基于ARIMA 和SVR 的滚动轴承状态预测方法研究

滚动轴承作为多种机械设备的关键零件,其运行状态的好坏往往影响着整机设备的运行状况,因此高精度的滚动轴承状态预测对整机设备的运行状态有着重要的意义。针对滚动轴承单一预测模型精度较差的问题,构建一种基于时间序列ARIMA和支持向量回归机SVR理论的组合预测模型。首先针对单一模型进行预测,应用误差平方和倒数法得到两种预测模型的权重结果,最终将该组合模型的预测结果分别与单一预测模型作比对分析。结果表明：该组合预测模型的预测误差均小于单一模型,具有较高的可靠性。     

输气管道腐蚀的最优灰色组合预测模型

    在不等时距序列灰色预测的基础上,提出了适用于输气管道腐蚀的不等时距最优组合灰色预测模型.首先,选用两种模型精度较高的不等时距灰色预测方法建立了输气管道腐蚀预测的单项模型,然后,利用最小二乘意义下的模型误差最小化方法确定出各单项灰色预测模型的权重,建立了最优组合预测模型.此预测模型综合利用了参与组合的各单一模型的有效信息,因而可以更加客观地反映输气管道腐蚀变化趋势.通过实例对比分析结果表明,此模型预测精度较高,可以作为输气管道腐蚀预测的有效工具.     

基于LSTM与ARIMA组合模型的高炉煤气产生量预测

通过分析煤气产生量的数据特点,采用LSTM循环神经网络和ARIMA两种预测模型建立钢铁企业高炉煤气产生量预测模型,经验证LSTM模型性能明显优于BP神经网络,但是其预测结果值比真实值普遍偏低,而ARIMA模型的预测结果值比真实值普遍偏高。基于上述现象,提出了一种基于LSTM与ARIMA组合预测模型,将两种模型的预测结果采用CRITIC方法进行融合处理。结果表明,组合模型明显改善了两种模型在预测特性上的弊端,将预测结果的均方根误差减小为2.325,更贴近真实值,提高了预测精度。     

基于改进PSO-SVR的多轴承健康寿命协同预测

为提高轴承剩余使用寿命预测精度,提出一种基于改进PSO-SVR的轴承剩余使用寿命预测方法。选取轴承水平和垂直方向振动信号均方根、峰值因子、峭度因子等参数构造多维退化特征,建立基于SVR的轴承剩余使用寿命预测模型;针对SVR参数优化问题,设计一种动态自适应异步粒子群优化算法,引入Gworst修正了速度位置更新公式,改进了一种基于倒S形函数的自适应惯性权重系数和一种基于惯性权重系数的异步自适应学习因子,能够有效克服局部最优,加快收敛效率,提高回归精度。仿真实验结果表明：提出的方法与GS-SVR、GA-SVR、PSO-SVR、MPSO-SVR相比,具有较高的预测效率和预测精度,预测精度均优于GBDT、RF、DT、GP等经典回归预测方法。     

基于ADASYN和Swin Transformer的滚动轴承故障诊断研究

针对实际工况下,正常样本丰富、故障样本稀缺的类别不平衡情形,导致基于深度学习的故障诊断模型诊断能力较差这一问题,提出一种基于自适应综合采样方法(ADASYN)和Swin Transformer的故障诊断模型。使用自适应综合采样方法,改善数据分布,解决实际工况中故障样本与正常样本类别不平衡问题;使用Swin Transformer网络模型代替CNN网络 ,并使用深度迁移学习方法,使Swin Transformer网络模型掌握判别滚动轴承故障所需的浅层权重,深层权重通过反向传播方法训练获得;之后,将模型用于轴承故障测试,并对其进行调试;最后,将模型用于轴承故障实测,检验其实际工况下的诊断能力。实验结果表明：所提模型具有97%的诊断准确率,能够很好地适用于类别不平衡情形下的滚动轴承故障诊断。     

基于BAS-BP模型的轴承剩余使用寿命预测

为有效评估轴承退化趋势,提高设备健康管理的智能化,提出一种基于BAS-BP模型的轴承剩余使用寿命预测方法。提取轴承全生命周期振动信号的时域和频域特征,构建18维退化特征;为提高神经网络的预测精度,采用天牛须搜索算法对初始权重和阈值进行优化,建立BAS-BP预测模型;通过在公开数据集上验证该模型的有效性。结果表明：所提模型可对轴承剩余寿命进行有效预测且精度较高。     

基于深度循环神经网络的大规模风力发电功率预测

本文针对目前风力发电功率预测存在超短期、精度差等问题,通过分析大规模风力发电功率特性和风电预测时间序列特性,提出以深度循环神经网络进行预测,结合小波系数多尺度分析的隐马尔可夫预测方法,将深度学习引入到循环神经网络中来,构建基于多尺度隐马尔可夫模型-深度循环神经网络模型的大规模风力发电功率预测模型(MHMM-DRNN)。实例验证相对误差平均值:BP神经网络模型约为31.56%,在预测过程中误差最大,ARMA模型约为23.20%,小波分析约为26.11%,而MHMM-DRNN预测模型约为16.85%,具有较好的实用性。     

基于特征融合与HPO-RVM的滚动轴承剩余寿命预测

为准确预测轴承的剩余使用寿命,提出基于特征融合与猎食者-猎物优化(HPO)算法优化相关向量机的轴承剩余寿命预测方法。提取时域、频域和时频域特征准确描述轴承的退化状态,利用综合评价指标对提取的特征进行筛选得到敏感特征集;采用核熵成分分析对敏感特征进行自适应融合,得到轴承的退化特征;构建混合核函数作为相关向量机的核函数以提高模型预测性能;最后,利用HPO算法得到混合核函数的参数,将寻优得到的参数用于寿命预测模型的训练。通过对轴承加速退化数据集进行实验,结果表明：所构建的寿命预测模型优于BP、ELM、SVM等模型,构造的混合核函数模型优于高斯核函数模型,采用的优化算法优于粒子群、遗传算法等。     

基于PSO-BP模型的5083铝合金力学性能预测

为准确预测5083铝合金热力学参数与其流变应力之间的关系,基于PSO优化BP神经网络方法提出了PSO-BP铝合金性能预测模型,并对BP模型和PSO-BP模型预测结果进行了对比与分析。结果表明:PSO-BP模型预测值与试验值的吻合度高于BP模型,更能准确地反映铝合金在不同工艺条件下流变应力的变化规律; PSO-BP预测模型具有更快的收敛速度,达到BP预测模型的10倍以上;与传统BP模型相比,PSO-BP模型预测值的平均相对误差不到BP模型的50%,在低温和高温时更明显,且4种应变速率下其预测值与试验值的线性回归决定系数更接近于1,证明了PSO-BP模型对5083铝合金力学性能具有更高的预测精度。     

基于组合代理模型的零件表面形貌构建

针对当前零件表面形貌建模存在模型构建准确度低、需要测量点数量多的问题,提出一种基于组合代理模型的零件表面形貌构建方法。在模型构建方面,分别提出基于克里金模型和径向基函数模型的表面形貌构建方法,给出组合两种代理模型的整体思路,并引入交叉验证策略建立组合代理模型权重因子的确定方法。在实验方面,采用组合代理模型分别针对仿真数据和实际测量数据进行拟合,并以均方根误差、均方根标准预测误差为指标对组合代理模型进行评价。实验验证结果表明所提方法相对单一模型在零件表面形貌建模问题上模型精度更高,所需要测量点数更少。     

基于人工神经网络的Q235焊缝强韧性预测

采用正交试验L9(34)设计Q235钢的机器人焊接试验次数及焊接参数，通过拉伸试验和低温冲击试验分别获取9组焊缝抗拉强度和冲击吸收能量样本数据，并进行归一化处理；通过Matlab工具箱函数分别建立BP网络、RBF网络和Elman网络，在尝试性学习训练和泛化验证的基础上确定各网络的最佳结构及主要参数，即BP网络结构确定为3×10×2，RBF网络spread值设为2.4，Elman网络隐含层神经元数设为25个，进而比较分析和研究3种网络模型对Q235钢焊缝强韧性的预测精度和应用效果。结果表明，BP，RBF及Elman神经网络的平均相对误差均低于10%，可用于焊缝的强韧性预测，尤其对焊缝抗拉强度的预测精度相对较高；在样本条件下，相比于BP和RBF网络，Elman网络更加稳定，预测精度更高，综合预测效果最佳，对焊缝抗拉强度和冲击韧性的趋势性预测较为有效，能够反映焊缝强韧性的实际变化规律和趋势；引入机器人焊接和射线检测方法，提高样本数据的准确性和代表性，从而提高神经网络的预测效果。 创新点：(1)比较BP，RBF及Elman神经网络对Q235钢焊缝强韧性的预测精度和效果。 (2)采用机器人焊接、射线检测及正交试验，提高样本数据准确性和代表性。     

基于神经网络的药芯焊丝GMAW发尘率预测

焊接工艺对焊接发尘率有直接的影响,建立基于相关焊接工艺参数的焊接发尘率预测模型,预测特定焊接工艺的发尘率对控制和降低焊接烟尘的排放具有重要意义。鉴于焊接发尘率影响因素复杂,存在高度非线性特征,提出了基于神经网络的熔化极气体保护焊(GMAW)焊接发尘率的预测模型。通过药芯焊丝E501T-1发尘率实测数据,分别建立了BP和Elman神经网络模型,并采用遗传算法(GA)对2种神经网络进行了优化。基于15组实测数据的验证,结果表明,采用遗传算法优化后,BP和Elman神经网络模型的预测合格率分别提升了6.7%和13.4%,遗传算法优化的BP神经网络模型(GA-BP)的均方误差为586.21,平均绝对百分比误差为3.01%,均为4个模型中最小,其预测结果更为准确可靠。基于GA-BP模型所预测数据,对不同焊接电流和电弧电压的发尘率进行预测,在一定的焊接速度和保护气流量条件下,焊接电流约为170 A,电弧电压约为26 V时,焊接发尘率最小。 创新点： (1)将神经网络模型引入到焊接发尘率数值预测中,并通过遗传算法对神经网络的权值和阈值进行优化,提高了预测准确性和可靠性。 (2)根据优化后的模型的预测结果,分析了焊接电流和电弧电压对发尘率的影响规律,为进一步控制焊接发尘率提供了有益的指导。     

基于Elman网络算法的Inconel625合金堆焊稀释率的控制

文中建立了5-8-3结构的反馈Elman神经网络模型,以电弧长度、焊接电流、焊接速度、送丝速度和保护气流量为输入量,堆焊焊缝的熔宽、熔高和稀释率为输出量进行堆焊仿真计算分析.计算结果表明,Elman模型的预测结果比BP和GRNN神经网络更精确.建立了以电弧长度（X）、堆焊电流（Y）和送丝速度（Z）为空间坐标,堆焊稀释率δ等于f（X,Y,Z）为目标函数的四维图像来确定δ≤5%的堆焊工艺窗口.分别进行Elman模型仿真计算和堆焊工艺试验,得到的稀释率δ分别为2.55%和3.32%,仿真计算的稀释率的相对误差约0.8%,证实了Elman模型预测的Inconel625合金堆焊工艺窗口的可行性与可靠性.     

巴氏合金SnSb11Cu6蠕变力学性能研究

针对油膜轴承巴氏合金Sn Sb11Cu6工作过程中发生的蠕变,设计了Sn Sb11Cu6蠕变试验方法并对其进行了蠕变试验,分析了应力、温度、时间、应变和应变率之间的关系,获得了Sn Sb11Cu6的蠕变力学性能,同时基于试验数据对4种蠕变模型进行了对比分析,建立了基于Mc Vetty公式和Dorn公式的Sn Sb11Cu6蠕变模型,其相对误差仅为0.97%,应用ANSYS对蠕变试件进行了数值模拟,在稳态蠕变阶段模拟值与理论计算值的相对误差仅为0.77%。确定了所建立的蠕变模型用于描述Sn Sb11Cu6蠕变特征具有较高的精度,可为油膜轴承巴氏合金Sn Sb11Cu6蠕变寿命的预测提供理论与试验支持。     

人体下肢多关节连续运动的肌电预测方法

为了准确捕捉人体下肢关节在不同运动模式下的运动状态，提出一种利用肌电信号进行下肢多关节连续运动预测的方法。采集人体在蹲起运动、膝屈伸运动和上下阶梯运动时的肌电和运动数据进行处理分析，利用肌肉骨骼几何建模软件Opensim建立人体骨骼肌肉仿真模型，并进行逆运动学分析，提取人体下肢关节运动曲线。建立人体下肢在矢状面内的运动与肌电的映射关系，利用麻雀搜索算法优化Elman神经网络，实现对踝、膝和髋关节角度连续变化的预测，与传统的反向传播神经网络、支持向量机回归和Elman神经网络预测结果进行对比。结果表明：利用麻雀搜索算法优化的Elman神经网络在预测下肢关节角度变化中具有更高的精度，且该预测模型在不同运动模式下关节运动预测值与测量值均表现出一定的相关性，相关系数均大于0.89,证明利用肌电信号进行下肢多关节连续运动预测是可行的。     

基于改进Lemaitre损伤模型的圆锥滚子孔型斜轧过程损伤预测

根据圆锥滚子热斜轧成形过程中的特点以及轧件的受力状态分析,改进了传统的Lemaitre损伤模型,充分考虑了正、负静水压应力状态下损伤演化的差异性,以及应变速率和变形温度变化对损伤演化的影响。将改进的Lemaitre损伤模型借助SIMUFACT平台的二次开发技术嵌入到圆锥滚子孔型斜轧有限元模型中,创建了圆锥滚子孔型斜轧的损伤预测模型。同时,采用同样的建模技术建立了轴承钢球孔型斜轧损伤预测模型,并与文献中的实验结果对比,验证了改进的Lemaitre损伤模型的可靠性。圆锥滚子孔型斜轧损伤预测模型的模拟结果表明,圆锥滚子热斜轧过程中损伤程度较大的区域主要为连接颈轴心及靠近连接颈轴心的区域,而且滚子小端心部损伤程度明显大于滚子大端。     

基于小波 ARIMA的航空运输企业能耗预测模型

针对航空运输企业月度能耗进行预测，提出基于小波分析与求和自回归移动平均模型(ARIMA)相结合的混合预测模型。该模型根据航空运输企业月度能耗序列的特征，对其进行二尺度小波分解，对分解后的能耗序列根据自身规律分别进行ARIMA预测，重构各尺度序列的预测值得到最终预测结果。利用某航空运输企业2009年1月至2013年12月五年的月度能耗数据进行验证，结果表明:小波 ARIMA模型的预测精度高于ARIMA模型，对数据的波动性有较好的响应，提高了能耗序列的整体预测精度。