粒子群算法是一種新的模仿鳥類群體行為的智能優(yōu)化算法，現(xiàn)已成為進(jìn)化算法的一個(gè)新的重要分支�！读Ｗ尤簝�(yōu)化及智能故障診斷》對(duì)智能優(yōu)化算法中的粒子群優(yōu)化算法及其在復(fù)雜機(jī)械故障診斷中的應(yīng)用進(jìn)行深入研究的基礎(chǔ)上撰寫而成，同時(shí)吸收了國(guó)內(nèi)外許多代表性的研究成果。對(duì)復(fù)雜機(jī)械系統(tǒng)進(jìn)行狀態(tài)監(jiān)測(cè)與故障診斷是人們普遍重視和關(guān)注的課題，《粒子群優(yōu)化及智能故障診斷》系統(tǒng)地闡述基于參數(shù)策略的粒子群改進(jìn)算法，以復(fù)雜機(jī)械中的齒輪箱為研究對(duì)象，研究基于粒子群優(yōu)化的齒輪箱智能故障診斷理論與方法。
《粒子群優(yōu)化及智能故障診斷》可作為智能優(yōu)化及機(jī)械故障診斷相關(guān)專業(yè)的研究人員以及工程技術(shù)人員的參考書。
優(yōu)化技術(shù)是一種以數(shù)學(xué)為基礎(chǔ)，用于求解各種工程問(wèn)題優(yōu)化解的應(yīng)用技術(shù)。作為一個(gè)重要的科學(xué)分支，它一直受到人們的廣泛重視。并在科學(xué)、經(jīng)濟(jì)以及工程領(lǐng)域發(fā)揮著極為重要的作用。自20世紀(jì)80年代以來(lái)，一些新穎的優(yōu)化算法，如人工神經(jīng)網(wǎng)絡(luò)、混沌、遺傳算法、進(jìn)化規(guī)劃、模擬退火等，通過(guò)模擬來(lái)揭示某些自然現(xiàn)象或過(guò)程而得到了發(fā)展。這些算法獨(dú)特的優(yōu)點(diǎn)和機(jī)制為解決復(fù)雜問(wèn)題提供了新的思路和手段，并在諸多領(lǐng)域得到了成功應(yīng)用。由于其構(gòu)造的直觀性與自然機(jī)理，通常被稱作智能優(yōu)化算法。它具有全局的、并行高效的優(yōu)化性能，魯棒性、通用性強(qiáng)，無(wú)需問(wèn)題的特殊信息等優(yōu)點(diǎn)，已廣泛應(yīng)用于計(jì)算機(jī)科學(xué)、運(yùn)輸問(wèn)題、組合優(yōu)化、工程優(yōu)化設(shè)計(jì)等領(lǐng)域。
粒子群優(yōu)化算法是基于群體智能原理的優(yōu)化算法，源于對(duì)鳥群覓食過(guò)程中的遷徙和聚集的模擬。它收斂速度快，易實(shí)現(xiàn)并且僅有少量參數(shù)需要調(diào)整，因而一經(jīng)提出就成為智能優(yōu)化與進(jìn)化計(jì)算領(lǐng)域的一個(gè)新的研究熱點(diǎn)，現(xiàn)已取得一些研究成果，并在一些領(lǐng)域得到應(yīng)用，例如已被廣泛應(yīng)用于目標(biāo)函數(shù)優(yōu)化、神經(jīng)網(wǎng)絡(luò)訓(xùn)練、模糊控制系統(tǒng)等許多領(lǐng)域。但目前國(guó)內(nèi)外將其應(yīng)用于故障診斷較少。
本書是作者結(jié)合國(guó)家自然基金研究項(xiàng)目，對(duì)智能優(yōu)化算法中的粒子群優(yōu)化算法及其在復(fù)雜機(jī)械故障診斷中的應(yīng)用進(jìn)行深入研究的基礎(chǔ)上撰寫而成，包括故障特征參數(shù)的提取、測(cè)點(diǎn)優(yōu)化及故障的診斷與辨識(shí)，同時(shí)吸收了國(guó)內(nèi)外許多代表性的研究成果，對(duì)拓寬粒子群優(yōu)化算法的應(yīng)用領(lǐng)域，完善機(jī)械智能故障診斷的理論及方法具有重要的理論意義和實(shí)際價(jià)值。本書系統(tǒng)地闡述了基于參數(shù)策略的粒子群改進(jìn)算法，以復(fù)雜機(jī)械中的齒輪箱為研究對(duì)象，研究基于粒子群優(yōu)化的齒輪箱智能故障診斷理論與方法。
第1章 緒論
1.1 群體智能及其特點(diǎn)
1.2 粒子群優(yōu)化算法的現(xiàn)狀與發(fā)展
1.2.1 算法的改進(jìn)
1.2.2 算法的分析
1.2.3 粒子群優(yōu)化算法的應(yīng)用
1.2.4 粒子群優(yōu)化算法的研究方向
1.3 機(jī)械故障診斷技術(shù)研究概述
1.3.1 故障機(jī)理研究
1.3.2 信號(hào)處理技術(shù)
1.3.3 故障診斷方法
1.3.4 基于人工智能的融合技術(shù)的診斷方法
第2章 粒子群優(yōu)化算法
2.1 基本粒子群優(yōu)化算法
2.1.1 算法原理
2.1.2 粒子群優(yōu)化算法收斂性分析
2.1.3 粒子群優(yōu)化算法流程
2.1.4 基本粒子群優(yōu)化算法的社會(huì)行為分析
2.2 標(biāo)準(zhǔn)粒子群優(yōu)化算法
2.2.1 帶慣性權(quán)重粒子群優(yōu)化算法
2.2.2 帶收縮因子粒子群優(yōu)化算法
2.3 粒子群優(yōu)化算法的發(fā)展
2.3.1 自適應(yīng)粒子群優(yōu)化算法
2.3.2 混合粒子群優(yōu)化算法
2.4 粒子群優(yōu)化算法參數(shù)的設(shè)置
2.5 粒子群優(yōu)化算法與遺傳算法的比較
第3章 基于參數(shù)策略的粒子群優(yōu)化算法改進(jìn)
3.1 動(dòng)態(tài)加速常數(shù)的粒子群優(yōu)化算法
3.1.1 算法描述
3.1.2 算法在函數(shù)中的仿真實(shí)驗(yàn)
3.1.3 算法在函數(shù)中的測(cè)試
3.1.4 算法在神經(jīng)網(wǎng)絡(luò)中的測(cè)試
3.2 速度自適應(yīng)的粒子群算法
3.2.1 算法描述
3.2.2 算法在函數(shù)中仿真研究
3.2.3 算法在神經(jīng)網(wǎng)絡(luò)中的仿真研究
3.2.4 算法在神經(jīng)網(wǎng)絡(luò)中的測(cè)試
3.3 主要控制參數(shù)的協(xié)同關(guān)系分析
3.3.1 已有研究結(jié)果概述
3.3.2 參數(shù)間的協(xié)同關(guān)系對(duì)算法的性能控制分析
第4章 基于粒子群優(yōu)化的核主元分析特征提取技術(shù)
4.1 基于主元分析方法的特征提取
4.2 基于核主元分析的特征提取技術(shù)
4.2.1 算法原理
4.2.2 算法實(shí)現(xiàn)
4.3 基于粒子群優(yōu)化算法的核函數(shù)的參數(shù)優(yōu)化
4.3.1 核參數(shù)優(yōu)化適應(yīng)度建立
4.3.2 粒子群優(yōu)化核函數(shù)參數(shù)的實(shí)現(xiàn)
4.4 仿真研究
4.4.1 構(gòu)建Iris仿真數(shù)據(jù)集
4.4.2 粒子群優(yōu)化核參數(shù)的實(shí)現(xiàn)及核主元分析結(jié)果
4.5 基于粒子群優(yōu)化的核主元分析故障樣本特征提取
4.5.1 建立齒輪箱特征參數(shù)集
4.5.2 基于粒子群優(yōu)化算法的核參數(shù)的優(yōu)化
4.5.3 核主元分析結(jié)果及特征參數(shù)提取
第5章 基于粒子群優(yōu)化的齒輪箱傳感器優(yōu)化配置
5.1 傳感器優(yōu)化布置的研究進(jìn)展
5.1.1 傳感器優(yōu)化問(wèn)題的數(shù)學(xué)模型描述
5.1.2 傳感器優(yōu)化配置準(zhǔn)則
5.1.3 傳感器優(yōu)化配置的計(jì)算方法
5.2 粒子群優(yōu)化方法在齒輪箱測(cè)點(diǎn)優(yōu)化中的應(yīng)用
5.3 齒輪箱有限元建摸與模態(tài)計(jì)算
5.3.1 齒輪箱箱體建模
5.3.2 齒輪箱箱體計(jì)算模態(tài)分析
5.4 基于粒子群優(yōu)化的齒輪箱傳感器優(yōu)化布置的實(shí)現(xiàn)
5.4.1 初選點(diǎn)方案
5.4.2 適應(yīng)度
5.4.3 參數(shù)編碼
5.4.4 粒子群算法優(yōu)化測(cè)點(diǎn)算法的實(shí)現(xiàn)過(guò)程
5.4.5 優(yōu)化結(jié)果及分析
5.5 齒輪箱箱體試驗(yàn)?zāi)B(tài)分析
5.5.1 試驗(yàn)分析的設(shè)備
5.5.2 測(cè)點(diǎn)布置及測(cè)試方案
5.5.3 測(cè)點(diǎn)頻響特性分析
5.5.4 試驗(yàn)?zāi)B(tài)結(jié)果分析
第6章 基于粒子群優(yōu)化神經(jīng)網(wǎng)絡(luò)的齒輪箱故障診斷方法
6.1 齒輪箱故障機(jī)理分析
6.1.1 齒輪常見的故障形式及產(chǎn)生的原因
6.1.2 軸承常見的故障形式及產(chǎn)生的原因
6.2 齒輪箱常見故障的振動(dòng)特征分析
6.2.1 齒輪的故障特征
6.2.2 軸承的故障特征
6.2.3 軸的故障特征
6.3 齒輪箱故障診斷實(shí)驗(yàn)方案¨
6.3.1 齒輪箱故障的設(shè)置
6.3.2 測(cè)點(diǎn)的選定
6.3.3 齒輪箱信號(hào)采集
6.4 齒輪箱的故障特征值的選取
6.5 粒子群優(yōu)化神經(jīng)網(wǎng)絡(luò)故障診斷算法實(shí)現(xiàn)
6.5.1 神經(jīng)網(wǎng)絡(luò)故障診斷系統(tǒng)的構(gòu)建
6.5.2 粒子群優(yōu)化神經(jīng)網(wǎng)絡(luò)參數(shù)的設(shè)置
6.5.3 神經(jīng)網(wǎng)絡(luò)的訓(xùn)練與診斷樣本
6.5.4 神經(jīng)網(wǎng)絡(luò)的理想輸出的設(shè)置
6.5.5 神經(jīng)網(wǎng)絡(luò)的訓(xùn)練和診斷結(jié)果
附錄A 基于粒子群優(yōu)化算法的函數(shù)優(yōu)化程序
附錄B 基于粒子群優(yōu)化算法的故障診斷源程序
參考文獻(xiàn)
故障特征參數(shù)的確定可分為兩個(gè)階段，第一階段根據(jù)實(shí)驗(yàn)的數(shù)據(jù)計(jì)算出所有特征值，然后取各個(gè)特征值的均值；第二階段根據(jù)特征值對(duì)故障的敏感性，提取有效特征。根據(jù)第4章基于粒子群優(yōu)化的核主元特種提取的結(jié)果，篩選出10個(gè)對(duì)齒輪箱故障特征敏感程度較強(qiáng)的特征參數(shù)，分別是均值和方差、波形指標(biāo)、脈沖指標(biāo)、峭度指標(biāo)、偏態(tài)指標(biāo)、偏度系數(shù)、相關(guān)因子、功率譜重心指標(biāo)、頻域方差。
通過(guò)大量的計(jì)算與分析可以得出本次實(shí)驗(yàn)數(shù)據(jù)沒(méi)有一種特征值可以區(qū)分任何轉(zhuǎn)速任何測(cè)點(diǎn)下的所有故障，一種特征值只能分辨一兩種故障，各個(gè)特征值能夠分辨的故障類型和程度也不同。實(shí)驗(yàn)表明，峭度指標(biāo)、裕度指標(biāo)和脈沖指標(biāo)對(duì)于沖擊脈沖類故障比較敏感，特別是當(dāng)故障早期發(fā)生時(shí)，他們有明顯增加；但上升到一定程度后，隨故障的逐漸發(fā)展，反而會(huì)下降，表明它們對(duì)早期故障有較高的敏感性，但穩(wěn)定性不好。而波形指標(biāo)、偏態(tài)指標(biāo)、峰值指標(biāo)的穩(wěn)定性較好，但對(duì)早期故障信號(hào)不敏感。所以，將它們并列應(yīng)用，可以兼顧敏感性和穩(wěn)定性，取得較好的效果。頻譜重心、頻域方差、相關(guān)因子是無(wú)量綱指標(biāo)，對(duì)故障和缺陷比較敏感，對(duì)信號(hào)的幅值和頻率不敏感，即與機(jī)器的運(yùn)行工況無(wú)關(guān)。
因此通過(guò)綜合比較，提取波形指標(biāo)、峭度指標(biāo)、裕度指標(biāo)、偏態(tài)指標(biāo)、頻譜重心、頻域方差、相關(guān)因子作這些無(wú)量綱參數(shù)為故障診斷特征值。
書單推薦
