考虑舒适度的制造环境中HVAC节能优化控制研究

针对制造系统中HVAC高能耗的问题,通过分析制造环境中的热量对HVAC与温度的影响,建立了考虑舒适度的HVAC节能优化模型,并运用模拟退火算法优化目标函数。实验结果表明,HVAC节能优化模型不仅降低了5.9%的能耗,而且室内温度范围在28~29℃,符合节能与舒适的双标准。     

基于谐波小波包和BSA优化LS-SVM的铣刀磨损状态识别研究

针对铣削刀具磨损状态识别问题,提出谐波小波包和最小二乘支持向量机（LS-SVM）的状态识别方法。为克服传统小波包分解的频带交叠问题,采用谐波小波包提取不同磨损状态下铣削力信号的各频段信号能量,归一化处理后,输入LS-SVM多类分类器,实现铣削刀具磨损状态的识别。针对LS-SVM的惩罚因子和核参数对模型识别精度影响较大的问题,提出回溯搜索算法（BSA）进行自动参数寻优。实验结果表明,谐波小波包比小波包在刀具磨损状态特征提取时具有更好的识别效果。与粒子群算法进行比较,证明BSA优化LS-SVM具有更高的识别精度。     

注CO2井管柱腐蚀速率预测

利用CO₂驱油提高低渗、高含水油田原油采收率已经发展成为双碳背景下应对气候变化的重要技术。但是注CO₂井管柱频繁发生腐蚀失效的问题,研究管柱在CO₂环境下的腐蚀机理,预测管柱腐蚀速率是腐蚀防护是保障安全生产的重要途经。为此本文开展了注CO₂井管柱腐蚀的电化学分析,考虑了压力、温度、pH值、含水率、离子浓度等因素在管柱腐蚀失效中关联关系,优化了CO₂腐蚀环境下P110油管的腐蚀速率预测模型,对实例井油管柱腐蚀速率完成预测,并对比油田现场实测值。结果表明：在注CO₂过程中,1500m以上井段腐蚀程度较小,腐蚀主要发生在1300～1700m井段,温度为70℃左右腐蚀做严重,腐蚀速率可达0.3mm/a。腐蚀速率受含水率、井筒温度影响较大,腐蚀情况预测结果与现场实测腐蚀情况吻合较好。     

基于自适应动态无偏最小二乘支持向量机的刀具磨损预测建模

由于训练样本数量有限,滑动时间窗长度以及监测模型不能自适应调整和更新等因素,传统基于机器学习的刀具磨损预测模型存在精度和效率较低等问题,因此提出了一种基于自适应动态无偏最小二乘支持向量机（ADNLSSVM）的刀具磨损预测模型。采用公开数据库中的铣削加工数据集,通过时频域分析和小波包分解等手段从振动信号中提取特征量,并进一步利用相关性分析从中选择有效特征量作为模型输入。试验结果表明该方法所建模型具有较高的建模效率和预测精度。     

添加Bi2WO6对ZnO基压敏陶瓷电学性能的影响

用传统固相反应法研究了添加Bi₂WO₆(x=0%~9%,质量分数)对ZnO基压敏陶瓷的微观结构、压敏性能和介电性能的影响。结果表明：掺入适量的Bi₂WO₆能促进ZnO压敏陶瓷晶粒均匀生长、提高微观结构的均匀性、降低压敏场强和提高非线性系数;同时,Bi₂WO₆的添加可提高ZnO晶粒表面吸附氧的含量,从而提高界面态密度和势垒高度以及ZnO基压敏陶瓷的非线性特性。Bi₂WO₆的添加量为7%的ZnO基压敏陶瓷,其综合性能为：E_{1 mA}=263 V/mm,α=53,J_L=3.50 μA/cm²,φ_b=11.52 eV。     

基于BO-GRU神经网络的锂离子电池剩余使用寿命预测

锂离子电池剩余使用寿命预测是锂离子电池健康管理的重要内容。针对锂离子电池剩余使用寿命预测困难、传统循环神经网络预测精度低的问题,提出一种基于贝叶斯优化(BO)-门控循环单元(GRU)神经网络的锂离子电池剩余使用寿命预测方法。这一方法提取循环数与对应的容量融合作为新特征,采用滑动窗口方法分割特征数据集,搭建门控循环单元神经网络,在网络中加入随机失活,并采用贝叶斯优化对门控循环单元神经网络参数进行优化。在不同来源数据上进行试验验证,这一方法的相对误差均小于3%,能够实现对锂离子电池剩余使用寿命的准确预测。     

面向能耗的数控铣削过程建模与参数优化

为了选择合理的切削参数以达到降低能耗的目的,对稳定的数控铣削过程面向能耗进行建模并优化。首先,在分析输入功率去向构成的基础上,建立数控铣床系统输入功率模型。然后,建立数控铣床系统能耗测试平台。通过对实验数据的多元回归建立数控铣床输入功率与切削参数的函数,对比分析证实函数的精确性。随后,由该函数得出数控铣床稳定切削阶段的单位体积能耗函数,以此为优化目标,以铣床性能和表面质量为约束,通过引力搜索算法(GSA)进行切削参数的能效优化。最后,与经验的切削参数进行对比,结果表明优化后切削参数显著提高了铣床能量效率,大幅节省了电能。     

基于岭回归的坐站交替模式作业效率研究

为了研究采用坐站交替模式对作业效率的影响,模拟日常办公环境,将工作时间分为30 min站姿、45 min坐姿、15 min站姿三个阶段,分别统计各个阶段的作业效率,并进行岭回归分析.通过研究确认,与回归分析相比,岭回归分析的均方根误差减小了 13.8％,迭代效率显著提高.基于岭回归对坐站交替模式作业效率进行研究,表现出较好的鲁棒性和时效性.     

基于BO-BiLSTM的超级电容器剩余寿命预测

为了提高超级电容器剩余使用寿命的预测精度，本文提出了一种贝叶斯优化与双向长短时记忆神经网络结合的预测模型(BO-BiLSTM),利用长滑动窗口处理容量数据来提高模型对容量衰退趋势的学习能力，达到对超级电容器剩余寿命精确预测的目的。通过对输入特征的研究和对比，选定了容量和循环数作为模型的输入，随后对滑窗大小、模型步长进行研究，发现长滑窗是模型成功的关键因素。实验模型的精度可以达到AEP=1.02%、RMSE=2.57%。在使用贝叶斯优化算法优化模型参数后，最终预测精度可以达到AEP=0.59%、RMSE=2.16%,具有较高的预测精度。     

新能源公交车电池荷电状态预测模型

为了优化充电策略，缓解里程焦虑，提出一种新能源公交车电池荷电状态预测模型。这一模型可以根据车辆内部因素和外部因素，预测下一趟新能源公交车的电池荷电状态消耗量。在实际工作中，新能源公交车电池荷电状态同时受到车辆内部因素和外部因素的影响。通过机器学习方法，对十辆新能源公交车1 a的数据进行分析，提取若干车辆内部因素作为特征，并通过对车辆行驶环境进行分析，提取若干外部因素作为特征。这一模型采用主动状态跟踪-长短时记忆神经网络，可以主动学习特征中的时间依赖性，筛选出有用信息。通过对模型结构的删减验证了模型的有效性，模型均方根误差为3.812%。