基于遗传算法优化BP神经网络的液压系统故障诊断

液压系统作为控制和动力传输设备的核心部件,在现代工业生产机械中被广泛应用,准确诊断其故障具有提高生产效率和保障工作安全性等重要的工程意义。液压系统一旦发生故障往往是多故障同时出现,传统BP神经网络故障诊断算法往往不能满足多故障诊断准确率,提出一种基于遗传算法改进BP神经网络（GA-BP）的液压系统故障诊断方法,针对不同采样频率下多传感器信息融合的液压系统3种典型的故障模式进行对比分析。结果表明：GA-BP故障诊断算法相对于传统的BP神经网络具有更好的诊断性能。     

重型AT锁止阀的流量特性分析与优化

为了提高锁止阀开启中液动力的计算效率,通过动网格技术在流体动力学软件Fluent中模拟锁止阀的阀芯开启过程,在对阀口过流面积进行数值计算的基础上,分析其流量及流量系数随阀芯位移的变化情况。使用BP神经网络对随机抽样法获得的样本数据进行训练和预测,并对预测的结果进行准确性评估。最后,以BP神经网络预测的数学模型为基础,使用遗传算法对锁止阀节流槽参数进行优化。结果表明：优化后的锁止阀开启过程中流量-开度特性更加稳定,有利于提高锁止阀的工作性能。     

氧化钇对TC4钛合金表面包埋渗硼的影响

目的 加快TC4钛合金表面固体渗硼时渗层的生长,研究渗剂中添加Y2O3对渗硼的影响。方法 采用固体粉末包埋渗法对TC4基材进行1 050 ℃/8 h渗硼,包括渗剂中不添加Y2O3以及渗剂中分别添加质量分数为1%、3%、5%、7%Y2O3的试验研究。通过扫描电子显微镜、能谱仪、波谱仪和X射线衍射仪分析渗硼样品的截面形貌、元素含量和表面物相,并测量渗硼样品的表面硬度和摩擦系数。结果 在渗剂中加入1%~7%的Y2O3,渗硼层结构与未添加氧化钇渗剂形成的相同,由致密连续的TiB2层和TiB晶须扩散层组成。Y2O3促进渗层生长的作用与其添加量密切相关。渗剂中加入1%~3%的Y2O3有促进渗硼层生长的作用,且加入3%的Y2O3时,催渗效果最佳,可使渗硼层厚度增加40.24%,但加入5%~7%的Y2O3时反而会抑制渗硼层的生长。能谱分析表明,Y原子能够扩散到渗硼层内,且渗硼层中存在原子数分数为0.01%~0.34%的微量Y元素,其随渗剂中Y2O3含量的增加而增加。热力学分析发现,Y2O3参与渗剂反应形成活性Y原子而渗入基体。向渗硼试剂中加入3%的Y2O3,样品的表面硬度较未添加Y2O3时提高35.54%,摩擦系数较未添加Y2O3时降低28.57%。结论 向渗硼试剂中加入适量氧化钇,是获得TC4合金表面高渗速、高硬度和低摩擦系数渗硼层的一种有效方法。     

风电叶片部件疲劳试验机跟随控制策略研究

针对风电叶片部件疲劳试验过程中实际载荷与期望载荷跟随效果差的问题,提出一种超前自校正与改进线性自抗扰(LADRC)相结合的同步控制策略。该方法通过对实际载荷进行自校正补偿与系统误差以及外部扰动一起输入到改进线性自抗扰控制器,从而实现加载力和频率的有效控制。对疲劳试验机油电液伺服系统控制算法进行仿真分析,并通过搭建现场试验平台对同步控制策略进行有效性验证。仿真及试验结果表明：在较大载荷疲劳试验过程中,该控制策略显著提升系统的快速响应性和抗干扰能力,载荷误差控制在1%以内,相对于传统ADRC控制算法同步误差减小了56.14%,有效实现了风电叶片部件疲劳试验载荷的精确控制。     

多策略改进型麻雀算法在水下伸缩臂轨迹定位的应用

针对深层水域水下机器人通过机械臂捕捉目标物定位精度低、搜索难度大、耗费时间长的问题,提出一种基于多策略改进型麻雀搜索算法的水下机器人伸缩臂轨迹定位方法。通过D-H参数法搭建伸缩臂模型,结合MATLAB和ADAMS分析伸缩臂在水下捕捉目标物群目标物的低效性,引用麻雀搜索算法中鸟群觅食在最优位置的思想,引入Logistic混沌映射和柯西高斯变异原理,通过水下机器人的4项性能指标分析最优结果。结果表明：优化后的麻雀算法优于其他算法,同粒子群算法、天牛群算法、鲸鱼优化算法相比,伸缩臂捕捉目标物轨迹路线更加精确,水域环境下避障更为明显。     

四配流窗口轴向柱塞泵三角阻尼槽结构优化

为优化四配流窗口轴向柱塞泵配流特性,降低配流过程中的振动与噪声,以三角阻尼槽的结构参数作为设计变量,两排油口的流量脉动率和压力脉动率作为优化目标。依据拉丁超立方抽样方法获得设计变量样本点,并通过流体仿真软件PumpLinx获取各样本的仿真结果。基于RBF神经网络构建三角阻尼槽结构参数与优化目标间的映射关系,通过NSGA-Ⅱ算法实现多目标优化。仿真结果表明：RBF神经网络模型预测值与流场仿真值基本吻合,采用该方法能够得到三角阻尼槽的最佳设计参数,柱塞泵两排油口的流量脉动率降低了11.3%和11.8%,压力脉动率降低了7.6%和10.5%。     

基于LSTM-SVM的风电机组齿轮箱故障诊断

针对风电机组齿轮箱的故障诊断中特征提取过分依赖人为经验和准确率不高的问题,提出一种基于长短时记忆网络(LSTM)与支持向量机(SVM)相结合的方法。对原始时域振动信号作傅里叶变换,利用LSTM神经网络自适应智能提取特征的优势,结合SVM的分类功能,实现对风电机组齿轮箱更加准确的故障诊断。仿真结果显示,该网络模型在经过16轮训练后准确率可以达到100%,使用测试集数据准确率也可以达到99.1%。     

7500T大型压铸机增压阀块内流道流场仿真分析及优化

设计性能优良的阀块对提升液压系统性能具有重要意义。利用计算动力学方法对7500T大型压铸机增压阀块的流阻特性进行分析,计算得到两种不同压铸机增压阀块结构在不同流量时的压力损失。结果表明：增压阀块压力损失随着流量的增大呈现出近似线性增大的变化情况;加设倾斜流道的压力损失比没有倾斜流道的压力损失小,且减阻效果随着流量的增大而增大。利用正交试验建立了4因素5水平的正交试验数据库,对斜流道增压阀进行多参数单目标优化,然后基于遗传算法协同BP神经网络优化斜流道增压阀块之后,可使增压阀块的压力损失下降20%左右。     

基于有限元和PSO-BP法的20辊轧机轧制板形预测

针对20辊轧机轧制板形受到多重因素影响、难以精确预测的问题,基于有限元和PSO-BP法,建立20辊轧机轧制板形质量预测模型。根据20辊轧机轧辊间的位置关系,基于有限元软件ANSYS/LS-DYNA,考虑轧辊弹性变形、板带塑性变形与摩擦等因素,建立20辊轧机辊系有限元模型,分析板宽、厚度、张力、速度等因素对板形指数的影响;综合考虑不同轧制板形影响因素,以板形指数作为板形质量衡量指标,基于BP神经网络建立轧制板形质量预测模型,采用粒子群算法优化BP神经网络板形质量预测模型的权值和阈值,提高板形预测精度。     

道次压下量对2197铝锂合金轧制组织与力学性能的影响

针对铝锂合金塑韧性、成形性差的问题,本工作通过OM/SEM微观组织分析、拉伸及硬度/电导率测试,研究了在总压下量75%条件下、轧制道次压下量(即10%、30%、30%+60%,分别对应小、中、大道次压下量)对2197铝锂合金组织与力学性能的影响。结果表明：道次压下量显著影响铝锂合金的晶粒结构、析出相的数量及分布。轧制态合金的强度随单道次轧制压下量的增加而显著增加、而塑韧性则明显下降。T8时效处理使析出相大量析出,轧制合金中的Portevin-Le Chatelier(PLC)效应得到消除,小、大道次压下量轧制合金的力学性能得到显著提升。大压下量轧制合金经时效处理后强塑性综合力学性能最高,抗拉强度为384.94 MPa、断后伸长率为12.45%,较小、中道次压下量轧制时效合金分别提高2%、21%和29%、31%。