为更好地实现液压泵故障定量诊断,对故障定量诊断中的退化特征提取和故障程度诊断方法进行研究。针对排列熵算法的不足,提出空间信息熵(spatial information entropy,简称SIE)的概念,分析了空间信息熵3个参数(时间序列的分区数s、相空间重构的嵌入维数m和延迟时间τ)变化对其性能带来的影响,为其选取提供了依据。仿真分析结果也验证了其作为液压泵退化特征的有效性和优越性。基于空间信息熵算法提取液压泵故障退化特征集,针对退化特征与故障程度之间存在的非线性关系,提出采用果蝇优化算法优化参数的支持向量回归机实现液压泵的故障定量诊断。对实测液压泵振动信号分析结果表明,空间信息熵在表征液压泵故障程度方面具有更好的性能。将果蝇算法优化参数的支持向量回归机用于液压泵的故障定量诊断得到了理想的定量诊断效果,并通过对比分析验证了提出的支持向量回归机模型的有效性和优越性。
为进一步简化模型结构,提高模式识别性能,提出一种基于量子计算的限制波尔兹曼机网络模型(Restricted Boltzmann Machine Based on Quantum Computation,QRBM)。在QRBM网络中,依据RBM的网络结构,以量子计算为基础。首先,对数据进行量子化编码。然后,执行量子操作,生成网络的权值矩阵以简化步骤、提高计算效率。之后,确定网络层数以提高准确率,缩短执行时间。最后,实现QRBM模型参数的更新,从而达到故障分类的目的。将该方法用于齿轮箱模式识别中,提取齿轮箱的正常、齿面磨损、齿根裂纹和断齿等振动信号的数据作为原始特征,采用QRBM神经网络模型进行模式识别。实验结果表明,QRBM分类算法在分类准确率和执行时间上获得的效果比普通神经网络、支持向量机和RBM网络更好,验证了本文方法的有效性和可行性。
