基于混合杂草算法——神经网络转子故障数据分类方法的研究

《基于混合杂草算法——神经网络转子故障数据分类方法的研究》由会员上传分享，免费在线阅读，更多相关内容在学术论文-天天文库。

1、基于基于混含杂草优化算法．神绎网络的转了故障数据分类研究摘要近年来，随着现代机械设备的大型化、复杂化、自动化和连续化，开展机械设备的故障诊断技术的研究具有重要的现实意义。目前，国内外学者在此方面做了大量的工作，使得相关的理论与应用取得的迅猛的发展。机械故障诊断是通过研究故障与征兆之间的关系来判断设备故障的，而故障与征兆之间表现出的非常复杂的非线性关系，很难用数学模型加以精确的描述，给机械的故障诊断带来很大的不便。人工神经网络是一种重要的人工智能行为，是一个非线性计算系统，可以实现故障与征兆之间复杂的非线性映射关系，因此在机械故障诊断领域得到了极大的应用潜力。本

2、文构建的混合杂草优化算法优化BP神经网络预测模型，以转子试验台模拟的大量的故障数据为支持，采用信息熵方法来定量的对故障数据进行特征提取，混合的杂草优化算法优化神经网络结构。主要工作内容和研究成果如下：(1)在转子实验台上模拟了四种典型故障，对信息熵的性质和时域的奇异谱熵、频域的功率谱熵、时频域的小波能谱熵和小波空间谱熵进行了较为系统的研究和探讨。(2)以四类谱熵为原始数据，对数据进行归一化处理，并建立训练样本库和测试样本库。(3)在分析遗传算法、粒子群算法优点的基础上，将遗传算法中的交叉算子、粒子群算法的矢量操作引入IWO，提出了HIWO。(4)建立了HIWO

3、优化BP神经网络模型，由HIWO算法训练BP网络训练的初始最优权值和阈值，然后在训练好的BP神经网络中对测试样本进行预测，并且与遗传算法、粒子群算法及IWO优化的神经网络进行了对比分析。(5)基于HIWO算法流程开发了一套MATLABGUI的转子故障诊断系统，子系统一实现对振动信号的消噪分析，频谱分析，轴心轨迹分析等；子系统二实现熵值数据的归一化：子系统三实现四种算法优化神经网络的初始权值和阈值；子系统四根据样本特点对分类器进行参数寻优，实现对未知故障的判别，实验证明了该系统的有效性。关键字：转子系统；信息熵；混合杂草优化算法；神经网络本项研究得到国家自然科学

4、基金项目(50875118、51165019)和甘肃省自然基金(1112RJZA00a)联合资助．IV硕I：学位论文AbstractInrecentyears，、Ⅳitllthemodemmachineryequipmentbecominglargerandmorecomplicated，automaticandcontinuous，faultdiagnosisofmachineryandequipmenttocarryouttechnologyresearchhasimportantpracticalsignificance．Atpresent，domest

5、icandforeignscholarshavedonealotofworkinthisarea,makingtherelevanttheoryandapplicationtoachieverapiddevelopment．Mechanicalfaultdiagnosisbystudyingtherelationshipbetweenfaultsandsymptomstodetermineequipmentfailure，andbetweenfailureandshowedsignsofaverycomplexnon-linearrelationship，it

6、isdifficulttobeprecisedescriptionofthemathematicalmodel，tomechanicalfailurediagnosisofagreatdealofinconvenience．Artificialneuralnetworkisanimportantartificialintelligenceact,isanon-linearcomputingsystemcanbeachievedbetweenthefaultandsymptomcomplexnon—linearmapping，SOinthefieldofmach

7、ineryfaultdiagnosishasbeenagreatapplicationpotential．ThisarticlebuildshybridinvasiveweedoptimizationalgorithmtooptimizeBPneuralnetworkpredictionmodel，rotortestrigtosimulatealargenumberoffailuredatatosupport,informationentropyapproachtoquantitativedataonthefaultfeatureextraction,hybr

8、idinvasiveweedoptim