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

1、機(jī)械故障診斷學(xué)是識(shí)別機(jī)器或機(jī)組運(yùn)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(duì)給定環(huán)境下診斷對(duì)象進(jìn)行準(zhǔn)確的狀態(tài)識(shí)別和診斷決策的能力，對(duì)于保障設(shè)備安全運(yùn)行意義重大。目前，隨著機(jī)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(dòng)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(yùn)行狀態(tài)并對(duì)所發(fā)生的故障進(jìn)行準(zhǔn)確診斷，對(duì)于現(xiàn)有的故障診斷方法提出了新的考驗(yàn)。
　　本論文針對(duì)目前在機(jī)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(jìn)算法的相關(guān)理論應(yīng)用于機(jī)械故障診斷中，從“智能優(yōu)化”處理的角度，完成了對(duì)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(wú)監(jiān)督類機(jī)器學(xué)習(xí)中代價(jià)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(guò)簡(jiǎn)化的青蛙個(gè)體更新模型，以z變換為數(shù)學(xué)工具對(duì)最差青蛙的動(dòng)態(tài)行為進(jìn)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(shí)間的相關(guān)概念，完成了對(duì)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(gè)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(wèn)題，結(jié)合實(shí)驗(yàn)數(shù)據(jù)，得到SFLA參數(shù)設(shè)置對(duì)算法的影響規(guī)律;
　　(2)提出了一種基于交叉和變異運(yùn)算的離散型混合蛙跳算法，該算法在最差青蛙進(jìn)行更新時(shí)，通過(guò)交叉運(yùn)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(yùn)算的依據(jù)，仿真試驗(yàn)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(shí)的不足;通過(guò)建立基于系統(tǒng)測(cè)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(duì)齒輪箱故障診斷時(shí)傳感器的測(cè)點(diǎn)位置和數(shù)量的智能優(yōu)化選擇，計(jì)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(wèn)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(shí)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(jì)算速度和收斂精度;針對(duì)滾動(dòng)軸承早期故障難以區(qū)分的特點(diǎn)，提出了以改進(jìn)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(hào)的EMD分解后的IMF樣本熵為故障特征進(jìn)行模式識(shí)別，實(shí)驗(yàn)表明，該方法構(gòu)成的BP網(wǎng)絡(luò)的對(duì)故障分類的正確率和魯棒性均得到了提高;
　　(4)通過(guò)分析DE算法，將其算法中的部分個(gè)體更新策略應(yīng)用于SFLA算法中的最差青蛙個(gè)體的更新過(guò)程，形成多個(gè)進(jìn)化

6、方式同時(shí)存在且相互競(jìng)爭(zhēng)的新型策略，構(gòu)成新型的改進(jìn)型算法;通過(guò)比較K-Means的原理，提出了一種結(jié)合改進(jìn)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(guò)一些測(cè)試數(shù)據(jù)集合進(jìn)行驗(yàn)證，并結(jié)合機(jī)械故障診斷的實(shí)例，驗(yàn)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(jìn)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