基于小波分析的水质变化及预测研究——以涡河为例

以涡河流域2005—2018年(共168个月)的水质指标月监测数据为背景资料,探究小波分析和神经网络在流域水质方面的应用。通过小波分析来判别涡河流域水质指标的多尺度变化规律;运用主成分分析法选取涡河水质主要影响因子,并对主要影响因子建立小波神经网络预测模型。研究结果表明:各水质指标具有多尺度振荡的特点,且主要存在以8、20、30个月左右变化的主周期;目前影响涡河流域水质的主要因子是以化学需氧量为代表的污染因子;通过小波神经网络得到的化学需氧量预测值与实测值的曲线拟合较好,平均百分比误差(MRE)为8.4%,均方根误差(RMSE)为1.5,模型较稳定且预测精度较高。基于小波神经网络的应用为流域水质污染研究提供了一个新的思路。     

气候变化背景下滇中引水工程水源区与受水区 降水丰枯遭遇分析

基于历史实测降水数据与全球气候模型预估数据，使用 Morlet 小波方法分析滇中引水工程水源区与受水区 降水序列的周期变化和未来的降水趋势。同时，采用 Copula 函数计算历史时期（1960—2021 年）与未来时期 （2022—2100 年）水源区与受水区降水丰枯异步或丰枯同步的概率。结果表明：1960—2021 年降水序列存在 26~39?a、18~25?a、4~7?a 的 3 类时间尺度的周期变化，2022—2100 年降水序列存在 38~55?a、18~30?a、5~12?a 的 3 类时间尺度的周期变化，降水量呈现“多—少—多”的循环交替，预计未来 10~20?a 将持续处于降水较多的时期； 过去 62?a，水源区和受水区降水丰枯异步频率 36.4%，同期丰水年频率为 25.3%，同期枯水年频率小于 30%，水源区 和受水区具有水量互补的引水条件，两区域之间存在着水量补偿特征；与历史丰枯遭遇对比，未来降水量丰枯同 步频率均呈现减小的趋势，丰枯异步呈现增加的趋势，同枯和源枯受丰的频率减少，未来有利于调水的降水丰枯 组合概率平均增加 3.75%；在近、中、远期预估中，从 SSP1-2.6 情景过渡到 SSP5-8.5 情景，SSP5-8.5 情景下降水量 丰枯异步频率比 SSP1-2.6 情景大，说明水源区与受水区的降水区域差异变大，降水时空差异更加显著。通过对滇 中引水工程水源区与受水区降水量丰枯遭遇的综合分析、定量评估和模拟预测，为滇中引水工程水资源调度协同 一体化提供数据支撑及参考依据。     

重卡变速箱齿轮润滑效果影响因素及两级飞溅润滑分析

为确保重卡变速箱齿轮为其提供高效、稳定动力,保证重卡的性能,着重对单级齿轮的齿轮转速、齿轮箱倾角以及润滑油温度对齿轮的润滑效果基于CFD软件进行仿真研究,同时,对两级齿轮对应的飞溅效果与单级齿轮进行对比.通过上述一系列研究,为重卡变速箱齿轮的设计提供参考和依据.     

基于声发射原理的矿井掘进机故障诊断技术研究

针对在我国各大矿区广泛应用的EBZ160悬臂式掘进机,基于声发射原理及技术,设计一套掘进机故障诊断声发射检测系统,获得各种故障的声发射数据样本,同时借助小波神经网络的迭代收敛性质,对故障数据样本的精确度进行验证,正确率较高,能够较好地应用于井下掘进机的故障诊断.     

地面驱动螺杆泵井故障诊断方法

为提高地面驱动螺杆泵井的故障诊断效率,提出了一种将小波包与概率神经网络相结合的故障诊断方法.运用小波包技术提取有功功率信号的能量特征,与动液面、瞬时流量、井口回压共同作为特征参数,输入到概率神经网络进行故障诊断.为证明所提诊断方法的优越性,与BP神经网络、径向基神经网络进行对比,结果表明所提方法诊断效率更高、速度更快,更加满足故障诊断实时性的要求;故障诊断实例结果也进一步证明了该方法在地面驱动螺杆泵井故障诊断的可行性.     

洗煤厂振动筛故障诊断系统的设计及应用

针对振动筛工作负荷大、工况环境差、故障率较高且识别诊断难度较大的问题,基于洗煤厂大型直线振动筛的工作原理及故障类型的分析,设计了振动筛故障诊断系统整体方案.应用结果表明,该系统实现了信号采集、故障诊断、数据管理、故障预警等功能,实现了较好的技术及经济效益.     

基于深度信念网络的滚动轴承特征迁移诊断

滚动轴承的故障智能诊断研究多是针对同源数据进行，而不同型号、不同工况下的滚动轴承，由于时、频特征差异，加之背景噪声的影响，导致识别准确率偏低。为了解决这一问题，笔者以6307和6205两类深沟球轴承为研究对象，建立了以深度信念网络（deep belief network，简称DBN）为核心的迁移诊断模型，构造了以波形指标、峭度指标、近似熵及分散熵为代表的特征识别参数。为了抑制信号传递路径（共振频带差异）和背景噪声的影响，引入最大相关峭度反卷积（maximum correlated kurtosis deconvolution，简称MCKD）方法，并对其关键参数实施了自适应选取。结果表明，由MCKD与DBN联合组成的迁移诊断模型，在3类不同数据源之间的诊断准确率均超过了95%，为滚动轴承的迁移特征诊断提供了一条可行的途径。