CN111397901A - 基于小波和改进pso-rbf神经网络的滚动轴承故障诊断方法 - Google Patents

基于小波和改进pso-rbf神经网络的滚动轴承故障诊断方法 Download PDF

Info

Publication number
CN111397901A
CN111397901A CN201910183036.0A CN201910183036A CN111397901A CN 111397901 A CN111397901 A CN 111397901A CN 201910183036 A CN201910183036 A CN 201910183036A CN 111397901 A CN111397901 A CN 111397901A
Authority
CN
China
Prior art keywords
neural network
wavelet
rolling bearing
rbf neural
fault diagnosis
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN201910183036.0A
Other languages
English (en)
Inventor
梁志成
王芳
徐皞昊
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shanghai Dianji University
Original Assignee
Shanghai Dianji University
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Shanghai Dianji University filed Critical Shanghai Dianji University
Priority to CN201910183036.0A priority Critical patent/CN111397901A/zh
Publication of CN111397901A publication Critical patent/CN111397901A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
    • G01M13/00—Testing of machine parts
    • G01M13/04—Bearings
    • G01M13/045—Acoustic or vibration analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/004—Artificial life, i.e. computing arrangements simulating life
    • G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/02—Preprocessing
    • G06F2218/04—Denoising
    • G06F2218/06—Denoising by applying a scale-space analysis, e.g. using wavelet analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/08—Feature extraction
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/12—Classification; Matching

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Acoustics & Sound (AREA)
  • Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)

Abstract

本发明涉及一种基于小波和改进PSO‑RBF神经网络的滚动轴承故障诊断方法，其该方法包括如下步骤：S1，读取轨道列车滚动轴承状态的原始振动信号；S2，对原始振动信号进行小波降噪，得到纯净振动信号；S3，利用小波包对纯净振动信号进行分解和相空间重构，提取特征向量；S4，利用特征向量作为输入，相对应的轴承状态作为输出，进行改进PSO‑RBF神经网络的训练，得到神经网络故障诊断模型；步骤S5，对于待诊断的轨道列车滚动轴承原始振动信号，将其进行步骤S1‑S3后得到的特征向量输入步骤S4得到的神经网络故障诊断模型中，得到滚动轴承的诊断结果。与现有技术相比，该方法结合了小波变换和人工智能算法的优点，可对轨道交通走行部进行准确的故障诊断。

Description

基于小波和改进PSO-RBF神经网络的滚动轴承故障诊断方法
技术领域
本发明涉及人工智能技术领域和轨道交通故障诊断技术领域，尤其是涉及一种基于小波和改进PSO-RBF神经网络的滚动轴承故障诊断方法。
背景技术
近年来，轨道列车滚动轴承故障诊断的研究十分热门，例如，利用傅里叶变换进行振动信号特征的提取，由于快速傅里叶变换(FFT)能实现信号时域到频域的快速变换，因此基于FFT的各种频谱分析，如细化谱分析、最大熵值谱分析、全息谱分析等在轴承状态监测与故障诊断中发挥了巨大作用；利用历史数据样本来训练BP神经网络或径向基神经网络(Radial Basis Function Neural Networks，RBF神经网络)，获取故障诊断模型来进行故障诊断；利用粒子群算法(Particle Swarm Optimization，PSO)迭代寻找最优解；利用主成分分析方法提取特征向量，通过线性变换将高维数据空间变换到低维数据空间，并依据特征值累积贡献率确定主成分个数，来进行不同轴承状态的判别。
基于傅里叶变换的分析方法存在时域和频域的局部化矛盾这一根本缺陷，因此只能从全局上分析信号。BP神经网络收敛速度慢，待寻优的参数太多，而RBF神经网络结构的最优参数寻找困难。使用主成分分析法时，当主成分的因子负荷的符号有正有负时，综合评价函数意义就不明确。
发明内容
本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种基于小波和改进PSO-RBF神经网络的滚动轴承故障诊断方法。
本发明的目的可以通过以下技术方案来实现：
一种基于小波和改进PSO-RBF神经网络的滚动轴承故障诊断方法，包括如下步骤：
S1：从历史数据库中读取轨道列车滚动轴承状态的原始振动信号；
S2：对原始振动信号进行小波降噪，得到纯净振动信号；
S3：利用小波包对纯净振动信号进行分解和相空间重构，提取特征向量；
S4：利用特征向量作为输入，相对应的轴承状态作为输出，进行改进PSO-RBF神经网络的训练，得到神经网络故障诊断模型；
S5：获取待诊断的轨道列车滚动轴承原始振动信号，将其执行步骤S2-S3后得到的特征向量输入步骤S4得到的神经网络故障诊断模型中，得到滚动轴承的诊断结果。
所述的轨道列车滚动轴承状态包括正常状态、内圈故障、外圈故障和滚子故障4种状态，所述的轨道列车滚动轴承原始振动信号包括纯净振动信号和噪声信号。
所述的小波降噪包括以下步骤：
S21：利用小波函数对轨道列车滚动轴承原始振动信号进行分解；
S22：计算各层小波系数模长；
S23：滤掉模长低于阈值的小波系数；
S24：进行小波反变换，得到纯净振动信号。
所述的S3包括以下步骤：
S31：利用db小波对纯净振动信号进行三层小波包分解，得到第三层中低频信号到高频信号的8个分解系数；
S32：对小波包各个分解系数进行相空间重构，从而得到8个频带范围内的信号特征；
S33：求解各个频带信号的能量，以能量为基本元素构造8个特征向量。
所述的8个特征向量进行归一化处理后，作为改进PSO-RBF神经网络的输入信号。
所述的改进PSO-RBF神经网络输出采用四个二进制元素组成的向量，(1 0 00)表示轴承正常状态，(0 1 0 0)表示内圈故障，(0 0 1 0)表示外圈故障，(0 0 0 1)表示滚子故障。
所述的神经网络故障诊断模型为RBF神经网络模型，采用改进的粒子群算法对RBF神经网络的参数进行优化，使得RBF神经网络训练样本的均方误差最小。
所述的RBF神经网络为多输入多输出的RBF神经网络，网络结构分为三层，包括输入层、隐含层和输出层，选择高斯分布函数作为隐含层的基函数。
所述的RBF神经网络的参数包括：RBF神经网络中基函数的中心、基函数的场域宽度、隐含层与输出层的权重。
所述的改进的粒子群算法和标准的粒子群算法相比，改进的粒子群算法惯性权重的取值采用递减的凸函数，粒子对自身的学习能力系数为递减函数，粒子对种群的学习能力系数为递增函数。
与现有技术相比，本发明具有以下优点：
(1)采用小波包提取特征向量，可以充分考虑低频与高频成分。
(2)利用改进的粒子群算法来进行RBF神经网络参数的寻优，克服了RBF神经网络最优参数寻找困难的问题。
(3)改进的粒子群算法惯性权重的取值采用递减的凸函数，粒子对自身的学习能力系数为递减函数，粒子对种群的学习能力系数为递增函数，比标准的粒子群算法收敛速度更快，精度更高。
(4)本发明结合小波变换、小波包提取特征向量、改进PSO-RBF神经网络，可以对轨道交通走行部进行准确的故障诊断，降低了轨道交通列车滚动轴承故障所带来的经济损失和人身安全风险。
附图说明
图1为本发明的流程图；
图2为RBF神经网络模型；
图3为改进PSO优化RBF神经网络流程图。
具体实施方式
下面结合附图和具体实施例对本发明进行详细说明。本实施例以本发明技术方案为前提进行实施，给出了详细的实施方式和具体的操作过程，但本发明的保护范围不限于下述的实施例。
实施例
本发明是一种基于小波和改进PSO-RBF神经网络的轨道列车滚动轴承故障诊断方法，这种故障诊断方法主要针对滚动轴承的3种典型故障：内圈故障、外圈故障和滚子故障。这种故障诊断方法可以理解为，从车站维护中心监控系统的历史数据库中读取轨道列车滚动轴承正常状态和3种典型故障的振动信号，进行小波处理后得到8个特征向量。用所得到的8个特征向量作为8个输入信号，滚动轴承的状态作为输出信号来训练改进的神经网络，得到一个改进的神经网络故障诊断模型。
首先从历史数据库中读取滚动轴承正常状态、内圈故障、外圈故障和滚子故障的振动信号，利用小波函数进行降噪处理，得到纯净的振动信号，再利用db小波对纯净振动信号进行3层小波包分解和相空间重构，以能量为基本元素构造8个特征向量，进行归一化处理后，将处理后的8个特征向量作为8个输入信号，滚动轴承的状态作为输出信号来训练一个RBF神经网络，由于RBF神经网络结构的最优参数寻找困难，所以用一种改进的粒子群算法来进行RBF结构参数的寻优，最终得到一个性能最好的RBF神经网络故障诊断模型。
小波变换非常适合处理非线性振动产生的失效信号。小波变换是时间-频率分析法，具有多分辨率的特性。基于傅里叶变换，小波变换也是一种用族函数表示信号的函数，因此又叫做小波函数系。但是，与傅里叶变换所用正弦函数不同的是：小波函数系是由基本小波函数平移和伸缩得到的。
滚动轴承的故障在一开始所产生的信息较为微弱，通常会被列车噪声干扰所淹没，比较难以辨别，这就要求对原始信号进行降噪处理，小波降噪是一种很有效的降噪方法，可以得到更为清晰的信号，以便于对故障信息的确认。
假设轨道列车滚动轴承的纯净振动信号为f(m)，噪声信号为e(m)，则滚动轴承的振动信号模型为y(m)：
y(m)＝f(m)+σe(m),m＝1,2,…,N (1)
式(1)中，y(m)为测量得到的振动信号；σ为信号标准方差；N为信号长度。
将所测振动信号y(m)进行小波变换得到小波系数dj,k：
dj,k＝df(j,k)+de(j,k) (2)
式(2)中，df(j,k)为实际信号小波变换后第j层的第k个系数；de(j,k)为噪声信号小波变换后第j层的第k个系数。
利用小波函数对所测振动信号进行分解，并对比各层系数模长与阈值的大小，滤掉低于阈值的系数，然后进行小波反变换，得到纯净振动信号。
滚动轴承振动信号的频率成分十分复杂，而小波分解主要对低通滤波器的输出进行递归分解，而高通滤波器的输出一般直接作为分解结果，这就使得小波分析在高频的分辨率较差，而滚动轴承的故障诊断对于高频段的分解又是至关重要的，因此小波分解不适合用于滚动轴承的故障诊断。
和小波分解相比，小波包分解可以将信号分在不同的频带，它不仅对信号的低频段进行分解，同时对信号的高频段也进行分解，因此可以利用小波包分解，将滚动轴承振动信号进行分离。相较于小波分解，小波包分解的优点是能够对信号的高频部分提供更精确的分解，且无冗余，也无疏漏。小波包分解可以将信号频带划分为多个层次，以便于后续分析。鉴于故障信号的幅频通常较大，与正常信号对比，相同频带内故障信号的能量差异更为明显。如果各频段信号中包含着一部分故障信息，利用小波包分解后，可以实现对故障信号的精确细分，从而提取到故障信号的特征向量，获得故障信号特征值。设定滚动轴承纯净振动信号f(t)的分析频率范围为0～5000Hz，利用小波包分解将f(t)整个频段分成8个等间距的频带，每个频带的宽度为625Hz，分析各个频带内的能量变化情况，根据能量变化就可以得出故障类型。
通过对降噪后的振动信号进行小波包分解，计算其频带能量，得出8个频带的能量分布情况，具体试验操作步骤如下：
1)首先利用db小波对纯净振动信号f(t)进行三层小波包分解，得到第三层从低频信号到高频信号的8个频率成分信号特征。
离散信号小波包分解算法为：
Figure BDA0001991914540000051
式(3)中，a、b为小波包滤波器系数，dl(j,2k)为信号进行小波包分解时第j层的第2k个系数，dk(j+1,k)为信号进行小波包分解时第j+1层的第k个系数。
2)对小波包各个分解系数进行相空间重构，从而得到8个频带范围内的信号特征，每个频带的宽度为625Hz。
3)求解各个频带信号的能量
Figure BDA0001991914540000052
Figure BDA0001991914540000053
式(4)中，Xik为重构信号；Si为离散点的幅值。
4)构造特征向量。
由于滚动轴承出现故障时，振动会影响各个频带信号的能量值，因此以能量为基本元素构造如下特征向量：
Figure BDA0001991914540000054
Figure BDA0001991914540000065
代表每个频带的能量值。当
Figure BDA0001991914540000061
较大时，将不利于小波变换。随后对(5)式进行归一化处理，得：
Figure BDA0001991914540000062
归一化处理得到的特征向量为T：
T＝[E0,E1,E2,E3,E4,E5,E6,E7] (7)
式(7)中，E0表示0～625Hz内的能量特征向量，E1表示625～1250Hz内的能量特征向量，……，E7表示4375～5000Hz内的能量特征向量，将这8个经过归一化处理后的特征向量作为RBF神经网络的输入，同时把相对应的滚动轴承状态作为RBF神经网络的输出进行网络的训练。输出采用四个二进制元素组成的向量，(1 0 0 0)表示轴承正常状态，(0 1 0 0)表示内圈故障，(0 0 1 0)表示外圈故障，(0 0 0 1)表示滚子故障。
RBF神经网络能够以任意精度逼近非线性函数而且具有结构简单、收敛速度快的优点。因其具有模拟神经元局部响应的特性，在网络的隐含层加入基函数，可以对目标进行非线性逼近，具有广泛的应用。本发明选用多输入多输出的神经网络，网络结构分为三层，分别有输入层、隐含层和输出层。其网络结构模型如图2所示，RBF神经网络具有8个输入节点，m个隐含层节点，4个输出节点。选择高斯分布函数作为隐含层的基函数。
当输入样本数据时，从输入层到隐含层的非线性变换为：
Figure BDA0001991914540000063
式(8)中，x表示输入向量；ci表示第i个RBF神经网络隐含层基函数的中心；σi表示第i个RBF神经网络隐含层基函数的场域宽度。
从隐含层到输出层的表达式为：
Figure BDA0001991914540000064
式(9)中，m表示隐含层的节点个数，ωij表示第i个隐含层节点与第j个输出节点的连接权重；yj是第j个节点的输出，j＝1,2,3,4；ω0j是第j个节点调整输出的偏移量，是预先设定好的常数。
在以高斯函数作为基函数的径向基神经网络中，基函数的中心ci决定高斯分布对在中心ci附近的数据比较敏感，而基函数的场域宽度σi的大小决定了数据减小的快慢程度。因此，需要对网络中基函数的中心ci、基函数的场域宽度σi、隐含层与输出层的权重ωij进行合适选取，构建起RBF神经网模型。
应用RBF神经网络对滚动轴承故障进行诊断时，以训练样本的均方误差MSE作为RBF神经网络的性能评价函数，其表达式如下所示：
Figure BDA0001991914540000071
式(10)中，N表示滚动轴承故障训练样本的个数；yij表示神经网络下第i个训练样本的第j个输出节点的输出值，
Figure BDA0001991914540000072
表示第i个训练样本的第j个输出节点的实际输出值。
从上述内容可得，轨道列车滚动轴承故障诊断准确与否的性能指标MSE与RBF神经网络中的参数{ci,σi,ωij}直接相关，因此采用改进的粒子群算法对RBF神经网络的参数进行优化，进而找到最优的参数使得性能指标MSE最小。
标准的粒子群算法表示为：在D维搜索空间中，有N个粒子组成的种群。其中：Xi＝[Xi1,Xi2,…,XiD]为粒子i的当前位置；Vi＝[Vi1,Vi2,…,ViD]为粒子i的当前飞行速度；Pi＝[Pi1,Pi2,…,PiD]为粒子i搜索到的个体最优位置，称为Pbest；gi＝[gi1,gi2,…,giD]为整个粒子群搜索到的最优位置，称为gbest；粒子状态更新操作如下：
Figure BDA0001991914540000073
式(11)中，d＝(1,2,…,D)，i＝(1,2,…,N)，k为当前迭代次数，ω是非负常数，称为惯性因子；c1、c2称为学习因子，也是非负常数；r1、r2是0～1之间的随机数。
虽然粒子群算法有着诸多应用，但是标准粒子群算法也存在着后期搜索速度慢和不易找到全局最优解等缺点。为了改善粒子群算法的性能，采用递减的凸函数作为惯性权重，可以使算法的收敛速度更快，精度更高。式(11)中的惯性权重ω取值为：
Figure BDA0001991914540000074
式(12)中ωmax、ωmin分别为惯性权重的最大值、最小值，分别取0.9、0.4；k为当前迭代次数；kmax为最大迭代次数。在式(11)中，c1表示粒子对自身的学习能力，c2表示粒子对种群的学习能力，c1递减和c2递增有利于算法初期粒子的前期自身搜索和后期全局搜索。因此在本文中将c1、c2设置为如下形式：
Figure BDA0001991914540000081
Figure BDA0001991914540000082
式(13)和式(14)中，c1a,c1b,c2a,c2b为常数，按经验取值为c1a＝1.5、c1b＝0.7、c2a＝2.5、c2b＝0.5。
应用改进后的粒子群优化算法优化RBF神经网络参数{ci,σi,ωij}的具体步骤如下：
1)设置相关参数，确定粒子个数N、空间维数D、迭代次数kmax对每个粒子初始化其位置和速度。
2)对RBF神经网络的权值和阈值赋值形成相对应的粒子，计算每个粒子适应度值，根据适应度选出最好pbest和gbest。
3)通过改进的算法对粒子更新，计算更新后的粒子适应度值，与上一次的pbest和gbest比较，选出适应度最优的粒子。
4)判断当前迭代次数是否达到了设定的最大迭代次数kmax或适应度函数MSE是否达到了预设的期望值。若符合，则迭代终止，否则转向步骤3)继续进行迭代寻优。
5)当网络训练结束后，根据寻找到的最优粒子，得到RBF神经网络的参数值。导入测试样本进行RBF神经网络的训练，形成RBF神经网络故障诊断模型。
改进的粒子群算法优化RBF神经网络的流程图如图3所示。把待测振动信号经过小波变换和归一化处理后的特征向量输入到改进PSO-RBF神经网络故障诊断模型中，就可以得到故障诊断的结果。

Claims (10)

1.一种基于小波和改进PSO-RBF神经网络的滚动轴承故障诊断方法，其特征在于，该方法包括如下步骤：
S1：从历史数据库中读取轨道列车滚动轴承状态的原始振动信号；
S2：对原始振动信号进行小波降噪，得到纯净振动信号；
S3：利用小波包对纯净振动信号进行分解和相空间重构，提取特征向量；
S4：利用特征向量作为输入，相对应的轴承状态作为输出，进行改进PSO-RBF神经网络的训练，得到神经网络故障诊断模型；
S5：获取待诊断的轨道列车滚动轴承原始振动信号，将其执行步骤S2-S3后得到的特征向量输入步骤S4得到的神经网络故障诊断模型中，得到滚动轴承的诊断结果。
2.根据权利要求1所述的一种基于小波和改进PSO-RBF神经网络的滚动轴承故障诊断方法，其特征在于，所述的轨道列车滚动轴承状态包括正常状态、内圈故障、外圈故障和滚子故障4种状态，所述的轨道列车滚动轴承原始振动信号包括纯净振动信号和噪声信号。
3.根据权利要求1所述的一种基于小波和改进PSO-RBF神经网络的滚动轴承故障诊断方法，其特征在于，所述的小波降噪包括以下步骤：
S21：利用小波函数对轨道列车滚动轴承原始振动信号进行分解；
S22：计算各层小波系数模长；
S23：滤掉模长低于阈值的小波系数；
S24：进行小波反变换，得到纯净振动信号。
4.根据权利要求1所述的一种基于小波和改进PSO-RBF神经网络的滚动轴承故障诊断方法，其特征在于，所述的S3包括以下步骤：
S31：利用db小波对纯净振动信号进行三层小波包分解，得到第三层中低频信号到高频信号的8个分解系数；
S32：对小波包各个分解系数进行相空间重构，从而得到8个频带范围内的信号特征；
S33：求解各个频带信号的能量，以能量为基本元素构造8个特征向量。
5.根据权利要求4所述的一种基于小波和改进PSO-RBF神经网络的滚动轴承故障诊断方法，其特征在于，所述的8个特征向量进行归一化处理后，作为改进PSO-RBF神经网络的输入信号。
6.根据权利要求1所述的一种基于小波和改进PSO-RBF神经网络的滚动轴承故障诊断方法，其特征在于，所述的改进PSO-RBF神经网络输出采用四个二进制元素组成的向量，(1000)表示轴承正常状态，(0100)表示内圈故障，(0010)表示外圈故障，(0001)表示滚子故障。
7.根据权利要求1所述的一种基于小波和改进PSO-RBF神经网络的滚动轴承故障诊断方法，其特征在于，所述的神经网络故障诊断模型为RBF神经网络模型，采用改进的粒子群算法对RBF神经网络的参数进行优化，使得RBF神经网络训练样本的均方误差最小。
8.根据权利要求7所述的一种基于小波和改进PSO-RBF神经网络的滚动轴承故障诊断方法，其特征在于，所述的RBF神经网络为多输入多输出的RBF神经网络，网络结构分为三层，包括输入层、隐含层和输出层，选择高斯分布函数作为隐含层的基函数。
9.根据权利要求7所述的一种基于小波和改进PSO-RBF神经网络的滚动轴承故障诊断方法，其特征在于，所述的RBF神经网络的参数包括：RBF神经网络中基函数的中心、基函数的场域宽度、隐含层与输出层的权重。
10.根据权利要求7所述的一种基于小波和改进PSO-RBF神经网络的滚动轴承故障诊断方法，其特征在于，所述的改进的粒子群算法和标准的粒子群算法相比，改进的粒子群算法惯性权重的取值采用递减的凸函数，粒子对自身的学习能力系数为递减函数，粒子对种群的学习能力系数为递增函数。
CN201910183036.0A 2019-03-12 2019-03-12 基于小波和改进pso-rbf神经网络的滚动轴承故障诊断方法 Pending CN111397901A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910183036.0A CN111397901A (zh) 2019-03-12 2019-03-12 基于小波和改进pso-rbf神经网络的滚动轴承故障诊断方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910183036.0A CN111397901A (zh) 2019-03-12 2019-03-12 基于小波和改进pso-rbf神经网络的滚动轴承故障诊断方法

Publications (1)

Publication Number Publication Date
CN111397901A true CN111397901A (zh) 2020-07-10

Family

ID=71435867

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910183036.0A Pending CN111397901A (zh) 2019-03-12 2019-03-12 基于小波和改进pso-rbf神经网络的滚动轴承故障诊断方法

Country Status (1)

Country Link
CN (1) CN111397901A (zh)

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112241599A (zh) * 2020-11-18 2021-01-19 中国联合网络通信集团有限公司 故障分析模型的建立方法和装置
CN112395946A (zh) * 2020-10-20 2021-02-23 宋晓健 一种基于小波变换-rbf神经网络的泥浆脉冲信号去噪方法
CN112485001A (zh) * 2020-11-16 2021-03-12 申龙电梯股份有限公司 一种面向智慧电梯的故障诊断方法
CN112710401A (zh) * 2021-03-29 2021-04-27 国网江西省电力有限公司供电服务管理中心 一种电能表端子温度检测方法
CN112731019A (zh) * 2020-12-21 2021-04-30 合肥工业大学 一种anpc三电平逆变器故障诊断方法
CN113568396A (zh) * 2021-08-04 2021-10-29 江苏矿星智能科技有限公司 一种基于神经网络的矿井主通风机故障诊断方法
CN115022210A (zh) * 2022-07-26 2022-09-06 中国银行股份有限公司 一种网络流量预测模型的构建方法、预测方法及装置
CN116659863A (zh) * 2023-05-19 2023-08-29 云南中广核能源服务有限公司 一种基于小波包的轴承振动信号处理方法

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104458250A (zh) * 2014-12-02 2015-03-25 上海电机学院 智能化齿轮箱故障诊断方法
CN105784353A (zh) * 2016-03-25 2016-07-20 上海电机学院 一种风力发电机齿轮箱故障诊断方法
CN106932196A (zh) * 2017-03-10 2017-07-07 华北电力大学 一种风机齿轮箱故障诊断模型建立方法及装置
US20170356936A1 (en) * 2016-05-11 2017-12-14 Mcmaster University Enhanced system and method for conducting pca analysis on data signals

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104458250A (zh) * 2014-12-02 2015-03-25 上海电机学院 智能化齿轮箱故障诊断方法
CN105784353A (zh) * 2016-03-25 2016-07-20 上海电机学院 一种风力发电机齿轮箱故障诊断方法
US20170356936A1 (en) * 2016-05-11 2017-12-14 Mcmaster University Enhanced system and method for conducting pca analysis on data signals
CN106932196A (zh) * 2017-03-10 2017-07-07 华北电力大学 一种风机齿轮箱故障诊断模型建立方法及装置

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
孙晓涛 等: "基于小波包变换与神经网络的滚动轴承故障诊断", 《工业控制计算》 *
张淑卿 等: "改进PSO-RBF神经网络的电网故障检测模型", 《计算机时代》 *

Cited By (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112395946A (zh) * 2020-10-20 2021-02-23 宋晓健 一种基于小波变换-rbf神经网络的泥浆脉冲信号去噪方法
CN112485001A (zh) * 2020-11-16 2021-03-12 申龙电梯股份有限公司 一种面向智慧电梯的故障诊断方法
CN112241599A (zh) * 2020-11-18 2021-01-19 中国联合网络通信集团有限公司 故障分析模型的建立方法和装置
CN112731019A (zh) * 2020-12-21 2021-04-30 合肥工业大学 一种anpc三电平逆变器故障诊断方法
CN112731019B (zh) * 2020-12-21 2022-10-14 合肥工业大学 一种anpc三电平逆变器故障诊断方法
CN112710401A (zh) * 2021-03-29 2021-04-27 国网江西省电力有限公司供电服务管理中心 一种电能表端子温度检测方法
CN113568396A (zh) * 2021-08-04 2021-10-29 江苏矿星智能科技有限公司 一种基于神经网络的矿井主通风机故障诊断方法
CN115022210A (zh) * 2022-07-26 2022-09-06 中国银行股份有限公司 一种网络流量预测模型的构建方法、预测方法及装置
CN116659863A (zh) * 2023-05-19 2023-08-29 云南中广核能源服务有限公司 一种基于小波包的轴承振动信号处理方法
CN116659863B (zh) * 2023-05-19 2024-04-19 云南中广核能源服务有限公司 一种基于小波包的轴承振动信号处理方法

Similar Documents

Publication Publication Date Title
CN111397901A (zh) 基于小波和改进pso-rbf神经网络的滚动轴承故障诊断方法
CN109726524B (zh) 一种基于cnn和lstm的滚动轴承剩余使用寿命预测方法
CN108334936B (zh) 基于迁移卷积神经网络的故障预测方法
CN110334580A (zh) 基于集成增量的动态权重组合的设备故障分类方法
CN110728360A (zh) 一种基于bp神经网络的微能源器件能量识别方法
CN111697621B (zh) 基于ewt-pdbn组合的短期风电功率预测方法
Wu et al. Fault gear identification and classification using discrete wavelet transform and adaptive neuro-fuzzy inference
CN106124212A (zh) 基于稀疏编码器和支持向量机的滚动轴承故障诊断方法
Roy et al. A stacked autoencoder neural network based automated feature extraction method for anomaly detection in on-line condition monitoring
CN111256965B (zh) 多尺度信息融合的堆叠稀疏自编码旋转机械故障诊断方法
CN106656357B (zh) 一种工频通信信道状态评估系统和方法
CN114363195B (zh) 面向时间和频谱残差卷积网络的网络流量预测预警方法
CN109726802B (zh) 一种铁路和风电场环境风速机器学习预测方法
CN116226646A (zh) 轴承健康状态及剩余寿命的预测方法、系统、设备及介质
CN111189638B (zh) 基于hmm和qpso优化算法的轴承故障程度辨识方法
CN111581880A (zh) 基于apso-dbn的滚动轴承剩余寿命预测方法
CN112504682A (zh) 基于粒子群优化算法的底盘发动机故障诊断方法及系统
CN110458189A (zh) 压缩感知和深度卷积神经网络电能质量扰动分类方法
CN114091349A (zh) 一种基于多源领域自适应的滚动轴承寿命预测方法
CN114548199A (zh) 一种基于深度迁移网络的多传感器数据融合方法
CN117349614A (zh) 基于自注意力机制和时空图卷积网络的频率稳定预测方法
CN114841412A (zh) 一种海参生长水质中酸碱度的预测方法
Jin et al. Bearing fault diagnosis based on VMD fuzzy entropy and improved deep belief networks
CN105823634A (zh) 基于时频关联向量卷积玻尔兹曼机的轴承损伤识别方法
CN115291103A (zh) 基于嵌入hd-rcf的gr-swpt小波包算法的电动机故障诊断方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
RJ01 Rejection of invention patent application after publication

Application publication date: 20200710

RJ01 Rejection of invention patent application after publication