改进的自适应气体和反向传播人工神经网络性能状况诊断多种轴承系统使用灰色关联分析

文摘

条件的诊断多轴承系统是工业领域的需求之一,因为轴承是用在许多设备和自己的失败可能导致总崩溃。轴承条件普遍反映通过振动信号数据。在多个轴承诊断条件,它将涉及许多类型的振动信号数据;因此,因此,它将涉及许多特性提取获得精确的诊断条件。然而,大量的特征提取将增加诊断系统的复杂性。因此,在本文中,我们提出了一个诊断方法的杂化自适应遗传算法(aga),反向传播神经网络(摘要)和灰色关联分析诊断(GRA)多个轴承系统的状况。aga用于诊断算法确定最佳的初始权重摘要为了提高诊断准确性。此外,掌握应用于确定和选择的主导功能从振动信号数据将提供良好的多个轴承系统在诊断特征提取。实验结果表明,AGAs-BPNNs GRA方法可以在较短的处理时间,增加诊断的准确性与AGAs-BPNNs没有抓住。

1。介绍

轴承是一种设备广泛应用于产业以减小摩擦旋转机器的一部分给光滑的金属球或滚子和内外金属表面光滑的球滚动。不幸的是,轴承是机器零件有很高比例的失败相比其他组件(1]。基于先前的研究中,轴承造成机器故障的原因(40 - 50%2]。因此,精确的轴承系统状态诊断是必不可少的检测缺陷才导致失败。

一个精确的诊断条件可以通过良好的状态监测。轴承的状态监测是反映在振动信号数据。振动信号数据被感应器记录轴承不断的状况。振动信号数据通常用于轴承条件由于其固有的优势,揭示轴承故障诊断(3- - - - - -5]。振动信号在不同的条件下会显示不同的模式(6),可以看到在图1。图1显示正常轴承的振动信号数据从有缺陷的轴承有不同的模式。故障轴承的振动信号具有更高的振幅与普通轴承相比。然而,多个轴承系统与一个有缺陷的轴承可能不是视觉上不同的振动信号数据相比,表示所有轴承正常。因此,重要的是要有一个能够准确诊断技术系统条件的基础上,不断监测振动信号。

(一)

(b)

重要的是要从振动信号中提取特征数据,由于振动信号数据捕获来自轴承等机械系统在本质上是复杂的和一些有用的信息是损坏的5,7]。为了获取振动信号的诊断信息数据,它是适当的计算尽可能多的功能。在本文中,我们从振动信号中提取十个特征数据的轴承系统。这些特性是标准差、偏态、峰态,最大峰值,绝对平均值、均方根值、峰值因子,形状因子、冲动的因素,和间隙因子(8]。这些特性是有效和实用的条件对早期故障诊断由于其相对敏感,鲁棒性不同的负载和速度(9]。但往往是任意的选择功能,这将导致一些特性包含相同的信息的情况,其他人不包含有用的信息(8]。因此,一种技术来确定哪些是多个轴承诊断的主要特性是非常重要的。最简单的方法之一发现的主要参数是通过和结合功能持续达到期望的结果。然而,这种方法将花很多时间和记忆获得的主要特性。灰色关联分析(GRA)是一种常用的方法找到的主导功能。作为特征选择方法去除不相关和冗余的影响结果的因素10]。GRA至关重要的一点是,它可以用来描述之间的关系特性(11]。绿草可以用来解释数据之间的复杂的相互关系发展的趋势是同构或异构(12]。在这项研究中,我们使用了灰色关联分析(GRA)来确定主要功能包含有用的信息在多个轴承状况的诊断。主要特性下将被用作输入条件诊断算法。

诊断算法已被许多研究人员提出,他们中的一些人使用个人metaheuristic技术如遗传算法(气)和模糊神经网络(NNs) [13- - - - - -17]。然而,个人metaheuristic技术受到自己的缺点,可以克服形成每个技术的优势相结合的混合方法(18]。因此,研究人员最近开始提出混合metaheuristic诊断技术来提高性能的条件。Wulandhari et al。19- - - - - -21)改善了条件在特定类型的故障诊断工作多个轴承使用混合遗传算法和反向传播神经网络(GAs-BPNNs)的方法。在本文中,我们提出一个改进的GA-BPNNs自适应方法应用到天然气和反向传播神经网络(AGAs-BPNNs)和使用时间的确定和选择的主要特性AGAs-BPNNs算法为了获得精确的诊断条件的多个轴承系统。

2。轴承振动信号数据

在本文中,我们使用从凯斯西储大学轴承振动信号数据的数据中心(22]。高层建筑的振动信号数据捕获系统,由驱动端轴承(DE)和风扇端轴承(FE),与轴承的各种组合条件。轴承的规格表1。为了获取振动信号数据,三个加速度计连接轴承和基线(BA)如图2。七种不同条件下轴承振动数据收集:铁和DE正常,菲正常和德内座圈故障(DE-IRF),DE球铁正常和故障(DE-BF),菲正常和DE外环故障(DE-ORF),铁内套断层(FE-IRF)和正常,铁球断层(FE-BF)和德正常菲外环故障(FE-ORF)和正常。表中给出的数据捕获的例子2。


轴承	内径(英寸)	外径(英寸)	厚度(英寸)	球直径(英寸)	节圆直径(英寸)

德轴承	0.9843	2.0472	0.5906	0.3126	1.537
铁轴承	0.6693	1.5748	0.4724	0.2656	1.122


	正常的		驱动端轴承故障数据									风扇端轴承故障数据
数量	轴承		内套的错			球的错			外环的错			内套的错			球的错			外环的错
	德	菲	英航	德	菲	英航	德	菲	英航	德	菲	英航	德	菲	英航	德	菲	英航	德	菲

1	0.053	0.146	0.065	−0.083	−0.402	0.016	−0.003	−0.247	0.000	0.009	−0.407	0.098	−0.025	−0.051	0.017	−0.168	0.320	−0.031	−0.134	0.127
2	0.089	0.098	−0.023	−0.196	−0.005	0.017	−0.096	0.143	0.069	0.424	0.263	0.042	−0.029	−0.192	−0.004	0.181	0.326	−0.120	0.003	−0.259
3	0.100	0.055	−0.089	0.233	−0.107	−0.036	0.114	0.003	0.031	0.013	0.495	−0.042	−0.046	0.051	−0.169	0.044	−0.260	−0.006	−0.027	−0.060
4	0.059	0.037	−0.094	0.104	−0.074	−0.045	0.257	−0.107	−0.037	−0.265	−0.423	0.081	0.001	0.151	−0.069	−0.270	0.031	0.060	−0.184	0.454
5	−0.005	0.054	−0.076	−0.181	0.209	0.008	−0.058	0.136	−0.116	0.237	−0.307	0.059	−0.037	−0.095	0.090	−0.138	0.447	−0.131	−0.203	0.075

从表2,我们可以看到每个条件有三个数据流被三个加速度计;因此,每个特性将从三个加速度计。基于可用的数据,通常只有7个条件可以指定类别的轴承诊断的输出。在本文中,我们扩展了条件类从7到16类结合和混合可用的数据。FE-IRF和DE-IRF类,例如,英航获得的数据集或从英航的平均加速度计在FE-IRF和DE-IRF条件下,铁的数据从铁获得加速度计在FE-IRF条件,和DE数据得到DE-IRF DE加速度计的条件。条件类的扩张是为了获得更具体的病情诊断为每个轴承,这样可以专门进行任何行动,每一个轴承。这种扩张的优点是,在这里,我们可以识别的条件同时DE和铁轴承。在七类的情况下,我们只能确定的条件。轴承的16类条件展示在表3。


数量	条件

C1	菲德正常
C2	菲正常和DE-IRF
C3	菲正常和DE-ORF
C4	菲正常和DE-BF
C5	FE-IRF DE正常
C6	FE-ORF DE正常
C7	FE-BF DE正常
C8	FE-IRF和DE-IRF
制备过程	FE-IRF和DE-ORF
10大	FE-IRF和DE-BF
C11	FE-ORF和DE-IRF
C12	FE-ORF和DE-ORF
C13	FE-ORF和DE-BF
碳	FE-BF和DE-IRF
C15	FE-BF和DE-ORF
C16	FE-BE和DE-BF

受到十多个轴承的类条件特征提取数据。功能位于区间的值越低,数据提取的上界。提出了区间特征值表4。


数量	条件类

C1	德菲正常	[0.064,0.088]	(−0.166,0.336)	[2.361,3.421]	[0.185,0.291]	[0.054,0.073]	[0.005,0.008]	[29.942,47.827]	[0.083,0.114]	[2.966,4.524]	[3.471,5.279]
C2	菲正常和IRF	[0.087,0.094]	(−0.135,0.247)	[2.831,3.497]	[0.236,0.330]	[0.068,0.075]	[0.008,0.009]	[30.717,38.750]	[0.110,0.119]	[3.465,4.586]	[4.182,5.487]
C3	菲正常和德子	[0.078,0.093]	(−0.256,0.009)	[2.636,3.390]	[0.223,0.368]	[0.062,0.074]	[0.006,0.009]	[29.835,45.121]	[0.097,0.117]	[3.482,5.063]	[4.123,6.018]
C4	菲正常和男朋友	[0.033,0.039]	(−0.131,0.171)	[2.688,3.380]	[0.099,0.139]	[0.026,0.031]	[0.001,0.002]	[76.682,104.733]	[0.192,0.230]	[3.486,4.797]	[4.087,5.650]
C5	菲IRF和正常	[0.063,0.092]	(−0.191,0.153)	[2.202,5.258]	[0.198,0.276]	[0.036,0.077]	[0.004,0.009]	[24.479,55.206]	[0.103,0.113]	[2.609,5.978]	[2.975,13.998]
C6	铁子,DE正常	[0.083,0.085]	(−0.114,0.035)	[2.383,2.672]	[0.199,0.238]	[0.068,0.070]	[0.006,0.007]	[27.955,33.393]	[0.101,0.104]	[2.878,3.458]	[3.358,4.032]
C7	铁高炉和正常	[0.117,0.121]	(−0.139,0.038)	[1.978,2.342]	[0.239,0.319]	[0.099,0.104]	[0.014,0.015]	[17.123,22.767]	[0.137,0.144]	[2.343,3.213]	[2.613,3.671]
C8	菲IRF和IRF	[0.077,0.092]	(−0.149−0.014)	[2.579,4.377]	[0.228,0.286]	[0.054,0.075]	[0.006,0.009]	[28.882,46.978]	[0.107,0.114]	[3.173,5.282]	[3.726,9.742]
制备过程	菲IRF和德子	[0.078,0.093]	(−0.175−0.014)	[2.441,4.231]	[0.232,0.309]	[0.051,0.075]	[0.005,0.009]	[29.705,47.740]	[0.101,0.114]	[3.280,5.038]	[3.833,9.406]
10大	菲IRF和男朋友	[0.046,0.064]	(−0.151,0.089)	[2.460,4.083]	[0.157,0.195]	[0.032,0.053]	[0.003,0.005]	[53.629,70.318]	[0.073,0.077]	[3.244,4.872]	[3.747,9.239]
C11	铁子和IRF	[0.085,0.089]	(−0.081,0.099)	[2.672,3.084]	[0.227,0.284]	[0.068,0.072]	[0.007,0.008]	[30.872,36.071]	[0.106,0.111]	[3.323,4.022]	[3.895,4.759]
C12	铁子和德子	[0.081,0.089]	(−0.150,0.009)	[2.510,2.961]	[0.221,0.296]	[0.066,0.072]	[0.006,0.008]	[36.222,37.993]	[0.100,0.110]	[3.301,4.154]	[3.855,4.860]
C13	铁子和男朋友	[0.059,0.061]	(−0.090,0.074)	[2.637,2.986]	[0.159,0.175]	[0.047,0.050]	[0.004,0.0043]	[54.090,67.421]	[0.073,0.077]	[3.331,3.920]	[3.874,4.588]
碳	铁高炉和IRF	[0.103,0.107]	(−0.099,0.079)	[2.474,2.803]	[0.256,0.321]	[0.085,0.089]	[0.011,0.012]	[24.912,29.619]	[0.125,0.131]	[3.062,3.770]	[3.574,4.393]
C15	铁高炉和德子	[0.098,0.106]	(−0.155−0.012)	[2.342,2.731]	[0.255,0.231]	[0.082,0.088]	[0.010,0.011]	[24.737,32.152]	[0.118,0.128]	[3.092,3.805]	[3.576,4.517]
C16	菲男朋友和男朋友	[0.076,0.080]	(−0.111,0.054)	[2.408,2.767]	[0.175,0.220]	[0.063,0.067]	[0.007,0.008]	[47.319,61.536]	[0.091,0.096]	[3.083,3.805]	[3.553,4.468]

(关闭时间间隔和。

3所示。该算法

提出了一种混合方法的草,AGA,摘要多个轴承系统的诊断条件。这个杂交抓住适用于确定主导功能通过分析每个特性与理想值之间的关系。的算法开始初始化的功能从振动信号中提取数据,然后计算灰色关联系数(GRC)紧随其后的灰色关联度计算(GRG)都包括在草地的过程。在草地的结果是占主导地位的功能,这将被用作AGAs-BPNNs的输入。GRA-AGA-BPNNs的框架如图3。

3.1。灰色关联分析(下)

系统的相关信息是完全已知的被称为白色系统,而系统的相关信息完全未知的是一个黑色的系统。这些限制之间的任何系统是一个灰色系统,贫穷和有限信息(23]。在多个轴承系统,任何信息关于轴承的状况并非完全揭示了从振动信号中提取数据的特性。这个不清楚状况的数据是可以克服使用草邓提出(241982年)。草地利用数学方法分析相关性引用系列的理想值的特性和选择系列(25]。它首先可实现特征提取,然后将所有的替代品的性能与理想值相似性序列称为灰色关联生成(26),其次是计算灰色关联系数之间相似性序列和参考序列。最后,参考序列之间的灰色关联度和每一个序列相似性计算基于灰色关联系数。灰色关联度最高的选择特征表明特征的主要影响状况的诊断。程序GRA图所示4。

绿草开始正常化的特征提取,简化;我们省略所有参数的单位。可以很容易通过乘以一定的参数,说1 /参数的单位。让是th的样本th特征提取,和: 然后,归一化特性可以通过以下方程(27]: 接下来,灰色关联生成是由确定的参考或理想值特征提取。让特征提取,。轴承系统的状况吗。注意到我们240件样本数据和16类用于轴承的情况下,每个类由15个数据下降条件类。的理想值特征提取的平均值特征提取的价值th条件,可以编写如下: 例如,第一个条件是理想的值类(类的铁和正常)和参数。关于获得下一步,即灰色关联系数,我们需要确定替代的相似性序列值和理想值。注意到我们240件样本数据和16类用于轴承的情况下,每个类由15个数据类。然后,我们定义在哪里;然后,替代品的可比性和理想值可以计算在哪里是选择的可比性和理想值,是替代值归一化特性从振动信号中提取数据,然后呢是理想的值基于条件定义的类。基于(4)和(5),下一步GRA程序,即相似性序列和理想之间的灰色关联系数计算序列,写如下: 在哪里的灰色关联系数值吗th样品和th特性和是区分系数定义的范围。然后,灰色关联度(GRG)是由平均每个特性的GRC,表示为在哪里是样品的数量。方程(7)用于找到加速度计的GRG英航,德和铁。最后的灰色关联度的特性说,的平均值分别从英航、德和铁。实验的结果提出了使用草节4。

3.2。提出GRA-AGAs-BPNNs算法

拟议中的GRA-AGAs-BPNNs算法的混合算法结合了草地的优势,天然气,和摘要算法诊断条件的多个轴承系统。主要特性下用于AGAs-BPNNs算法有效地分类条件。提出了自适应算子概率技术在天然气为摘要培训获得更好的初始权重。自适应技术应用于保持种群的多样性,不同的交叉概率()和突变(),例如,28- - - - - -31日]。提出的算法AGAs-BPNNs如下。(1)让()是th输入和目标摘要对要解决的问题,,是成对的数据的数量。(2)让,,,,人口的数量,数量的染色体,最初的交叉概率,最初的变异概率,分别和最大迭代次数。初始化,,,在哪里是随机向量生成的数字范围与大小和是随机向量生成的数字范围与大小。集。(3)确定主导特征选择的数量。(4)确定摘要架构的输入神经元的数量,隐藏层,隐藏的神经元和输出神经元,激活函数基于显性特征选择的数量。(5)生成一个初始种群的染色体。每个染色体包含基因对应摘要随机权重,染色体和基因的数量等于摘要权重。(6)计算适应度值的th染色体人口使用在哪里的均方误差(MSE)人群中染色体。它计算基于所选BPPN架构如下: 在哪里的目标是什么th的输入th染色体和的输出是什么th的输入染色体的人口基于所选择的摘要架构。(7)产生交配池通过选择最好的染色体采用轮盘赌选择方法。(8)选择父对人口说,为交叉机制,从交配池和。(9)计算的交叉概率父母对人群中(32]: 和是父母的健康值1和家长2,分别;是最大的健身价值的人口;平均健身价值的人口。(10)变异概率的计算人群中染色体(32]: 在哪里的健身价值吗人群中染色体。(11)集。生成通过交叉和变异机制基于以下规则。(一)为,如果,做之间的交叉和。否则,复制和作为后代。(b)为,如果,做的突变染色体。否则,th染色体保持不变。(12)如果收敛或等于,然后获得最好的染色体作为摘要的初始权重学习。否则,去一步。

4所示。实验评价和讨论

在本节中,我们将描述并讨论实验结果从GRA-AGAs-BPNNs多个系统分类的状况。在草地的过程中,我们尝试的几个值,即0.3,0.5,0.6,1。基于(7为每个计算),GRG价值。序列的特性提取基于GRG值表中给出5。


数量	GRG= 0.3	GRG= 0.5	GRG= 0.6	GRG= 1	特性

1	0.912	0.945	0.954	0.972	根的意思是平方。价值
2	0.912	0.945	0.953	0.971	标准偏差
3	0.909	0.943	0.952	0.970	Abs.平均值
4	0.868	0.916	0.929	0.956	偏态
5	0.864	0.910	0.923	0.951	最大峰值
6	0.761	0.833	0.855	0.907	形状系数
7	0.746	0.830	0.854	0.904	峰度
8	0.480	0.604	0.646	0.752	波峰因素
9	0.412	0.536	0.580	0.695	冲动的因素
10	0.367	0.488	0.532	0.652	间隙的因素

表5表明,如果区分系数更接近于0,那么的GRG功能将有范围更广泛的比系数的区别吗更接近于1。为,GRG范围大约是0.545GRG大约是0.320,如图5。从表5然而,我们可以看到,值是不同的序列特征提取是相同的。均方根值是最高的特性GRG价值。

在这篇文章中,我们进行了实验AGAs-BPNNs使用一个,三,五,七个最好的主导功能基于GRG值表5。在AGAs-BPNNs技术中,我们设置aga特点如下:每个人口的100条染色体,初始交叉概率为0.6,0.01和初始突变的概率。摘要利用,我们使用三个隐藏层和参考作为神经元的输入,在第一个隐藏层神经元,在第二个隐藏层神经元,第三个隐藏层神经元,神经元的输出。如上所述节2从三个加速度计,振动信号数据记录;因此,特征提取三个加速度计造成神经元的数量输入摘要等于3×数量的特性。例如,如果我们选择五个主要特征,然后神经元输入包含15个神经元的输入,每个神经元都包含240个样本的数据,而每一个隐藏层神经元包含15和16个输出层的神经元。240年的样本数据随机分成三组:80%的训练,10%的验证和测试为10%。摘要使用logsig和purelin激活功能,学习速率和动量是0.05和0.25,分别。

我们的实验进行了十次GRA-AGAs-BPNNs对于每一个人,三,五,七主导功能的组合。我们也进行了实验使用GRG最低最高和最低的特性和组合AGA-BPNN GRG特性获得多个轴承系统的诊断条件。这些实验的影响进行了看到主导功能组合条件诊断算法的选择多个轴承系统的性能。算法的性能特征是基于分类的精度轴承的状况。分类精度计算使用电脑执行的实验与英特尔酷睿2四核处理器Q8200 2.33 GHz和1.96 GHz, RAM 3.46 GB。GRA-AGAs-BPNNs是表中给出的结果6。


选择的主导特征数	摘要利用拓扑	培训	验证	测试	CPU时间

10个特性	30-30-30-30-16	99.3%	91.7%	92.4%	2905.0
1功能	3-3-3-3-16	41.5%	38.8%	36.2%	992.2
3功能	9-9-9-9-16	83.6%	80.4%	80.4%	1116.8
5特性	15-15-15-15-16	99.4%	97.1%	96.7%	1279.3
7的功能	21-21-21-21-16	100.0%	94.6%	92.5%	1468.2
1功能(第十特性)	3-3-3-3-16	28.7%	26.7%	26.3%	982.6
2功能(第一和第十特性)	6-6-6-6-16	59.9%	52.9%	55.4%	1074.8

表6显示了比较GRA-AGAs-BPNNs之间的分类精度和AGA-BPNN算法没有草(包括十个功能)。我们可以看到分类的准确性GRA-AGA-BPNN使用5和7个主要特性与拓扑15-15-15-15-16和15-15-15-15-16,分别的精度高于AGA-BPNN拓扑30-30-30-30-16没有掌握和使用十个特性。从实验结果,我们得到均方根值,标准差,绝对平均值,偏态,和最大峰值可以给多个轴承诊断条件好。我们注意到,通过应用草AGA-BPNN算法,我们可以用较短的时间获得更高的分类精度。草地上能够决定哪些特性可以给多个轴承的主要贡献状况诊断系统。

5。结论

在这篇文章中,我们介绍了一种新的混合动力技术的灰色关联分析,自适应算子概率遗传算法(aga),和反向传播神经网络(摘要),GRA-AGAs-BPNNs呼吁条件多个轴承系统的诊断。我们用灰色关联分析(GRA)来确定多个轴承的主要功能包含有用的信息。GRA认定均方值,标准差,绝对平均值,偏态,和最大峰值可以给好的多个轴承状况的诊断。下的特性用于AGA-BPNNs有效的诊断条件。我们利用强大的能力在遗传算法的优化,这里已经进一步提高通过改变变异概率和交叉算子,用于搜索的最佳初始权重摘要,摘要的强劲能力分类分类或多个轴承系统的诊断条件。aga加强摘要实现更高的分类精度较短的CPU时间比标准摘要或混合GAs-BPNNs。

实验结果表明,绿草能够提高分类的准确性AGAs-BPNNs在较短的时间。精度达到100%,94.6%和92.5%的训练、验证和测试,分别为7主要特性和99.4%,97.1%,和96.7%的培训,验证和测试,分别5主导功能。增加精度,减少了处理时间比AGAs-BPNNs没有草如表所示7。这一成就提供了福利状况诊断在现实情况下,因为我们需要一个精确和快速诊断过程多个轴承的条件,以避免崩溃。


大量的主导功能	培训(%)	验证(%)	测试(%)	时间减少(%)

5特性	0.1%	5.4%	4.3%	56%
7的功能	0.7%	2.9%	0.1%	49.5%

利益冲突

作者宣称没有利益冲突有关的出版。

确认

作者感谢比娜Nusantara大学和马来西亚各种大学支持这项研究。

引用

p . v . j .罗德里格斯和a . Arkkio”检测感应电动机的定子绕组故障使用模糊逻辑,“应用软计算,8卷,不。2、1112 - 1120年,2008页。视图:出版商的网站|谷歌学术搜索
南帝和h·a . Toliyat“电气故障诊断机审查”IEEE国际电机和驱动器研讨会论文集(IEMDC ' 99)西雅图,页219 - 221年,洗,美国,1999年5月。视图:出版商的网站|谷歌学术搜索
秦罗z . g . Wang, x, y愣,t·王,“滚动轴承故障识别和分类基于时变自回归谱,”机械系统和信号处理,22卷,不。4、934 - 947年,2008页。视图:出版商的网站|谷歌学术搜索
m·夏f .香港,f·胡”的方法对轴承故障诊断基于PCA和多分类器融合”学报第六届IEEE联合信息技术和人工智能国际会议(ITAIC 11)重庆,页321 - 325年,中国,2011年8月。视图:出版商的网站|谷歌学术搜索
j·g·w . y . Liu汉,j·l·江”小说滚珠轴承故障诊断方法基于汽车术语窗口的方法,”测量,46卷,不。10日,4032 - 4037年,2013页。视图:出版商的网站|谷歌学术搜索
f . w . Li江、朱z g .周和g·陈,“轴承的故障诊断基于一个敏感特征解耦技术,”测量科学与技术,24卷,不。第三条ID 035602, 2013。视图:出版商的网站|谷歌学术搜索
r .女子,v . k . Gupta, p . k .灰质核”轴承故障诊断基于多尺度排列熵和自适应神经模糊分类器,”振动与控制杂志》上,2013年。视图:出版商的网站|谷歌学术搜索
w·李,t·史、g .廖和杨,“齿轮故障的特征提取和分类使用主成分分析,“维护工程质量》杂志上,9卷,不。2、132 - 143年,2003页。视图:出版商的网站|谷歌学术搜索
y y, z .他和子,“智能分类方法应用于机械故障诊断,”专家系统与应用程序,36卷,不。6,9941 - 9948年,2009页。视图:出版商的网站|谷歌学术搜索
a . m .•德里a . m . Zain和r . Sallehuddin”预测混合GR-SVM磨料水射流加工的表面粗糙度,”Meccanica,48卷,不。8,1937 - 1945年,2013页。视图:出版商的网站|谷歌学术搜索
t . Xuerui和l .光”,利用灰色关联分析来分析医疗数据,”Kybernetes,33卷,不。2、355 - 362年,2004页。视图:出版商的网站|谷歌学术搜索
t . v . Sibalija和v . d . Majstorovic相关反应multi-response优化的新方法,”FME基金交易卷,38 39-48,2010页。视图:谷歌学术搜索
b . Li M.-Y。周润发、y Tipsuwan和j . c .挂“神经元电机滚动轴承故障诊断,”IEEE工业电子产品卷,47号5,1060 - 1069年,2000页。视图:出版商的网站|谷歌学术搜索
b . Sreejith a . k . Verma和a . Srividya”故障诊断滚动轴承使用时域特性和神经网络,”学报IEEE地区10个讨论会和第三国际会议上工业和信息系统(ICIIS 08年)Kharagpur,页1 - 6,印度,2008年12月。视图:出版商的网站|谷歌学术搜索
h . Wang,陈平为滚动轴承故障诊断中使用的往复式机自适应滤波技术和模糊神经网络,”圆柱交易系统,7卷,不。1、1 - 6,2008页。视图:谷歌学术搜索
h . g . l . Zhang Xiong, h . Liu邹,和w·郭”轴承故障诊断使用多尺度熵和自适应神经模糊推理,”专家系统与应用程序,37卷,不。8,6077 - 6085年,2010页。视图:出版商的网站|谷歌学术搜索
y张和r·b·兰德尔“滚动轴承故障诊断的基础上,结合遗传算法和快速kurtogram,”机械系统和信号处理,23卷,不。5,1509 - 1517年,2009页。视图:出版商的网站|谷歌学术搜索
p .贾,s . n . Verma和a . k . Wadhwani“安方法和理论的应用,模糊逻辑并使用振动信号小波变换在机器故障诊断分析,“维护工程质量》杂志上》16卷,第213 - 190页,2010年。视图:谷歌学术搜索
洛杉矶Wulandhari、a . Wibowo和m . i Desa”混合神经network-genetic算法方法对轴承故障诊断系统,”学报第一工业工程和服务科学国际会议(IESS 11),独奏,印度尼西亚,2011。视图:谷歌学术搜索
l . Wulandhari a Wibowo, m . Desa”条件的诊断多轴承使用自适应算子概率在遗传算法和反向传播神经网络,”神经计算和应用,2014年。视图:出版商的网站|谷歌学术搜索
洛杉矶Wulandhari、a . Wibowo和m . i Desa”条件的诊断轴承系统使用多个分类器的人工神经网络和自适应遗传算法的交叉和变异概率”圆柱交易系统和控制,2014年。视图:谷歌学术搜索
k . a . Loparohttp://csegroups.case.edu/bearingdatacenter/pages/welcome-case-western-reserve-university-bearing-data-center-website。
Balasubramanian s和d s . Ganapathy”,灰色关联分析来确定最佳工艺参数线放电加工(有线)”国际工程科学与技术杂志》上,3卷,不。1,第101 - 95页,2011。视图:谷歌学术搜索
j·l·邓“灰色系统的控制问题,”系统和控制信,1卷,不。5,288 - 294年,1982页。视图:出版商的网站|谷歌学术搜索
学术界。李和蔡明俊。蔡”,多目标优化的激光切割闪存模块具有特殊形状使用灰色关联分析,“光学和激光技术第41卷。。5,634 - 642年,2009页。视图:出版商的网站|谷歌学术搜索
y郭、杨t和G.-W。黄”,利用灰色关联分析在解决多属性决策问题,“计算机和工业工程,55卷,不。1,第93 - 80页,2008。视图:出版商的网站|谷歌学术搜索
j·l·林和c·l·林”,利用灰色关联分析的正交阵列优化电火花加工过程与多个性能特征,“国际机床制造杂志》上,42卷,不。2、237 - 244年,2002页。视图:出版商的网站|谷歌学术搜索
k . l . Mak王x x, y s . Wong“制造细胞的形成,自适应遗传算法”国际先进制造技术杂志》上,16卷,不。7,491 - 497年,2000页。视图:出版商的网站|谷歌学术搜索
j . Aihong和y Lizhe故障诊断基于自适应遗传算法和BP神经网络,”第二届国际会议上计算机工程和技术》第六卷,第430 - 427页,2010年。视图:谷歌学术搜索
布卢姆,r . Puisa j·里德尔,m . Wintermantel“适应性突变进化策略算法,”年会:即使在魏玛Optimierungsund Stochastiktage,2001年。视图:谷歌学术搜索
诉Snašel、p . krom和j .其他“基准混合选择和自适应遗传算子,”Znalosti 2008诉Snašel埃德。,页224 - 233,FIIT STU布拉迪斯拉发,Ustav Informatiky一Softveroveho Inzinierstva, 2008。视图:谷歌学术搜索
m·斯和l . m . Patnaik”自适应遗传算法的交叉和变异概率”IEEE系统,人与控制论,24卷,不。4、656 - 667年,1994页。视图:出版商的网站|谷歌学术搜索

计算智能和神经科学