由于滚动轴承在工程实际中的应用场景复杂多变,早期的滚动轴承故障容易被高强背景的噪声所掩盖,传统的故障特征提取方法效果不理想。针对现有共振稀疏分解方法的品质因子手动选取不严谨的问题,提出蛙跳算法优化参数模型,将品质因子进行蛙跳算法优化,再将得到的最优品质因子组合输入到共振稀疏分解模型中进行处理,得到低共振分量,将低共振分量进行Hilbert解调分析。设定低共振分量的峭度值最大为目标,进行蛙跳迭代寻优,最终实现了故障频率的识别。

针对传统圆度误差评定方法容易陷入局部最优而影响测量精度的问题,提出一种基于改进蛙跳算法的圆度误差评定方法.首先分析了最小区域圆法、最小二乘圆法、最大内接圆法和最小外接圆法这四种圆度误差评定方法的基本原理,并分别建立了非线性优化的数学模型;然后介绍了蛙跳算法的基本思想,引入邻域搜索操作提出了一种改进的蛙跳算法,并给出了利用该算法求解圆度误差问题的具体步骤.最后为了验证新算法的有效性,进行了仿真实验,实验结果表明本文算法可以有效、正确地评价圆度误差.这也为圆度误差评定问题的研究提供一种新的途径和手段.

为了提高机械手滑模控制的准确度,采用RBF神经网络来完成机械手滑模控制,并借助群体智能算法中的混合蛙跳算法来实现模型参数的优化。在机械手滑模控制及机械手运动轨迹跟踪过程中,将RBF神经网络权重和阈值作为蛙跳算法的青蛙个体,随机产生的多个权重和阈值组合个体构成蛙群,并对蛙群进行分组,通过不断重新分组和组内迭代的方法来获取全局最优个体,得到最优权重和阈值,确定最优机械手滑模控制模型。经过实验证明,采用基于仿生群智能优化RBF神经网络的机械手滑模控制,跟踪准确度高。

首先利用蛙跳算法对最佳影响参数组合进行搜索,搜索结束后选择最优的参数,利用优化参数的变分模态分解对故障信号处理,得到本征模态函数;为了验证蛙跳算法得到的参数是否为最优参数,选择最佳的本征模态函数进行包络分析,将包络谱的特征频率与实际故障频率相比较;以得到的模态函数构成矩阵,进行奇异值分解,得到信号的奇异值,以奇异值作为极限学习机的输入,对故障类型进行分类。利用优化参数的变分模态分解对仿真信号和实测信号进行分析,均能提取特征信息,对故障类型进行识别,表明该方法有一定的实际意义和实用价值。