基于QPSO⁃MPE的滚动轴承故障识别方法

为准确辨识滚动轴承故障类型,提出了一种基于量子粒子群优化多尺度排列熵(quantum-behaved particle swarm optimization and multi-scale permutation entropy,简称QPSO-MPE)的滚动轴承故障识别方法。首先,对滚动轴承的原始振动信号进行集成经验模态分解(ensemble empirical mode decomposition,简称EEMD),得到一系列内禀模态分量(intrinsic mode function,简称IMF)和一个趋势项,并以峭度作为度量指标筛选出含有主要故障特征信息的IMF来重构振动信号;然后,利用量子粒子群优化算法对多尺度排列熵的关键参数进行优化,得到其模型计算重构信号的多尺度排列熵,从而构建轴承故障的多尺度排列熵特征集;最后,将故障特征集输入GG(Gath-Geva)模糊聚类算法进行聚类识别。实验结果表明,基于QPSO-MPE的滚动轴承故障识别方法可实现滚动轴承典型故障的准确辨识,证明了QPSO-MPE在故障特征提取方面的有效性。     

基于CPSO-BP神经网络的风电并网暂态电压稳定评估

针对目前传统方法难以快速、准确判断风电并网后系统暂态电压稳定性的问题,提出了一种基于CPSO-BP组合的风电并网暂态电压稳定评估方法。首先采用混沌理论对粒子群算法的不足进行改善,应用改进后的算法对神经网络的初始权值和阈值进行优化,然后利用系统故障前后采集的传统物理量和风电场相关的物理量作为BP神经网络输入特征量进行监督学习,最后将训练得到的模型应用于风电并网系统的暂态电压稳定评估中。利用英格兰10机39节点系统标准算例进行风电并网仿真分析,结果证明了所提方法的有效性。     

基于DBN-HD的车载设备故障诊断

针对列车超速防护（automatic train protection,简称ATP）系统车载设备故障诊断主要依靠人工经验以及效率低的问题,提出了深度置信网络-汉明距离（deep belief network-Hamming distance,简称DBN-HD）车载故障诊断模型。首先,利用DBN无监督地提取车载故障数据的抽象特征,获得原始数据的低维表示形式,将其输入附加在顶层的分类器输出诊断结果;其次,比较实际输出与期望输出之间的HD,将HD作为误差采用反向传播（back propagation,简称BP）算法自顶向下地微调DBN权值,完成模型训练;最后,利用某局集团公司电务段车载故障数据分析和验证模型参数对模型性能的影响。研究结果表明,与支持向量机（support vector machine,简称SVM）、反向传播神经网络（back propagation neural network,简称BPNN）和DBN进行对比,本研究提出的DBN-HD模型具有更高的正确率和运行效率,适用于实际车载设备故障诊断。     

基于预测函数控制算法的柔性结构振动抑制研究

将系统离散化的状态空间方程作为预测模型,设计基于预测函数控制算法的柔性悬臂梁振动控制系统。预测函数控制算法减小系统的在线计算量,提高系统的实时响应能力。使用Matlab对振动控制系统进行仿真,结果表明该算法能够很好地抑制柔性悬臂梁的振动。     

改进Alexnet的滚动轴承变工况故障诊断方法

旋转机械中的滚动轴承常工作在变负荷、强噪声的环境中，而传统的滚动轴承故障诊断方法难以在复杂工况下自适应地提取对其故障诊断有利的特征，针对此问题，提出一种改进AlexNet的滚动轴承变工况故障诊断方法。首先，将采集的一维时域信号按横向插样构建便于改进AlexNet输入的二维特征图，于现存的纵向插样和二维频谱而言，保留了特征自动提取过程中振动信号的时序性和关联性；其次，改进调整AlexNet卷积层的功能层且经过卷积和次采样等操作，从二维特征图中自动提取出利于滚动轴承状态辨识的特征；最后，以softmax的交叉熵为损失函数，利用Adam按小批量迭代优化法实现对滚动轴承故障的诊断。通过与多种方法对滚动轴承不同位置、不同损伤程度的12类状态诊断效果比较，结果表明,该方法对变负荷、强噪声条件下的滚动轴承故障诊断的精度更高，鲁棒性更强。     

基于电压时间序列的电力系统暂态电压稳定分析

基于实时获取的广域测量信息,提出一种利用机端电压幅值偏差序列的最大Lyapunov指数指标（LLE）与机端电压幅值序列相结合的暂态电压稳定判别方法。基于无需系统模型的LLE计算方法,建立LLE与机端电压幅值偏差序列的数学关系,根据最大Lyapunov指数曲线运动的轨迹特征,以及机端电压幅值变化率-电压幅值偏差（[Vmagcr-ΔVmag]）特性曲线的运动趋势,提出一种基于LLE与机端电压幅值偏差率的暂态电压稳定判据。针对多机系统,本文提出基于临界机组对的暂态电压稳定判别方法。将本文所提方法在IEEE10机     

基于强化学习的电动汽车集群实时优化调度策略

针对大规模电动汽车的实时调度存在维度高和随机性强等问题,提出基于强化学习的电动汽车集群实时优化调度策略。首先,以最小化综合成本（机组发电成本和补贴成本）为目标,建立电动汽车集群参与的电网机组经济调度模型。将实时阶段下的该模型构建为一个马尔可夫决策过程,利用基于最大熵的深度强化学习算法对马尔可夫决策过程进行模型训练和求解。此外,融合强化学习不依赖预测信息和运筹优化算法保证物理约束的优势,将电动汽车充电和机组出力分开优化调度。最后,通过算例验证所提策略在降低成本和削峰填谷方面的可行性和有效性。     

永磁同步电机FCS-MPC和CCS-MPC对比研究

模型预测控制因优良的动态性能在交流电机传动领域得到广泛应用,针对两种典型的模型预测控制——有限集模型预测控制和连续集模型预测控制,通过原理和仿真进行对比分析,以获得它们在稳态性、动态性、鲁棒性方面的差别。首先建立永磁同步电机数学模型,其次详细分析两种控制算法的原理,最后通过Matlab/Simulink对它们的性能进一步对比分析。从仿真结果看出,连续集模型预测控制的稳态性、鲁棒性均优于有限集模型预测控制,但动态特性逊于有限集模型预测控制。两种控制算法都存在各自的优点,并具有良好的发展前景。     

基于对率回归的导航信号捕获中的峰值检测方法

捕获是卫星导航接收机中信号处理的第一步,对接收机的各项指标如灵敏度、动态性能等有重要影响。捕获算法中最重要的环节之一是判断是否已捕获到信号,在并行捕获算法中是通过对并行相关结果进行峰值检测实现的。结合机器学习技术,将峰值检测看作是对相关结果的二分类问题。首先,在MATLAB中重复运行并行捕获算法得到包含足够数量的相关结果组成样例集;然后,使用二分类学习算法对率回归从样例集中学得一个二分类学习器,并对分类器的性能进行分析,分析结果表明了方法的可行性和正确性;最后,指出了该方法需继续研究完善的地方,为后续工程实现该方法奠定了基础。