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)已成為進化算法的一個新的重要分支�！读Ｗ尤簝�(yōu)化及智能故障診斷》對智能優(yōu)化算法中的粒子群優(yōu)化算法及其在復雜機械故障診斷中的應用進行深入研究的基礎上撰寫而成，同時吸收了國內外許多代表性的研究成果。對復雜機械系統(tǒng)進行狀態(tài)監(jiān)測與故障診斷是人們普遍重視和關注的課題，《粒子群優(yōu)化及智能故障診斷》系統(tǒng)地闡述基于參數(shù)策略的粒子群改進算法，以復雜機械中的齒輪箱為研究對象，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)化及機械故障診斷相關專業(yè)的研究人員以及工程技術人員的參考書。
優(yōu)化技術是一種以數(shù)學為基礎，用于求解各種工程問題優(yōu)化解的應用技術。作為一個重要的科學分支，它一直受到人們的廣泛重視。并在科學、經濟以及工程領域發(fā)揮著極為重要的作用。自20世紀80年代以來，一些新穎的優(yōu)化算法，如人工神經網絡、混沌、遺傳算法、進化規(guī)劃、模擬退火等，通過模擬來揭示某些自然現(xiàn)象或過程而得到了發(fā)展。這些算法獨特的優(yōu)點和機制為解決復雜問題提供了新的思路和手段，并在諸多領域得到了成功應用。由于其構造的直觀性與自然機理，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，無需問題的特殊信息等優(yōu)點，已廣泛應用于計算機科學、運輸問題、組合優(yōu)化、工程優(yōu)化設計等領域。
粒子群優(yōu)化算法是基于群體智能原理的優(yōu)化算法，源于對鳥群覓食過程中的遷徙和聚集的模擬。它收斂速度快，易實現(xiàn)并且僅有少量參數(shù)需要調整，因而一經提出就成為智能優(yōu)化與進化計算領域的一個新的研究熱點，現(xiàn)已取得一些研究成果，并在一些領域得到應用，例如已被廣泛應用于目標函數(shù)優(yōu)化、神經網絡訓練、模糊控制系統(tǒng)等許多領域。但目前國內外將其應用于故障診斷較少。
本書是作者結合國家自然基金研究項目，對智能優(yōu)化算法中的粒子群優(yōu)化算法及其在復雜機械故障診斷中的應用進行深入研究的基礎上撰寫而成，包括故障特征參數(shù)的提取、測點優(yōu)化及故障的診斷與辨識，同時吸收了國內外許多代表性的研究成果，對拓寬粒子群優(yōu)化算法的應用領域，完善機械智能故障診斷的理論及方法具有重要的理論意義和實際價值。本書系統(tǒng)地闡述了基于參數(shù)策略的粒子群改進算法，以復雜機械中的齒輪箱為研究對象，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
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
1.2.2 算法的分析
1.2.3 粒子群優(yōu)化算法的應用
1.2.4 粒子群優(yōu)化算法的研究方向
1.3 機械故障診斷技術研究概述
1.3.1 故障機理研究
1.3.2 信號處理技術
1.3.3 故障診斷方法
1.3.4 基于人工智能的融合技術的診斷方法
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)化算法的社會行為分析
2.2 標準粒子群優(yōu)化算法
2.2.1 帶慣性權重粒子群優(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
3.1 動態(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)中的仿真實驗
3.1.3 算法在函數(shù)中的測試
3.1.4 算法在神經網絡中的測試
3.2 速度自適應的粒子群算法
3.2.1 算法描述
3.2.2 算法在函數(shù)中仿真研究
3.2.3 算法在神經網絡中的仿真研究
3.2.4 算法在神經網絡中的測試
3.3 主要控制參數(shù)的協(xié)同關系分析
3.3.1 已有研究結果概述
3.3.2 參數(shù)間的協(xié)同關系對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
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
4.2.1 算法原理
4.2.2 算法實現(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)化適應度建立
4.3.2 粒子群優(yōu)化核函數(shù)參數(shù)的實現(xiàn)
4.4 仿真研究
4.4.1 構建Iris仿真數(shù)據集
4.4.2 粒子群優(yōu)化核參數(shù)的實現(xiàn)及核主元分析結果
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)化布置的研究進展
5.1.1 傳感器優(yōu)化問題的數(shù)學模型描述
5.1.2 傳感器優(yōu)化配置準則
5.1.3 傳感器優(yōu)化配置的計算方法
5.2 粒子群優(yōu)化方法在齒輪箱測點優(yōu)化中的應用
5.3 齒輪箱有限元建摸與模態(tài)計算
5.3.1 齒輪箱箱體建模
5.3.2 齒輪箱箱體計算模態(tài)分析
5.4 基于粒子群優(yōu)化的齒輪箱傳感器優(yōu)化布置的實現(xiàn)
5.4.1 初選點方案
5.4.2 適應度
5.4.3 參數(shù)編碼
5.4.4 粒子群算法優(yōu)化測點算法的實現(xiàn)過程
5.4.5 優(yōu)化結果及分析
5.5 齒輪箱箱體試驗模態(tài)分析
5.5.1 試驗分析的設備
5.5.2 測點布置及測試方案
5.5.3 測點頻響特性分析
5.5.4 試驗模態(tài)結果分析
第6章 基于粒子群優(yōu)化神經網絡的齒輪箱故障診斷方法
6.1 齒輪箱故障機理分析
6.1.1 齒輪常見的故障形式及產生的原因
6.1.2 軸承常見的故障形式及產生的原因
6.2 齒輪箱常見故障的振動特征分析
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 齒輪箱故障診斷實驗方案¨
6.3.1 齒輪箱故障的設置
6.3.2 測點的選定
6.3.3 齒輪箱信號采集
6.4 齒輪箱的故障特征值的選取
6.5 粒子群優(yōu)化神經網絡故障診斷算法實現(xiàn)
6.5.1 神經網絡故障診斷系統(tǒng)的構建
6.5.2 粒子群優(yōu)化神經網絡參數(shù)的設置
6.5.3 神經網絡的訓練與診斷樣本
6.5.4 神經網絡的理想輸出的設置
6.5.5 神經網絡的訓練和診斷結果
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
故障特征參數(shù)的確定可分為兩個階段，第一階段根據實驗的數(shù)據計算出所有特征值，然后取各個特征值的均值；第二階段根據特征值對故障的敏感性，提取有效特征。根據第4章基于粒子群優(yōu)化的核主元特種提取的結果，篩選出10個對齒輪箱故障特征敏感程度較強的特征參數(shù)，分別是均值和方差、波形指標、脈沖指標、峭度指標、偏態(tài)指標、偏度系數(shù)、相關因子、功率譜重心指標、頻域方差。
通過大量的計算與分析可以得出本次實驗數(shù)據沒有一種特征值可以區(qū)分任何轉速任何測點下的所有故障，一種特征值只能分辨一兩種故障，各個特征值能夠分辨的故障類型和程度也不同。實驗表明，峭度指標、裕度指標和脈沖指標對于沖擊脈沖類故障比較敏感，特別是當故障早期發(fā)生時，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，反而會下降，表明它們對早期故障有較高的敏感性，但穩(wěn)定性不好。而波形指標、偏態(tài)指標、峰值指標的穩(wěn)定性較好，但對早期故障信號不敏感。所以，將它們并列應用，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、相關因子是無量綱指標，對故障和缺陷比較敏感，對信號的幅值和頻率不敏感，即與機器的運行工況無關。
因此通過綜合比較，提取波形指標、峭度指標、裕度指標、偏態(tài)指標、頻譜重心、頻域方差、相關因子作這些無量綱參數(shù)為故障診斷特征值。
書單推薦
