野山羊算法结合不同的搜索策略,弥补了多个著名元启发式算法在解决优化问题中的固有缺陷。针对传统野山羊算法不能有效解决多目标优化问题,提出了多目标野山羊算法并应用于多目标优化当中。首先该算法在野山羊算法基础上提出了改进的多种群策略,提升了种群多样性;其次将该策略与提出的动态进化策略和领头羊派遣策略结合,进一步增强了个体之间的信息交流,防止算法局部收敛。再者将该算法与其他经典多目标优化算法比较,实验结果表明提出的算法在解决多目标优化问题中具有明显优势。最后将该算法应用到动压滑动轴承的多目标优化设计当中。

滚动轴承的工作转速和载荷很多时候是变化的,基于先验知识的诊断方法很难取得令人满意的分类效果。针对这一问题,提出了基于Nesterov动量的自适应卷积神经网络,用于轴承故障诊断。首先,将网络中传统动量规则替换为Nesterov动量,改善传统方法容易错过最优解问题。其次,为了改善网络泛化能力,设计了一种根据误差变化率动态调整学习率的自适应学习率规则。最后,将采集到的原始数据直接输入到提出的网络中训练故障诊断模型,并利用测试数据对模型进行评测。实验结果表明,提出的优化方法改善了神经网络的收敛性,提高了轴承故障分类精度。

针对滚动轴承振动信号的非平稳非线性特性,提出了一种采用集合经验模态分解(EEMD)熵特征提取、t-分布邻域嵌入(t-SNE)和粒子群优化-概率神经网络(PSO-PNN)的滚动轴承故障诊断方法。首先,对振动信号应用EEMD算法实现分解,生成多个固有模态函数(IMFs),对生成的含有主要故障信息的模态分量进行选择,以进一步实现熵特征提取,然后对高维特征数据应用t-SNE算法进行降维,最后利用PSO-PNN分类器进行故障识别。通过案例1和案例2的分析结果表明该方法对滚动轴承故障识别率均达到100%,具有较高的故障识别率,能对滚动轴承的故障类型有效的识别。