本文關(guān)鍵詞：改進極限學(xué)習(xí)機亞健康識別算法研究

  更多相關(guān)文章： 亞健康 降維 改進遺傳神經(jīng)網(wǎng)絡(luò)算法 IFOA-ELM

【摘要】：隨著科技的進步,機械設(shè)備故障診斷技術(shù)也越來越受到重視。在生產(chǎn)線中,如某一零件甚者是某一單個設(shè)備出現(xiàn)故障時,而未能及時的發(fā)現(xiàn)并且排除,將會造成整條生產(chǎn)線的停滯或者是工作人員的生命受到危害。同時給企業(yè)乃至社會帶來巨大的經(jīng)濟損失。通過實踐研究表明,大部分的設(shè)備故障都是一個漸進的過程。在該過程中設(shè)備所處的演進狀態(tài)稱之為“亞健康”。由此可以認識到處于“亞健康”狀態(tài)下的生產(chǎn)設(shè)備是十分危險的。為了在一定程度上減少設(shè)備故障或者是延長設(shè)備壽命,對于“亞健康”設(shè)備狀態(tài)診斷的研究是目前工業(yè)生產(chǎn)急需解決的問題。本文以風(fēng)機故障“亞健康”狀態(tài)的識別為研究背景,從風(fēng)機的振動狀況入手進行研究。首先,數(shù)據(jù)采集以及預(yù)處理：通過實驗?zāi)７嘛L(fēng)機葉片斷裂、轉(zhuǎn)子不平衡、軸承松動、扇葉不平衡等故障特征,提取最合適的故障特征信息。并采集其振動信號對風(fēng)機設(shè)備進行檢測與診斷。提取振動信號的時域特征作為本文的實驗數(shù)據(jù)。由于數(shù)據(jù)中含有大量的干擾信息,本文提出一種改進的遺傳神經(jīng)網(wǎng)絡(luò)特征降維算法進行數(shù)據(jù)降維,結(jié)合遺傳算法和神經(jīng)網(wǎng)絡(luò)的優(yōu)勢進行算法融合,并對遺傳算法的適應(yīng)度函數(shù)進行了改進。減少算法識別的計算量,以及提高算法識別的準(zhǔn)確率。其次,構(gòu)建亞健康識別模型：本文提出一種改進果蠅算法優(yōu)化極限學(xué)習(xí)機的亞健康識別模型(IFOA-ELM)。針對極限學(xué)習(xí)機的輸入權(quán)值和隱含層偏置值隨機選取造成其泛化能力不足的問題,提出改進果蠅算法進行參數(shù)優(yōu)化。改進果蠅算法中加入了自身學(xué)習(xí)能力以及改進的慣性權(quán)重更新方式。并且加入了種群組內(nèi)優(yōu)化實現(xiàn)精細搜索,增強了其局部搜索的能力。本文通過加速度傳感器、數(shù)據(jù)采集卡以及風(fēng)機等設(shè)備進行振動信號采集。并在MATLAB平臺下進行算法仿真實驗。實驗表明,IFOA-ELM模型在全局搜索和局部搜索之間實現(xiàn)了很好的平衡,狀態(tài)識別的精準(zhǔn)性以及高效性得到了提高。
【關(guān)鍵詞】：亞健康 降維 改進遺傳神經(jīng)網(wǎng)絡(luò)算法 IFOA-ELM
【學(xué)位授予單位】：遼寧大學(xué)
【學(xué)位級別】：碩士
【學(xué)位授予年份】：2016
【分類號】：TP18;TH17
【目錄】：

• 摘要4-5
• ABSTRACT5-12
• 第1章 緒論12-20
• 1.1 研究背景和意義12-14
• 1.2 國內(nèi)外研究現(xiàn)狀分析14-17
• 1.2.1 “亞健康”研究現(xiàn)狀14-15
• 1.2.2 風(fēng)機故障研究現(xiàn)狀15-17
• 1.3 論文的主要研究內(nèi)容17-19
• 1.4 論文的組織結(jié)構(gòu)19-20
• 第2章 遺傳算法和極限學(xué)習(xí)機20-32
• 2.1 遺傳算法20-22
• 2.1.1 遺傳算法基本原理分析20-21
• 2.1.2 一些改進的遺傳算法21-22
• 2.2 極限學(xué)習(xí)機22-31
• 2.2.1 單隱層前饋神經(jīng)網(wǎng)絡(luò)22-25
• 2.2.2 極限學(xué)習(xí)機網(wǎng)絡(luò)結(jié)構(gòu)分析25-28
• 2.2.3 網(wǎng)絡(luò)結(jié)構(gòu)調(diào)整研究分析28-31
• 2.3 本章小結(jié)31-32
• 第3章 改進的遺傳神經(jīng)網(wǎng)絡(luò)特征降維算法32-46
• 3.1 特征參數(shù)的確定32-35
• 3.1.1 時域特征33-34
• 3.1.2 頻域特征34-35
• 3.2 特征降維技術(shù)分析35-38
• 3.2.1 特征降維的原則35-37
• 3.2.2 特征降維技術(shù)分類37-38
• 3.3 改進遺傳神經(jīng)網(wǎng)絡(luò)特征降維算法38-45
• 3.3.1 特征降維算法38-42
• 3.3.2 實驗驗證42-45
• 3.4 本章小結(jié)45-46
• 第4章 改進果蠅優(yōu)化極限學(xué)習(xí)機的亞健康識別算法46-60
• 4.1 亞健康46-47
• 4.2 果蠅優(yōu)化算法47-50
• 4.2.1 演化計算與群體智能47
• 4.2.2 果蠅優(yōu)化算法行為流程分析47-50
• 4.3 改進果蠅優(yōu)化算法50-57
• 4.3.1 果蠅優(yōu)化算法參數(shù)整定流程50-51
• 4.3.2 自學(xué)習(xí)行為以及更新慣性權(quán)重51-55
• 4.3.3 加入組內(nèi)優(yōu)化55-57
• 4.4 改進果蠅優(yōu)化極限學(xué)習(xí)機“亞健康”識別算法57-58
• 4.5 本章小結(jié)58-60
• 第5章 實驗及結(jié)果分析60-70
• 5.1 風(fēng)機狀態(tài)定義60
• 5.2 數(shù)據(jù)采集60-62
• 5.3 數(shù)據(jù)預(yù)處理62-65
• 5.4 識別結(jié)果分析65-68
• 5.5 本章小結(jié)68-70
• 第6章 總結(jié)和展望70-72
• 6.1 總結(jié)70-71
• 6.2 展望71-72
• 致謝72-74
• 參考文獻74-78
• 攻讀學(xué)位期間發(fā)表的學(xué)術(shù)論文及參加科研情況78

【參考文獻】

中國期刊全文數(shù)據(jù)庫 前10條

1 高文曦;孫小琪;鎮(zhèn)麗華;;基于遺傳算法數(shù)據(jù)降維的漢語數(shù)字語音識別[J];計算機系統(tǒng)應(yīng)用;2016年01期

2 陸慧娟;魏莎莎;宋夫華;高波涌;;一種Fibonacci優(yōu)化理論的改進ELM分類方法[J];小型微型計算機系統(tǒng);2015年12期

3 劉國奇;毛海宇;蒲寶明;朱永峰;黃金;;基于小波神經(jīng)網(wǎng)絡(luò)的風(fēng)機故障診斷[J];小型微型計算機系統(tǒng);2015年07期

4 呂振江;湯家升;;基于遺傳算法的風(fēng)機故障診斷研究[J];煤炭工程;2015年01期

5 隋新;劉春陽;李濟順;韓紅彪;;分布式機載風(fēng)電振動信號采集系統(tǒng)設(shè)計與應(yīng)用[J];測控技術(shù);2015年01期

6 歐璐;于德介;;路圖傅里葉變換及其在滾動軸承故障診斷中的應(yīng)用[J];機械工程學(xué)報;2015年23期

7 林梅金;羅飛;蘇彩紅;許玉格;;一種新的混合智能極限學(xué)習(xí)機[J];控制與決策;2015年06期

8 LI Bao Jian;CHENG Chun Tian;;Monthly discharge forecasting using wavelet neural networks with extreme learning machine[J];Science China(Technological Sciences);2014年12期

9 李志農(nóng);朱明;褚福磊;肖堯先;;基于經(jīng)驗小波變換的機械故障診斷方法研究[J];儀器儀表學(xué)報;2014年11期

10 楊忠炯;徐康;周立強;姜東身;;壓縮式垃圾車液壓系統(tǒng)故障診斷方法研究[J];計算機仿真;2014年11期

，

本文編號：726450