基于混合雜草算法——神經(jīng)網(wǎng)絡(luò)的轉(zhuǎn)子故障數(shù)據(jù)分類方法研究.pdf

1、近年來(lái)，隨著現(xiàn)代機(jī)械設(shè)備的大型化、復(fù)雜化、自動(dòng)化和連續(xù)化，開展機(jī)械設(shè)備的故障診斷技術(shù)的研究具有重要的現(xiàn)實(shí)意義。目前，國(guó)內(nèi)外學(xué)者在此方面做了大量的工作，使得相關(guān)的理論與應(yīng)用取得的迅猛的發(fā)展。機(jī)械故障診斷是通過(guò)研究故障與征兆之間的關(guān)系來(lái)判斷設(shè)備故障的，而故障與征兆之間表現(xiàn)出的非常復(fù)雜的非線性關(guān)系，很難用數(shù)學(xué)模型加以精確的描述，給機(jī)械的故障診斷帶來(lái)很大的不便。人工神經(jīng)網(wǎng)絡(luò)是一種重要的人工智能行為，是一個(gè)非線性計(jì)算系統(tǒng)，可以實(shí)現(xiàn)故障與征兆之間復(fù)

2、雜的非線性映射關(guān)系，因此在機(jī)械故障診斷領(lǐng)域得到了極大的應(yīng)用潛力。
　　 本文構(gòu)建的混合雜草優(yōu)化算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型，以轉(zhuǎn)子試驗(yàn)臺(tái)模擬的大量的故障數(shù)據(jù)為支持，采用信息熵方法來(lái)定量的對(duì)故障數(shù)據(jù)進(jìn)行特征提取，混合的雜草優(yōu)化算法優(yōu)化神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)。主要工作內(nèi)容和研究成果如下：
　　 (1)在轉(zhuǎn)子實(shí)驗(yàn)臺(tái)上模擬了四種典型故障，對(duì)信息熵的性質(zhì)和時(shí)域的奇異譜熵、頻域的功率譜熵、時(shí)頻域的小波能譜熵和小波空間譜熵進(jìn)行了較為系統(tǒng)的研究和

3、探討。
　　 (2)以四類譜熵為原始數(shù)據(jù)，對(duì)數(shù)據(jù)進(jìn)行歸一化處理，并建立訓(xùn)練樣本庫(kù)和測(cè)試樣本庫(kù)。
　　 (3)在分析遺傳算法、粒子群算法優(yōu)點(diǎn)的基礎(chǔ)上，將遺傳算法中的交叉算子、粒子群算法的矢量操作引入IWO，提出了HIWO。
　　 (4)建立了HIWO優(yōu)化BP神經(jīng)網(wǎng)絡(luò)模型，由HIWO算法訓(xùn)練BP網(wǎng)絡(luò)訓(xùn)練的初始最優(yōu)權(quán)值和閾值，然后在訓(xùn)練好的BP神經(jīng)網(wǎng)絡(luò)中對(duì)測(cè)試樣本進(jìn)行預(yù)測(cè)，并且與遺傳算法、粒子群算法及IWO優(yōu)化的神經(jīng)網(wǎng)