混合蛙跳算法的改進及在旋轉機械故障診斷中的應用研究.pdf

1、機械故障診斷學是識別機器或機組運行狀態(tài)的科學，其核心是有效地獲取、傳遞、處理、再生和利用診斷信息，從而具備對給定環(huán)境下診斷對象進行準確的狀態(tài)識別和診斷決策的能力，對于保障設備安全運行意義重大。目前，隨著機械設備工作狀況的復雜性、結構大型化以及功能的集成化和自動化的發(fā)展，如何從這些設備中提取有效信息，判定設備的運行狀態(tài)并對所發(fā)生的故障進行準確診斷，對于現(xiàn)有的故障診斷方法提出了新的考驗。
　　本論文針對目前在機械設備故障診斷中的一些難

2、題，將新型的群智能算法—混合蛙跳算法與改進算法的相關理論應用于機械故障診斷中，從“智能優(yōu)化”處理的角度，完成了對診斷系統(tǒng)中傳感器優(yōu)化布置、神經網絡模型的參數(shù)優(yōu)化及無監(jiān)督類機器學習中代價函數(shù)和聚類數(shù)的智能求解。論文主要工作如下:
　　(1)在分析混合蛙跳算法相關概念和數(shù)學模型的基礎上，通過簡化的青蛙個體更新模型，以z變換為數(shù)學工具對最差青蛙的動態(tài)行為進行分析，理論上證明了其局部收斂性和全局收斂性;結合Markov模型以及算法期望收斂

3、時間的相關概念，完成了對混合蛙跳算法的收斂速度理論分析以及算法本身的復雜度分析，完善了混合蛙跳算法的部分理論;以單因素方差分析法為數(shù)學工具，首次全面分析了算法中的5個基本參數(shù)與算法性能之間的聯(lián)系，以及其參數(shù)的效能問題，結合實驗數(shù)據，得到SFLA參數(shù)設置對算法的影響規(guī)律;
　　(2)提出了一種基于交叉和變異運算的離散型混合蛙跳算法，該算法在最差青蛙進行更新時，通過交叉運算得到平均最優(yōu)青蛙，將其與最差青蛙的漢明距離的大小作為其是否變異

4、運算的依據，仿真試驗證明，該算法可有效地解決了標準混合蛙跳算法在求解0-1變量類型的函數(shù)時的不足;通過建立基于系統(tǒng)測試可靠性的和故障-傳感器因果矩陣的傳感器網絡優(yōu)化的數(shù)學模型，解決了針對齒輪箱故障診斷時傳感器的測點位置和數(shù)量的智能優(yōu)化選擇，計算結果不僅表明了新算法的優(yōu)越性，也可為其它NP難問題提供技術支持;
　　(3)提出了一種基于混沌思想和收斂因子的連續(xù)型混合蛙跳算法。利用混沌序列完成青蛙種群的初始化以及快速跳出最差位置，同時以

5、收斂因子為紐帶，將標準混合蛙跳算法的兩步迭代轉換成一步迭代，提高了算法的計算速度和收斂精度;針對滾動軸承早期故障難以區(qū)分的特點，提出了以改進的蛙跳算法優(yōu)化BP網絡初始權值和閾值的方法，以軸承信號的EMD分解后的IMF樣本熵為故障特征進行模式識別，實驗表明，該方法構成的BP網絡的對故障分類的正確率和魯棒性均得到了提高;
　　(4)通過分析DE算法，將其算法中的部分個體更新策略應用于SFLA算法中的最差青蛙個體的更新過程，形成多個進化

6、方式同時存在且相互競爭的新型策略，構成新型的改進型算法;通過比較K-Means的原理，提出了一種結合改進混合蛙跳算法的新型的自適應聚類分析方法，結合DB指標作為聚類效果的判斷標準，不僅可以快速找到聚類中心向量，而且還能準確的確定數(shù)據集的最佳聚類數(shù);通過一些測試數(shù)據集合進行驗證，并結合機械故障診斷的實例，驗證了算法的有效性;
　　(5)提出了一種基于慣性權重的混合蛙跳算法的改進方法。首先在理論上給出了收斂性的證明，并給出了三種不同的