼优化算法(IWOA)和BP神经网络的模型,首先通过优化WOA中的搜索猎物被执行的概率和包围猎物向最优个体聚集的过程,从而提高了IWOA的全局搜索能力和收敛速度,其次将IWOA对BP神经网络的权值和阀值进行深度寻优,从而提高了BP神经网络的预测精度和稳定性,最后将该模型运用到压缩机故障检测实验中。实验结果表明,与其他模型相比,证明了IWOA和BP神经网络提高了预测精度,且具有良好的稳定性。 相似文献
63.
轴承作为感应电机的关键部件,其运行状态直接影响船舶电力拖动系统安全。为解决船舶感应电机轴承故障诊断难题,本文提出一种基于PCA-VNWOA-LSSVM的故障诊断模型。选用美国凯斯西储大学轴承振动数据,利用离散小波分解(discrete wavelet transformation, DWT)从振动信号中提取内圈、外圈和滚动体故障特征,按不同故障类型和直径进行分组、主成分分析(principal component analysis,PCA)降维,结合改进的鲸鱼优化算法(von neumann whale optimization algorithm, VNWOA)对最小二乘支持向量机(least squares support vector machine, LSSVM)初始参数δ 2和γ寻优,搭建其故障识别模型,最后将遗传算法(genetic algorithm, GA)和粒子群算法(particle swarm optimization, PSO)的寻优诊断结果与之对比。结果表明:基于PCA-VNWOA-LSSVM的模型故障诊断精度高,且具有良好的稳定性及诊断速度。 相似文献
64.
65.
68.
69.
70.
为解决鲸鱼优化算法中收敛速度慢和寻优精度低等问题,提出一种基于Iterative映射和非线性拟合的鲸鱼优化算法(NWOA)。首先,该算法利用了Iterative映射对鲸鱼种群初始化,保证初始种群的多样性;其次,采用非线性拟合的策略对收敛因子和惯性权重进行改进,以平衡算法的全局勘测能力和局部开发能力。通过对13种函数进行仿真实验,从均方差和平均值的角度分析,改进后算法寻优精度显著提高,且稳定性较强。实验结果表明NWOA与传统的鲸鱼优化算法相比,收敛速度明显加快。 相似文献