基于灰色支持向量机模型的滚动轴承故障诊断与预测方法

提出基于GM(1,1)-SVM的滚动轴承故障诊断及预测方法.首先,提取滚动轴承各类故障和正常状态下振动信号的时域及频域特征值,然后,选取重要特征参数建立预测模型,进行特征值预测;最后,使用轴承各类故障特征值和正常状态特征值训练二叉树支持向量机,构造滚动轴承决策树,判别故障,实现对故障类型的分类,从而达到对轴承故障诊断,并通过预测值与支持向量机实现故障预测的目的,突破传统算法不能有效预测轴承故障的局限性.     

复杂系统状态预测的小波包方法

基于小波包变换和混沌理论对复杂系统状态预测方法进行了研究.首先应用小波包变换对系统的特征参数序列进行3层分解,得到第3层从低频到高频8个频率成分的时序;然后,对8个时序作进一步分析,以确认它们都存在混沌特性,再应用混沌理论分别建立8个时序的预测模型,分别对8个时序进行预测;最后,基于小波包理论将混沌模型预测的结果予以小波包重构,实现对系统特征参数序列的预测.实例研究表明,该方法具有较高预测精度,可有效地应用于复杂系统的状态预测和故障趋势预测分析中.     

基于长短期记忆网络的Vienna整流器故障预测

为了掌握Vienna整流器的健康状态,提出基于长短期记忆（LSTM）网络的Vienna整流器故障预测模型。通过对电容和功率MOSFET的退化与故障特征分析,建立Vienna整流器整体电路性能和关键元器件退化之间的关系,选择输出电压变化值ω为整流器的故障特征参数。在此基础上,构建基于LSTM的Vienna整流器故障预测模型,采用Adam优化算法训练预测模型,实现对Vienna整流器故障特征参数的预测。仿真结果表明,该模型预测结果的均方根误差为0.123 3,平均绝对百分误差为0.101 8,该模型的预测精度较高,能够较好地实现Vienna整流器的故障预测。     

小波和余弦变换的电机轴承故障特征参数构造

针对传统故障诊断特征参数的应用缺陷,提出了一种小波和余弦变换的感应电机轴承故障特征参数提取方法.首先,根据感应电机轴承振动信号的特点选择合适的小波滤波器和信息代价函数,并将感应电机轴承振动信号分解到各个不同的频域子空间;然后,基于离散余弦变换的频域能量聚集性对分解后的信号构造感应电机轴承故障特征参数,并对实际感应电机轴承正常、内圈故障、外圈故障和滚珠故障4种状态的振动信号进行分析,验证了所构造的特征参数能有效地实现电机轴承的早期故障检测与诊断;最后,与传统故障诊断特征参数方法进行了比较,说明所提出的特征参数构造方法对于感应电机轴承早期故障的诊断优于传统故障诊断特征参数方法.     

全矢支持向量回归频谱预测方法

为了对机械设备进行故障类型和故障部位的准确预测,提出了全矢支持向量回归的频谱预测新方法.该方法使用全矢谱信息融合技术对同源双通道信号进行信息融合,采用支持向量回归对全矢谱特征参数进行预测,保证了训练数据信息的全面性以及预测结果的准确性.该方法对振动信号的频谱结构分布情况进行准确预测,从而为对机组的故障类型和故障部位预测奠定技术基础.通过对某1 000MW汽轮机轴振进行频谱预测验证结果表明,该方法在对振动信号频谱结构特征进行预测方面具有较高的预测准确性.     

基于Linux/QT的火控系统故障预测的设计与实现

针对通用型火控系统故障预测问题,提出一种基于时间序列和专家系统相结合的故障预测方法,并在Linux下利用QT、MySQL设计与实现.该方法是基于概率统计的故障预测,利用历史数据进行分析,结合专家系统丰富的知识,对系统模块进行预测及结果分析.实验结果表明:这种故障预测算法实现了对火控系统有效的故障预测.     

复杂系统状态预测的小波包方法

基于小波包变换和混沌理论对复杂系统状态预测方法进行了研究，首先应用小波包变换对系统的特征参数序列进行3层分解，得到第3层从低频到高频8个频率成分的时序；然后，对8个时序作进一步分析，以确认它们都存在混沌特性，再应用混沌理论分别建立8个时序的预测模型，分别对8个时序进行预测；最后，基于小波包理论将混沌模型预测的结果予以小波包重构，实现对系统特征参数序列的预测，实例研究表明，该方法具有较高预测精度，可有效地应用于复杂系统的状态预测和故障趋势预测分析中。     

基于支持向量机和盒维数的滚动轴承状态预测

针对轴承在运行过程中状态难以预测的问题，提出一种基于最小二乘支持向量机(LSSVM)结合分形盒维数的方法预测滚动轴承状态。首先，分析滚动轴承在正常和三种故障状态下的盒维数和峭度值；然后，分析盒维数和峭度值对轴承运行状态的描述；最后，借助改进LSSVM预测轴承信号的盒维数和峭度值。实验结果表明，分形盒维数能对正常状态、内外圈及滚动体故障进行区分，结合峭度值能提高分类识别效果，改进的LSSVM方法能准确地预测特征参数，从而实现对轴承状态的预测。     

基于BP神经网络的变频器功率变换主电路故障诊断研究

提出一种基于BP神经网络的变频器功率变换主电路故障诊断方法。通过对变频器功率变换主电路的故障类型及原因进行分析，提取了反映故障状态的四个特征参数。利用BP神经网络，采用自适应学习速率动量梯度下降BP算法，实现了故障模式的模式识别。     

基于极限学习机的光伏逆变器软故障辨识方法

针对光伏逆变器软故障的诊断问题,提出了一种基于极限学习机的逆变器电容退化程度诊断方法。提取逆变器电容信号的统计特征参数作为故障特征,利用极限学习机实现电容参数的辨识,确定逆变器的电容软故障。实验结果表明,基于故障信号的统计特征,运用极限学习机实现特征参数辨识的方法,具有抗干扰性强、诊断速度快、诊断精度高等优势,而且检测信号易获取,诊断成本低,适合用于在线诊断。     

基于灰色GM（1,1）模型的城市用水量预测

介绍灰色理论建模原理和模型参数辨识方法,并以实例（新疆阿克苏市1990~2000年城市用水量资料）建立灰色GM（1,1）预测模型,运用残差检验、后验差检验以及关联度检验3种方法对模型进行精度检验,其模型拟合精度为99%。用所建立的模型对阿克苏市2001~2005年城市用水量进行预测。结果表明,该灰色模型用于城市用水量预测,符合其灰色特性,通用性好,并且所需数据少,计算量适中,预测结果与实际情况比较吻合。     

直线螺管形电磁铁吸力特性的改善

普通的螺和电磁铁其吸力－行程特性按指数规律变化，本研究以吸力特性平坦化为目的，通过改变磁路的形状，来改善吸力特性。借助于有限元素法进行计算机模拟分析，使得在最小行程时的吸力减小５倍，而最大行程的吸力增大１倍。吸力特性被明显改善。     

一种基于PCA和相关向量机的锂电池在线寿命预测方法研究

针对已有基于相关向量机对锂离子电池进行在线寿命预测因考虑因素单一而导致预测精度不理想这一问题,提出了一种基于主元分析（PCA）的特征因素变量加权建构的方法。该方法首先将多种特征因素变量作为研究对象,找到其线性变换后的得分向量所构矩阵;分析其不同得分向量对原变量数据矩阵特征覆盖程度,进一步加权构建融合得到相应特征向量。将所得向量作为输入,经相关向量机建立预测模型并进行锂离子电池寿命在线预测,最终得到预测结果。采用国际公用电池数据作为研究对象,通过MATLAB软件验证了有多变量预测电池寿命的可行性,结果表明预测效果较好。     

设备状态检修中的灰色预测方法

预测方法是建立在大量的统计数据基础上,而灰色预测方法只用较少的已知信息就可以对特征值的发展变化进行建模和预测.本文采用的灰色等维新息预测方法通过"弃旧纳新",可以提高预测的精度,而不使计算量增加.该方法为等间距、短间隔、长时间预测的特征值数据"爆炸"问题提供了有效的解决手段.研究证明,该方法计算简单,精度高.     

基于群体特性的建筑物震害预测方法

为了在震害预测工作中能够挖掘大数据下的群体特性并用适当的参数进行表征,首先,定义群体特性参数并提出了震害累计概率数学模型;其次,通过对样本单元数据的回归分析及迭代计算,在一定精度范围内求得反映样本单元群体特性的参数均值,并通过样本震害结果进行可靠性检验;最后,把这些参数用于目标单元震害模型计算,从而得到相应的震害预测结果.同时,通过一个实例验证了该方法的可靠性与可行性.     

电压互感器宽频传递特性的时域测量方法

变电站一次回路开关操作会在高压母线上产生快速瞬态过电压,该过电压会通过电压互感器(PT)或电容式电压互感器(CVT)耦合到二次回路中,从而在二次回路中产生干扰电压。为了预测这个干扰电压,必须获得PT或CVT的宽频传递特性。介绍了一种可测量PT或CVT电压宽频传递特性的时域测量方法,该方法利用sinc信号作为电压源。实测结果表明该方法是有效的。     

高斯过程回归补偿ARIMA的网络流量预测

为提高网络流量时间序列的中期预测精度,提出一种高斯过程回归模型补偿自回归积分滑动平均(ARIMA)模型的网络流量预测模型.首先通过Brock-Dechert-Scheinkman统计量检验方法确定网络流量时间序列包含线性特征与非线性特征;然后利用ARIMA模型对网络流量时间序列进行非平稳建模,得到符合网络流量序列线性变化规律的模型,并通过人工蜂群算法优化的高斯过程回归模型对具有非线性特性的预测误差序列进行建模与预测;最后将ARIMA模型的预测值与高斯过程回归模型的预测误差值进行相加得到最终的网络流量预测值.仿真对比实验结果表明,提出的预测方法具有更高的预测精度和更小的预测误差.     

基于ARIMA的磨削颤振预测方法

磨削颤振会加剧砂轮的磨损并对磨削加工质量造成严重影响,甚至会对磨床本身造成破坏。为了避免磨削颤振的发生,提高磨削加工效率,通过对磨削过程振动信号进行分析,提取固有频率频带能量百分比R作为磨削颤振的特征量,提出一种基于自回归积分移动平均( autoregression integrated moving average, ARIMA)模型的磨削颤振预测方法。试验结果表明：在磨削过程中,固有频率频带能量会随着磨削状态的变化而变化,利用稳定磨削状态下的固有频率频带能量百分比建立 ARIMA预测模型,预测结果与真实值十分接近,能够准确预测磨削颤振的发生。     

电离层电波信号衰减的混沌时间序列预测

电波信号穿过电离层传播时,由于电离层的作用将使得电波信号产生一系列的失真.分析了传统混沌时间序列预测的理论和方法,并分析了电波信号穿过电离层的时间序列特征,发现该时间序列具有混沌时间特征,进而在传统的混沌时间序列预测的基础上,给出了一种更适合于电离层电波衰减时间序列预测的方法.同时,利用它预测了一组电波信号穿过电离层的时间序列特征,并分析了其预测精度.结果表明,利用修正的混沌时间序列预测方法预测的电波信号穿过电离层衰减的时间序列,其短期的预测效果很好.     

基于控制图的磨削颤振预测方法

为了预测磨削过程中颤振的发生,提出一种基于休哈特控制图的磨削颤振预测方法.该方法基于统计质量控制中所遵循的"Kσ"原则来绘制颤振传感信号特征量的控制图,以监测识别磨削振动中不稳定性信号成分,达到快速准确预测磨削颤振的目的.首先,根据磨削加工过程中颤振信号的频谱分析得到颤振发生的敏感频段,以该频段能量占整个分析频段能量的百分比作为颤振特征量.然后,以平稳磨削过程振动信号的颤振特征量为统计特性值绘制控制图,并计算其均值和方差,进而得到控制图的上、下控制界限值.最后,利用控制图的判断准则对统计特性值是否发生异常波动进行判别,从而实现颤振预测.实验结果表明:基于控制图的磨削颤振预测方法能够准确地预测颤振的发生.