混合蛙跳算法的改進及在旋轉(zhuǎn)機械故障診斷中的應(yīng)用研究.pdf

1、機械故障診斷學(xué)是識別機器或機組運行狀態(tài)的科學(xué)，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(zhǔn)確的狀態(tài)識別和診斷決策的能力，對于保障設(shè)備安全運行意義重大。目前，隨著機械設(shè)備工作狀況的復(fù)雜性、結(jié)構(gòu)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(shè)備中提取有效信息，判定設(shè)備的運行狀態(tài)并對所發(fā)生的故障進行準(zhǔn)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(shè)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(guān)理論應(yīng)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(jīng)網(wǎng)絡(luò)模型的參數(shù)優(yōu)化及無監(jiān)督類機器學(xué)習(xí)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(guān)概念和數(shù)學(xué)模型的基礎(chǔ)上，通過簡化的青蛙個體更新模型，以z變換為數(shù)學(xué)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(jié)合Markov模型以及算法期望收斂

3、時間的相關(guān)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(fù)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(xué)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(jié)合實驗數(shù)據(jù)，得到SFLA參數(shù)設(shè)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(jù)，仿真試驗證明，該算法可有效地解決了標(biāo)準(zhǔn)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(wǎng)絡(luò)優(yōu)化的數(shù)學(xué)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(jié)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(shù)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(biāo)準(zhǔn)混合蛙跳算法的兩步迭代轉(zhuǎn)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(wǎng)絡(luò)初始權(quán)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(gòu)成的BP網(wǎng)絡(luò)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(yīng)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(gòu)成新型的改進型算法;通過比較K-Means的原理，提出了一種結(jié)合改進混合蛙跳算法的新型的自適應(yīng)聚類分析方法，結(jié)合DB指標(biāo)作為聚類效果的判斷標(biāo)準(zhǔn)，不僅可以快速找到聚類中心向量，而且還能準(zhǔn)確的確定數(shù)據(jù)集的最佳聚類數(shù);通過一些測試數(shù)據(jù)集合進行驗證，并結(jié)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(quán)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