变工况轴承的联合分布适应迁移故障诊断

针对传统的机器学习算法在变工况条件下的轴承故障分类中诊断率低的问题,提出了基于联合分布适应(JDA)算法与K-最近邻(KNN)分类算法相结合的轴承故障诊断方法。首先该方法通过提取不同工况下的轴承故障信号的时域特征分别作为源域样本和目标域样本,并通过Fisher线性判别分析(FLDA)方法计算各个特征所占权重。然后将权重较大的特征组成的特征向量通过JDA方法进行联合分布适配,即通过核函数将源域样本和目标域样本映射到低维潜在空间,以最大均值差异(MMD)距离为度量标准,同时减小源域和目标域样本的边缘分布和条件分布差异。最后将适配完的源域和目标域样本分别作为训练集和测试集,通过KNN分类器进行模式识别,最终实现在变工况条件下的轴承故障诊断分类。通过仿真分析和实验验证,所用方法相较于主成分分析(PCA)、核主成分分析(KPCA)传统机器学习方法以及TCA迁移学习方法,显著提高了变工况条件下的轴承故障诊断精度。     

兼容单相三相的APFC控制系统模型设计

阐述开关电源的有源功率因数（APFC）控制系统，对于较为复杂的控制算法，传统的手工编写代码存在周期较长，效率较低。提出基于模型设计（MBD）的控制系统的方法。以兼容单三相交流输入的APFC控制系统为例，进行Matlab和CCS的联合仿真，并在TMS320F28335上进行代码生成的验证。实验结果表明，这种方法能够完成兼容单三相交流输入的APFC，且开发效率较传统方法更高。     

域适应网络与平衡动态分布自适应的轴承变工况故障迁移诊断研究

机械设备在工业现场下的工况复杂多变，导致故障样本分布不均，给传统机器学习带来巨大的困扰。针对上述问题，提出了一种基于域适应神经网络与平衡动态分布自适应的轴承故障迁移诊断方法。首先，利用小波变换改进卷积神经网络的卷积层，并自适应提取轴承样本特征。其次，利用最大均值差异度量和权重正则化在损失函数处理所生成的特征，改善样本分布差异，获取域适应神经网络模型。最后，利用A-distance距离改进平衡分布自适应，使其具备动态特性，进一步改善样本分布差异，通过KNN分类器实现轴承迁移诊断。经过实验验证，所提方法在同试验台和跨试验台案例验证中，能够较为精确地迁移出轴承故障状态，证明该方法可有效解决无标签样本在变工况条件下样本分布不均的问题，具备有效性与鲁棒性。     

基于交流链接技术的LLC谐振变换器及控制算法

针对传统LLC谐振电路在电能转换过程中，仍需要先将交流电转换为直流电，再进行直流转换的问题，本文提出一种基于交流链接技术的LLC谐振变换器的拓扑结构及相应的控制方法。该拓扑结构通过变频的控制策略可以实现将三相交流电转换为直流电，且输入电流具有较高的功率因数和较低的谐波电流，输出电压具有较好的调节能力。之后建立了Matlab/Simulink仿真模型，对输入为380 V三相交流电、输出为500 V的1 kW的变换器进行了验证，仿真结果表明该拓扑结构功率因数可以达到0.99,输入电流总谐波为2.31%,输出电压误差小于1%。最后搭建实验样机进行测试，实验结果证明了拓扑结构及控制算法的可行性。