基于VMD和BSA-KELM的高陡边坡位移预测模型研究

边坡位移的时间序列曲线存在复杂的非线性特性,传统的预测模型精度不足以满足预测要求。为此提出了基于变分模态分解的鸟群优化-核极限学习机的预测模型,并用于河北省某水泥厂的边坡位移预测。该方法首先采用VMD把边坡位移序列分解为一系列的有限带宽的子序列,再对各子序列分别采用相空间重构并用核极限学习机预测,采用鸟群算法优化相空间重构的嵌入维度和KELM中惩罚系数和核参数三个数值,以取得最优预测模型。最后将各个子序列预测值叠加,得到边坡位移的最终预测值。结果表明：和KELM、BSA-KELM、EEMD-BSA-KELM模型相比,基于VMD的BSA-KELM预测精度更高,为边坡位移的预测提供一种有效的方法。     

探究建盏的审美与文化——以曜变建盏为例

早在我国晚唐五代时期,就开始产生了建盏文化,发展到宋代时期逐渐和茶文化进行了融合,并形成了一些衍生文化。在历史发展过程中,国家的文化也在不断发展,建盏文化从诞生到盛行又走向衰弱,在现代又重新走向复兴,在这个过程中产生了许多建盏珍贵文物,也逐渐成为了陶瓷中的上品。在建盏文化中,最为典型的一种就是曜变建盏,其中更是蕴含了独特的审美和文化。     

基于改进SOA-VMD的磁声发射信号去噪算法

磁声发射（MAE）是铁磁性材料磁化过程中产生的声发射信号，在构件应力检测和微观损伤检测中有着广泛的应用。针对MAE信号非稳态、复杂性、衰减性等特点，提出海鸥算法结合变分模态分解（SOA-VMD）的去噪方法，为克服海鸥算法求解过程中易陷入局部最优解问题，利用柯西变异算子产生随机迭代过程，使改进算法即柯西变异海欧算法（CVSOA）跳出早熟收敛。采用以幅值谱熵为适应度函数，优化VMD算法中分解模态个数K和二次惩戒因子α两个参数，将含噪声的MAE信号进行VMD分解重构。经仿真信号和实际检测信号分析表明，改进后的CVSOA-VMD算法全局寻优能力和去噪性能优于传统的SOA-VMD算法，降噪后的MAE信号特征值对于不同应力下均方根、偏斜度特征值的重复性更好，可靠性更高。     

刮板输送机减速箱箱体模拟分析

为了解决刮板输送机减速箱箱体振动损坏的问题,利用数值模拟软件对箱体静力学进行分析,确定了输出箱螺栓孔为受力薄弱点,同时对固有频率振动云图进行分析发现,由于共振现象箱体出现平移振动.当传动系统出现振动时,造成齿轮在啮合时出现冲击受力,此时齿面的受力呈现不均匀性.最后对额定工况下的箱体最大动应力曲线呈现波动的态势,波动的应力值围绕14.1 MPa进行上下幅动,与0.0388 s的应力云图呈现一致,波动应力最大值为18.6 MPa,为刮板输送机减速器箱体优化提供一定的参考.     

LNG接收站火炬放空系统设计工况研究与分析

在液化天然气(LNG)接收站工程设计建设过程中，火炬系统的设计是保证LNG接收站安全生产的必要条件。以国内某LNG接收站为例，分析了LNG蒸发气(BOG)产生的因素和机理，及6种工况组合下火炬排放量的计算方法。结果表明：在工况1条件下与实际生产情况吻合良好，其对应的火炬气排放量约为142.7 t/h。在此基础上确定了：BOG支管管径为DN600,BOG总管的管径为DN900;被分离液滴的直径不大于600μm;火炬分液罐尺寸为?2.5 m×8.0 m;电加热器的功率为195 kW;火炬形式为封闭式地面火炬。研究结果可为今后LNG接收站项目火炬系统的处理能力及设备配置提供理论指导。     

基于参数优化VMD的齿轮箱故障特征提取方法

为解决齿轮箱故障振动信号信噪比低、故障特征提取难的问题,提出了基于参数优化变分模态分解(VMD)的齿轮箱故障特征提取方法。首先,以分解结果的局部极小包络熵最小为目标,利用果蝇算法搜寻VMD分解参数K和α的最优组合;将原始信号分解成若干IMF分量,从中选择包络熵较小的分量进行信号重构,并对重构信号进行包络解调运算,从重构信号的包络谱中提取故障频率特征。结果表明,利用此方法对实测信号进行处理,成功降噪、提取齿轮箱故障特征,并且比利用经验模态分解方法降噪效果更好,提取的故障特征更加明显。     

变论域模糊PI控制的SVG系统建模与仿真

在变压器的二次侧加入无功补偿装置,是提高配电网功率因数的一种重要措施。以用于变压器二次侧的静止无功发生器(SVG)作为研究对象,在传统PI控制与模糊PI控制对比分析的基础上提出了基于变论域模糊控制的PI控制策略。同时,基于MATLAB平台完成了SVG装置的建模。仿真结果表明,所提出的基于变论域模糊控制的PI控制方法能够快速、无超调地跟踪电压设定值,有效地改善了系统的控制性能和瞬时响应性能,从而提高了SVG系统的补偿精度。     

基于多尺度特征融合的供输弹早期故障诊断

对于供输弹系统早期故障信息易被湮没难以识别的问题,提出了基于多尺度特征融合的早期故障识别方法。首先通过变分模态分解(VMD)对振动信号进行分解得到不同时间尺度的分量信号,然后对各分量信号分别提取盒维数、信息熵特征,并进一步通过主分量分析(PCA)对上述两种特征进行融合,得到累计贡献率的前3个主分量组成的融合特征,最后通过概率神经网络PNN分别对上述三种特征进行分类比较,结果表明融合后的特征对供输弹系统3种工况有更高的正判率,对供输弹系统早期故障预兆更敏感,能对供输弹系统早期故障作出有效诊断。