基于VMD和BSA-KELM的高陡边坡位移预测模型研究

边坡位移的时间序列曲线存在复杂的非线性特性,传统的预测模型精度不足以满足预测要求。为此提出了基于变分模态分解的鸟群优化-核极限学习机的预测模型,并用于河北省某水泥厂的边坡位移预测。该方法首先采用VMD把边坡位移序列分解为一系列的有限带宽的子序列,再对各子序列分别采用相空间重构并用核极限学习机预测,采用鸟群算法优化相空间重构的嵌入维度和KELM中惩罚系数和核参数三个数值,以取得最优预测模型。最后将各个子序列预测值叠加,得到边坡位移的最终预测值。结果表明：和KELM、BSA-KELM、EEMD-BSA-KELM模型相比,基于VMD的BSA-KELM预测精度更高,为边坡位移的预测提供一种有效的方法。     

基于改进SOA-VMD的磁声发射信号去噪算法

磁声发射（MAE）是铁磁性材料磁化过程中产生的声发射信号，在构件应力检测和微观损伤检测中有着广泛的应用。针对MAE信号非稳态、复杂性、衰减性等特点，提出海鸥算法结合变分模态分解（SOA-VMD）的去噪方法，为克服海鸥算法求解过程中易陷入局部最优解问题，利用柯西变异算子产生随机迭代过程，使改进算法即柯西变异海欧算法（CVSOA）跳出早熟收敛。采用以幅值谱熵为适应度函数，优化VMD算法中分解模态个数K和二次惩戒因子α两个参数，将含噪声的MAE信号进行VMD分解重构。经仿真信号和实际检测信号分析表明，改进后的CVSOA-VMD算法全局寻优能力和去噪性能优于传统的SOA-VMD算法，降噪后的MAE信号特征值对于不同应力下均方根、偏斜度特征值的重复性更好，可靠性更高。     

轻量级电驱水下机械臂设计与运动学分析

设计了一款四功能水下机械臂，并对驱动关节进行了模块化设计和密封测试。为了保证水下机械臂的可靠性，在水下机械臂水下测试前，进行了强度校核和模态分析。为了验证水下机械臂的性能，通过 Ｄ- Ｈ法建立了其运动学模型，在此基础上分别进行了正、逆运动学分析。此外还采用蒙特卡洛法，在正运动学分析的基础上研究了工作空间特点。研究结果将为进一步的运动控制提供有益的帮助。     

大型振动筛有限元模态分析

运用有限元软件ANSYS建立了大型振动筛整筛有限元模型,并对整筛动态特性进行分析,确定大型振动筛结构振动特性,对结构的刚度和质量分布进行调整,避免结构在外部作用激励下发生共振。