基于量子行为粒子群优化算法的振动信号故障诊断

发布时间：2017-12-25 18:34

  本文关键词：基于量子行为粒子群优化算法的振动信号故障诊断　出处：《西南交通大学》2017年硕士论文　论文类型：学位论文

  更多相关文章： 振动信号 故障诊断 QPSO 小波阈值滤波 Elman神经网络

【摘要】：在当代工厂中,机械系统日益趋于连续高速化和大型化。为了尽量减少因设备故障引起的事故及损失,对运转中的生产设备进行实时的监测是十分必要的,且具有重大的意义。在工业中,振动信号普遍存在且易于采集。因此,基于振动信号,对设备进行故障诊断,有着重大意义。在诸多的信号降噪处理及故障诊断方法中,本文针对常用的小波阈值滤波降噪方法以及Elman神经网络模式识别故障诊断方法进行研究。并提出了利用量子行为粒子群(QPSO)优化算法的全局搜索寻优能力对小波阈值滤波降噪方法以及Elman神经网络的缺陷进行优化。利用小波阈值滤波方法对信号进行降噪的过程中,阈值的大小决定着降噪后的信号的质量。因此,提出了利用QPSO算法对小波阈值滤波进行优化。基于QPSO算法的全局搜索寻优能力,找出最优的阈值,进而对信号降噪。通过仿真验证,结果表明,提出的降噪滤波方法其效果优于小波阈值滤波方法。针对Elman神经网络的部分缺陷,如易陷入局部极小。因此,本文决定利用QPSO算法对其进行优化。基于QPSO算法拥有的全局搜索寻优性能,对Elman神经网络中的部分缺陷予以消除。最后,利用滚动轴承振动信号数据进行验证提出方法的正确性。利用QPSO优化小波阈值对滚动轴承振动信号进行滤波,并与通用小波阈值滤波进行了对比,结果表明,提出的新方法获得了较好的效果。接着,对经QPSO优化的Elman神经网络进行了验证,同时,与Elman神经网络进行了对比,结果表明,经QPSO优化后的Elman神经网络能够很快达到了预设的误差目标值并且具有更高的识别率。因此,本文提出的方法具有可行性、有效性以及准确性,经QPSO优化的故障诊断方法具有更大的优势以及较好的应用前景。
【学位授予单位】：西南交通大学
【学位级别】：硕士
【学位授予年份】：2017
【分类号】：TH17

【参考文献】

相关期刊论文 前10条

1 孟祥忠;王振起;林存海;;基于模糊诊断理论的提升机振动监测诊断系统[J];电子测量技术;2016年09期

2 张才勋;林兴德;赵建玲;余训臻;王力;朱敬军;幸浩洋;;Discrimination of neutrons and γ-rays in liquid scintillator based on Elman neural network[J];Chinese Physics C;2016年08期

3 WANG Yingmin;ZHANG Fujun;CUI Tao;ZHOU Jinlong;;Fault Diagnosis for Manifold Absolute Pressure Sensor(MAP) of Diesel Engine Based on Elman Neural Network Observer[J];Chinese Journal of Mechanical Engineering;2016年02期

4 吴炬卓;牛海清;叶开发;;基于粒子群优化的最佳阈值法在局部放电信号去噪中应用[J];电测与仪表;2015年10期

5 杨志超;张成龙;吴奕;安薇薇;朱海兵;龚灯才;;基于粗糙集和RBF神经网络的变压器故障诊断方法研究[J];电测与仪表;2014年21期

6 丁硕;常晓恒;巫庆辉;杨友林;胡庆功;;基于Elman神经网络的传感器故障诊断研究[J];国外电子测量技术;2014年04期

7 高兵兵;蒋占四;张应红;胡志鹏;韩晋栋;;煤矿风机小波神经网络故障诊断系统研究[J];煤矿机械;2014年03期

8 张丽娜;;数字信号处理的时频分析方法综述[J];信息技术;2013年06期

9 王元章;李智华;吴春华;周笛青;付立;;基于BP神经网络的光伏组件在线故障诊断[J];电网技术;2013年08期

10 邓承志;;粒子群优化的最佳阈值选取[J];计算机工程与应用;2012年26期

相关硕士学位论文 前4条

1 张菲;基于LMD和HSMM的旋转机械故障诊断方法研究[D];西南交通大学;2016年

2 白慧芳;基于解析模型的液压调平系统的故障诊断[D];中北大学;2015年

3 刘敏娜;改进的Elman神经网络在齿轮箱故障诊断中的应用[D];中北大学;2012年

4 叶高翔;循环平稳理论在滚动轴承故障检测中的应用[D];浙江大学;2007年

，

本文编号：1333977