摘要：针对滚动轴承故障诊断中特征向量难以提取与支持向量机结构参数选取依据经验的问题,提出了基于小波包与奇异值分解的GA-SVM滚动轴承故障诊断方法。首先,采用小波包对采集的滚动轴承各状态下的信号进行分解,获取表征信号局部特征的各节点系数,在此基础上构建各节点系数矩阵并进行奇异值分解,来获取特征向量进而将其作为故障诊断模型的输入;其次,利用遗传算法(GA)优化支持向量机(SVM)的惩罚系数和高斯核系数两个结构参数;最后,将上述特征向量作为输入,建立GA优化SVM的故障诊断模型,实现滚动轴承的状态辨识。实验结果表明,与BP、SVM、PSOSVM相比,基于小波包与奇异值分解的GA优化SVM滚动轴承故障诊断方法具有更高的分类精度,能够提高滚动轴承状态辨识的效果。

摘要：针对数控机床发生故障时多故障源、多变量、强耦合的特点和RBF神经网络结构参数选取依据经验的问题,提出一种融合核主元分析方法(kernel principal component analysis,KPCA)与粒子群算法优化RBF神经网络的数控机床故障诊断方法。首先,对所测信号利用核主元分析方法进行降噪、拨冗余,提取故障特征;其次,利用粒子群算法(Particle swarm optimization,PSO)优化RBF神经网络隐层节点中心和宽度;最后,将经KPCA提取的故障特征作为输入,建立PSO优化RBF的故障诊断模型。通过某数控床伺服系统七种常见故障特征仿真实验,结果表明:与RBF神经网络、PSO优化RBF神经网络相比,融合KPCA和PSO优化RBF神经网络的故障诊断方法不仅提高了网络的训练速度及泛化能力,而且具有更高辨识精度。

摘要：随着人工智能、大数据和云计算等新一代信息技术的快速发展,全球范围内新一轮科技革命和产业变革蓬勃兴起。我国十九大报告提出了要大力推动互联网、大数据、人工智能和实体经济深度融合。正如《中国制造2025》所指出的,我们要以促进制造业创新发展为主题,以提质增效为中心,以加快新一代信息技术与制造业深度融合为主线。