截齿磨损程度的多特征信号融合识别研究

为了解决采煤机开采过程中截齿磨损程度在线监测和状态识别的工程难题,提出一种基于多特征信号融合的截齿磨损程度识别方法。搭建截齿磨损程度监测实验台,分别测试提取不同磨损程度截齿截割过程中的振动加速度信号、声发射信号、红外热像信号和电机电流信号,建立了截齿截割的多传感信号数据样本库;针对数据样本库中两相邻磨损状态截齿特征样本存在数据交集、系统识别精度低的问题,构建最小模糊度优化模型并计算各特征信号的最优模糊隶属度函数,获取特征样本最大隶属度。构建截齿磨损程度的神经网络识别模型,运用多特征数据样本对Back-Propagation（BP）神经网络进行学习和训练。实验结果表明：BP神经网络识别模型的识别结果和试样的实际磨损程度类别相同,此识别模型能够对截齿磨损程度类型进行实时监测和准确识别。研究结果为实际工程中截齿监测和更换提供了解决方案。     

基于改进GM(1,1)-Markov模型的国内生产安全事故预测研究

为准确预测我国生产安全事故发展趋势,本文在传统GM(1,1)模型和马尔科夫模型的基础上,结合二者优点提出改进灰色马尔科夫预测模型,并以2005—2018年全国生产安全事故起数为原始序列探讨了改进模型的实际应用。区别于传统灰色残差修正理论,选取灰色模型预测结果的相对误差作为修正指标,2次应用马尔科夫模型对相对误差状态和误差符号状态进行优化预测,并使用平均相对误差和小概率误差对模型进行精度检验。结果表明,改进GM(1,1)-Markov模型预测结果的相对误差为3.0%,较单一灰色预测模型预测误差减少19.5%,预测精度显著提高,同时预测得到2019年我国生产安全事故起数为479。     

基于信息融合的刀具磨损状态智能识别EI北大核心CSCD

采集声发射和振动加速度信号,搭建了数控车床刀具磨损状态多信息数据采集系统;用正交试验法采集相关数据并分析了不同切削条件、不同刀具磨损程度下数控车削加工过程中的声发射和振动信号;用小波包分解法提取了声发射和振动信号的最佳特征频段作为识别刀具磨损的特征参量,采用BP神经网络将数控切削过程中刀具磨损的声发射与振动信号特征信息进行融合,研究了数控车削刀具磨损状态的智能识别技术。     

基于信息融合的刀具磨损状态智能识别

采集声发射和振动加速度信号,搭建了数控车床刀具磨损状态多信息数据采集系统;用正交试验法采集相关数据并分析了不同切削条件、不同刀具磨损程度下数控车削加工过程中的声发射和振动信号;用小波包分解法提取了声发射和振动信号的最佳特征频段作为识别刀具磨损的特征参量,采用BP神经网络将数控切削过程中刀具磨损的声发射与振动信号特征信息进行融合,研究了数控车削刀具磨损状态的智能识别技术。     

灰色-马尔科夫模型在风电场风速预测中的应用

提出一种灰色-马尔科夫综合风速预测模型。该模型由灰色GM(1,1)模型使得小时风速序列数据近似平稳,然后由马尔科夫模型通过状态转移概率矩阵预测风速。仿真结果验证了所提方法的有效性。     

多激励下新型纵轴式掘进机的纵向振动特性预测

针对目前掘进机截割时因产生大量振动而导致零部件受损及稳定性降低的问题，基于纵向截割工况，对新型纵轴式掘进机的振动特性进行分析和预测。首先，对掘进机截割头的受力进行分析，并运用Bekker沉陷理论对履带受力进行分析。然后，将履带与底板之间的接触力和截割载荷作为外部激励，采用拉格朗日方程建立掘进机的纵向非线性动力学模型。接着，基于Runge-Kutta变步长算法，利用MATLAB软件对掘进机动力学模型进行求解，并将求解结果与实验结果进行比较，验证了动力学模型的正确性。最后，利用所构建的动力学模型对不同支稳机构刚度下掘进机关键部位的振动位移进行预测。结果表明：在多个外部激励的复合影响下，掘进机整机的振动处于混沌状态，其横滚振动位移很小，俯仰振动占主导地位；随着支稳机构刚度的递增，掘进机关键部位的振动位移呈显著减小趋势，当支稳机构的刚度增大至初始刚度的3倍时，掘进机机身的振动位移减小了29%，截割臂振动位移减小了22%，截割头振动位移减小了20%。研究结果证明增大支稳机构刚度可有效减小掘进机的振动响应，这可为掘进机的稳定性提升和结构优化提供理论依据。     

纵轴式掘进机振动特性研究

为研究纵轴式掘进机截割煤岩时的振动特性,对掘进机振动源进行分析,发现截齿在截割过程中受到的非线性瞬时冲击是造成掘进机振动的主要扰动源,通过建立复杂煤岩条件下截齿的力学模型,利用MATLAB编制了计算截割头瞬时载荷的模拟程序,模拟出横摆工况下截割头受到的冲击载荷,将其导入在协同仿真环境下建立的纵轴式掘进机刚柔耦合振动模型中,对其进行受迫振动分析,识别出系统的主要模态参数以及容易被激发的振型;分析其动态响应特性,确定了对整机振动影响较大的频率;同时对回转台进行谐响应分析,找出其薄弱环节。分析结果对研究纵轴式掘进机的振动特性和耐冲击、抗振能力的提高具有重要的参考价值。     

基于组合预测模型的铁路集装箱运量预测

为了克服单项预测模型的单一性和片面性等缺点,本文应用组合预测模型对铁路集装箱运量进行预测,以提高预测的准确性。通过对运量的历史数据分别采用多项式曲线模型和灰色预测模型建立单项预测模型,再利用径向基神经网络对两个单项预测模型的结果进行组合预测。研究结果表明,相比于两单项预测方法,组合预测方法所得运量的相对误差分别提高了3.19%和12.76%。最后,应用马尔科夫链模型对组合预测的结果进行分析和修正,增加预测结果的可靠性。     

基于Gamma退化过程的直升机主减速器行星架剩余寿命预测模型

鉴于Gamma过程具有平稳、独立增量等退化建模所需的属性,将其用于描述设备退化过程,并针对缺乏故障数据时难以进行剩余寿命预测的问题,利用设备运行中采集的表征其退化状态的大量间接状态参数和少量直接状态参数,建立了基于Gamma退化过程的剩余寿命预测模型;针对经验最大化算法中似然函数难以解析求解的问题,引入粒子滤波算法实现了模型参数估计;最后将模型应用于直升机主减速器行星架的剩余寿命预测,得到了不同时刻的预测结果及95%置信区间,验证了预测模型的有效性和准确性。     

基于KS-GS-SVR的峰值爆破振速预测

为了保证爆破作业时周围建筑物的稳定，需要提高对峰值爆破振动速度预测的准确性。运用Kennard-Stone算法优化训练样本，采用网络搜索算法获得支持向量回归机的最优惩罚系数和核函数参数，构建KS-GS-SVR的峰值爆破振速预测模型。结合湖北铜录山现场露天台阶爆破的振速实测数据，选取影响爆破振动速度的8个主要因素作为模型的输入变量，运用KS-GS-SVR模型进行峰值振速预测，并将KS-GS-SVR模型预测结果分别与GS-SVR、KS-GA-BP、KS-萨氏公式模型预测结果对比分析。结果表明，相比于GS-SVR的预测结果，KS-GS-SVR模型预测结果的平均相对误差降低了4.31%,说明Kennard-Stone算法通过优化训练样本提高了预测精度。KS-GS-SVR模型预测结果的平均相对误差为12.17%,明显低于其他模型，说明KS-GS-SVR模型学习和泛化能力更强，预测精度更高。所构建的预测模型可供类似工程爆破振速峰值预测借鉴。     

掘进机截割头截割性能数学模型的研究

为对掘进机的截割头进行优化设计,通过分析掘进机在工作过程中的性能参数,建立掘进机截割头的数学模型,计算出理想情况下掘进机截割头的截割功率、生产率,掘进截割速度、截割头的转矩、瞬时截割率以及截齿消耗。通过Matlab软件对仿真数据和实测数据进行对比分析,验证所建立的数学模型可以作为掘进机性能预测的方法。     

乏信息条件下滚动轴承振动性能可靠性变异过程预测

提出变异概率、变异速度和变异加速度等新概念,基于最大熵原理和泊松过程建立可靠性预测模型,对滚动轴承振动性能可靠性的变异过程进行预测。运用最大熵原理,计算本征序列中性能数据的概率密度函数;根据泊松过程,获得细分后时间序列中性能数据落在本征序列置信区间之外的变异个数和变异概率;对时间进行离散化处理,计算各个时间序列振动性能可靠性的变异速度和变异加速度。以滚动轴承(SKF6205)为例,进行滚动轴承振动加速度实验。试验结果表明,随着磨损直径的逐渐增大,可靠性变异概率呈非线性增长的趋势,总体上可分为初级磨合阶段、正常性能退化阶段和性能恶化阶段。而且,该可靠性预测模型可以分析乏信息条件下可靠性的变异过程,为现有的可靠性方法做出有益补充。     

超声振动辅助磨削牙科氧化锆陶瓷切削力预测模型研究

通过单因素实验设计,开展了牙科氧化锆陶瓷的超声振动辅助磨削实验,分别建立了超声振动辅助磨削加工切削力指数预测模型、BP神经网络预测模型以及理论预测模型。通过验证实验对比分析了三种模型的预测精度,并阐明了误差产生的原因。结果表明,基于BP神经网络的切削力预测模型相对于指数和理论模型具有较高的预测精度,其平均相对误差仅为9.60%,理论模型因未能考虑材料的塑性流动去除,导致预测精度较低。     

车用电子设备电子器件寿命组合预测

为了得到更合理、准确的车用电子设备电子器件寿命预测结果,基于车用电子设备电子器件寿命数据,结合现代新的预测理论技术,提出一种指数回归-灰色理论相结合的组合预测模型．实际应用情况表明,指数回归-灰色理论相结合的组合预测模型在2个预测步长内,组合预测的相对误差在1．0%内,比单个预测的精度要高得多．     

基于HMM和优化的PF的数控转台精度衰退模型

针对数控转台精度衰退状态缺乏有效的评估方法的问题,提出一种数控转台重复定位精度衰退趋势预测模型,该模型结合了隐马尔科夫(Hidden Markov Model,HMM)算法和粒子滤波(Particle Filtering,PF)算法,其中粒子滤波算法使用粒子群算法(Particle Swarm Optimization,PSO)优化了初始参数。选择了从数控转台精度衰退加速寿命试验中获得的振动信号作为研究数据。通过聚合经验模态与主成分分析(EEMD-PCA)算法对原始信号降噪,并提取含有故障特征的信号进行信号重构;使用统计特征量作为观察值训练获得HMM模型,对数控转台精度衰减做出早期诊断,并由此获得数控转台精度健康状态指标;使用粒子滤波算法建立数控转台精度衰退预测模型,并预测精度的剩余寿命。在以第50组数据为预测起始点时,预测的剩余寿命为21,实际测量的结果为17,相差4,比较接近。综合分析模型计算与试验测量的结果表明,该模型可有效地预测数控转台精度的变化趋势和剩余寿命     

基于模糊神经网络与主成分分析的磨削表面粗糙度在线预测

基于声发射和振动信号提出了一种模糊神经网络和主成分分析的表面粗糙度预测方法,以提高磨削过程中工件表面粗糙度识别的准确性。首先,采集磨削程中声发射与振动信号,提取相关时域特征、频域特征和小波包特征参数,利用主成分分析对特征量进行降维优化;然后,构建表面粗糙度模糊神经网络预测模型,将信号特征量与表面粗糙度作为模糊神经网络的输入和输出;最后,对模型进行训练,并对表面粗糙度预测精度进行验证。实验结果表明:通过主成分分析(PCA)方法对声发射和振动信号特征量进行降维得到5个主成分,以此建立的模糊神经网络表面粗糙度预测模型的效果精度可达到91%以上,与局部线性嵌入和多维标度法降维方法相比,PCA方法降维后的特征所含信息更优,预测准确度更高。     

基于ACOR-LSSVM算法的爆破振动速度预测

由于工程地质条件复杂,传统的方法很难准确预测爆破振动速度。引入连续域蚁群算法(ACOR),对最小二乘支持向量机(LS-SVM)进行参数优化,构建连续域蚁群最小二乘法爆破振动速度预测模型(ACOR-LSSVM)来提高预测精度。结合白鹤滩水电站左岸坝肩槽开挖过程中的40组爆破监测数据,分别采用ACOR-LSSVM、LS-SVM模型与萨氏公式进行爆破振动速度预测,三者的平均绝对相对误差分别为3.16%、10.07%、22.96%。相比之下,ACOR-LSSVM模型预测精度更高,泛化能力更强,在爆破振动速度预测中具有一定的理论意义和工程应用价值。     

基于GEP的爆破峰值速度预测模型

针对施工中爆破振动危害严重、振动峰值速度难以预测问题,选用基因表达式编程(Gene Expression Programming,GEP)算法以My Eclipse为开发工具,建立基于GEP的爆破峰值速度预测模型。取实测数据进行预测,并与萨道夫斯基经验公式与模糊神经网络模型预测结果对比。结果表明,三者平均相对误差分别为8.8%、11.3%及27.9%。由此证明GEP模型预测爆破峰值速度可行,亦为爆破振动预测提供新思路。     

基于人工智能方法的地下洞室群爆破振动速度预测

特大断面地下洞库爆破开挖工程中涉及到众多的影响因素,为了较准确地预测出爆破振动速度,引入支持向量机理论,建立最小二成支持向量机爆破振动速度预测模型(LS-SVM模型),该模型利用结构风险最小化来提高求解问题的速度和精度。采用该模型对某地下水封LPG洞库工程进行爆破振动速度预测,并与传统的萨道夫斯基回归公式模型(萨氏模型)和模糊神经网络模型(FNN模型)进行对比分析。分析结果表明:LS-SVM模型、FNN模型与萨氏模型的全局均方根相对误差RMSRE分别为4.68%、14.42%与19.33%;LS-SVM模型有14组数据满足预测模型泛化能力误差阀值(6%)的要求,而FNN模型与萨氏模型均不满足要求。因此LS-SVM模型在爆破振动速度预测中的预测性能和泛化能力均优于FNN模型及萨氏模型,可为多因素影响下类似工程爆破振动速度预测提供借鉴经验。     

基于改进的灰色理论预测铅锌烧结过程综合透气性

针对铅锌烧结过程中影响烧结综合透气性的因素具有不确定性以及目前已知的预测模型存在建模过程复杂的特点,利用改进的灰色理论来建立其预测模型.首先,考虑到灰色理论能在一定程度上降低不确定性带来的影响以及建模过程简单,建立了基于灰色理论的综合透气性预测模型.接着,针对建模数据序列的单调性改变后传统灰色理论不能及时跟踪数据序列变化的情况,根据建模数据序列单调性改变后的数据个数以及结合具体的单调性改变情况,提出了相应的修正公式,对传统灰色理论的预测结果进行适当的修正.实验结果表明,所提出的改进灰色理论比传统的灰色理论能在一定程度上提高预测精度.