基于AOA-LSTM的施工升降机电机轴承剩余寿命预测

针对施工升降机电机轴承剩余寿命预测问题,提出一种基于算术优化算法（AOA）和长短时记忆网络（LSTM）融合算法的轴承剩余寿命预测方法。首先,对原始振动信号提取时域和频域特征指标,利用随机森林算法对提取的特征指标进行重要度分析,并构建退化特征决策表;然后,通过AOA优化算法优化LSTM中的超参数,选择最优超参数建立预测模型;最后,把退化特征输入预测模型中进行预测,并通过均方根误差（RMSE）和平均绝对误差（MAE）评估预测模型。XJTU-SY数据集实验验证,结果表明：AOA-LSTM模型RMSE和MAE分别为5.56%和4.37%,与MLP模型相比,RMSE和MAE分别降低31.58%和29.61%;与循环神经网络（RNN）模型相比,RMSE和MAE分别降低24.66%和25.49%,验证所提方法的有效性。     

基于贝叶斯优化Bi-LSTM的刀具磨损状态监测模型

针对刀具磨损在线监测过程中信号特征较弱、外界噪声干扰较大导致的预测准确度较差问题，提出了一种基于贝叶斯优化(BO)双向长短时记忆网络(Bi-LSTM)的刀具磨损状态监测模型。结合斯皮尔曼相关系数和最大互相关系数来筛选降噪后切削力信号的时域、频域及时频域特征，输入到建立好的Bi-LSTM模型进行训练；针对Bi-LSTM模型参数组合对精度影响大且难以选择的问题，采用贝叶斯优化算法进行超参数寻优；利用铣削加工实验对模型进行验证。结果表明，该方法能快速得到模型最优超参数，同时兼具稳定性和准确性，与其他深度学习模型相比，准确率更高，实验证明了该模型的有效性和可行性。     

多应力下电能计量设备基本误差预估

针对典型环境应力下电能计量设备基本误差受环境应力影响大,且多电应力间关系难以刻画的问题,提出一种改进粒子群长短时记忆网络(IPSO-LSTM)的电能计量设备基本误差预测方法。首先,对典型环境下多种应力数据进行归一化、数据集分配预处理;针对误差时序数据波动趋势,构建一种挤压LSTM网络结构以分析误差数据的变化趋势特征,以改善多应力数据下的模型非线性拟合能力;利用改进PSO算法对模型超参数进行寻优,减少模型超参数影响,增强模型预测效果。在实验部分,依据某公司的多个电能计量设备,结合新疆地区典型运行试验室测量的环境应力及其误差数据对所提出算法进行验证分析。结果表明,本文的样本预测精度指标RMSE分别达到1.08%和1.19%,MAE分别达到0.88%和0.96%。     

基于UKF的轴承剩余寿命预测方法研究

针对轴承从早期故障发生到失效的非线性退化问题,提出一种基于无迹卡尔曼滤波算法(UKF)的轴承剩余寿命预测方法。该方法包括轴承性能评估和剩余寿命预测两个部分。在性能评估部分,首先利用轴承振动信号建立反映其健康状态的指数,基于对正常工作时指数的学习获得用于判断轴承健康状态的异常阈值并截取出轴承从早期故障发生到失效这一性能退化阶段的数据;在剩余寿命预测部分,利用双指数函数拟合分析轴承退化数据,构建出与轴承退化过程相符的非线性状态空间模型,模型参数利用Dempster-Shafer方法进行初始化后采用UKF算法对其进行更新,并预测轴承的剩余寿命。基于轴承全寿命周期试验数据的分析,结果显示所提方法有效地评估了轴承的健康状况,通过对比分析其他剩余寿命预测方法,发现所提方法较好地预测了轴承的剩余寿命。     

基于IPIO-VME与ConvNeXt-Encoder-GRU的轴承剩余寿命预测

基于振动信号的轴承剩余寿命(RUL)预测在工业安全生产中具有重要意义,但该领域目前存在着模型构建难度较高、预测精度较低的问题;为完成自适应的特征模态提取和去噪工作,简化模型构建过程,提升预测效果,提出了基于改进鸽群算法的变分模态提取(IPIO-VME)算法和基于ConvNeXt-Encoder-门控循环单元(GRU)的轴承剩余寿命预测方法。首先,鸽群算法高效准确,适用于VME的参数选择,但容易陷入局部最优,因此利用自适应惯性权重、收缩包围机制、莱维飞行等方法对鸽群算法进行了改进,以提高收敛速度和全局收敛能力;然后,为实现自适应的模态提取目的,设计了IPIO-VME算法的目标函数,能够针对VME算法和轴承振动信号的特点,有效提取轴承振动特征;最后,针对模型构建繁琐、精度低的问题,提出了ConvNeXt-Encoder-GRU模型,采用间隔与连续采样的数据集构建方法,并使用联合振动数据和特征曲线的方法进行了寿命预测模型的构建,通过ConvNeXt模块提取振动特征,然后使用Transformer的Encoder模块提取趋势特征,并利用GRU进行了融合;还对该算法和预测模型进行了实验对比验证。...     

基于优化的组合协方差高斯过程的表面粗糙度预测

加工过程中产生的表面质量(如粗糙度)的数据序列包含多种特征,为能捕捉更多的数据特征,提高表面粗糙度的预测精度,提出采用组合协方差的高斯过程回归(CGPR)模型预测表面粗糙度,来捕捉数据特征中的线性特征和非线性特征;为获得CGPR模型的最佳超参数组合,采用人工蜂群(ABC)优化算法对超参数寻优,形成人工蜂群—组合协方差的高斯过程回归(ABC-CGPR)模型。通过45钢的车削试验,基于不同切削用量和刀具结构,建立了各类不同组合协方差的ABC-CGPR预测模型和单一协方差的ABC-GPR预测模型,并对比其预测性能,结果展示CGPR预测模型相比单一的GPR预测模型具有更高的预测精度,其中线性协方差函数与Matern协方差函数组合的预测精度最高,为实际加工中选取满意的预测模型提供了有效的指导。     

多策略改进麻雀算法与 BiLSTM 的变压器故障诊断研究

针对变压器故障诊断精度低的问题,提出了一种多策略改进麻雀算法(MISSA)与双向长短时记忆网络(BiLSTM)的变压器故障诊断模型。基于油中溶解气体分析(DGA)技术,结合无编码比值方法提取变压器9维故障特征作为模型输入进行网络训练,输出层采用Softmax函数得到故障诊断类型;采用Logistic混沌映射、均匀分布的动态自适应权重以及动态拉普拉斯算子来对麻雀搜索算法(SSA)进行改进;在初始解集内,利用MISSA对目标超参数进行寻优,使变压器故障诊断精度最优,并结合核主成分分析(KPCA)对故障特征指标降维,加快模型收敛速度。结果表明,提出的模型诊断精度为94%与PSO-BiLSTM、GWO-BiLSTM和SSA-BiLSTM故障诊断模型相比,分别提高了11.33%、8.67%、6%,验证了本文方法能够有效地提高变压器的故障诊断性能。     

基于BOHB-BP的增材制造成型件质量预测方法EI北大核心

表面粗糙度和拉伸强度是衡量熔融沉积制造(FDM)成型件质量的重要指标,但由于FDM工艺参数众多,且与FDM成型件质量之间呈现非线性关系,因此传统方法难以准确预测这两项指标。为此,提出一种贝叶斯超频道优化算法(BOHB)与BP神经网络相结合的FDM 3D打印成型件质量预测方法以提高预测精度与稳定性。将层厚、扫描次数和填充间隔这三个工艺参数作为模型的输入;利用BOHB算法对BP神经网络的超参数进行优化得到BOHB-BP模型;使用中心复合实验获取表面粗糙度和拉伸强度的实验数据,在以上两种数据集上根据留一法验证模型的精度与稳定性;将模型BOHB-BP与模型GA-BP和BP的预测情况进行对比实验,证明了所提方法在不同数据集上均有更好的预测精度与稳定性。     

预测轴承寿命的gate递归单元特征融合域自适应模型

采用现有的数据驱动模型对不同工况下的轴承剩余使用寿命(RUL)进行预测时,精度会大幅下降。针对这一问题,提出了一种基于门控递归单元特征融合领域自适应(GFFDA)模型的轴承RUL预测方法。首先,采用信号分析方法对轴承振动信号进行了特征提取,并采用特征评价的方法选择出了5个最优特征,在最优特征的基础上,采用粒子群算法优化后的支持向量机的方法对轴承的健康阶段进行了划分;然后,选择目标域和源域退化阶段的最优特征子集作为GFFDA模型的输入,采用源域数据对特征提取器和寿命预测模块进行了预训练;最后,更新了目标特征提取器和寿命预测模块,对目标域的RUL进行了预测;并使用西安交通大学的轴承数据集对该GFFDA模型的有效性进行了验证。研究结果表明：相比于现有的数据驱动模型,GFFDA模型具有更好的跨工况分析能力和更出色的信息提取能力;同时,在对变工况的轴承寿命进行预测时,采用GFFDA模型具有更好的性能。     

全电式炮控非线性系统模型预测控制器设计

全电式炮控系统是一个强非线性的复杂控制对象,由于存在摩擦力矩、参数摄动等不确定内部因素,常规控制算法难于对其实现精确控制。针对提高全电式炮控非线性系统控制的性能,本文提出了一种基于模型预测控制的全电式炮控系统控制方法,并把菌群优化算法应用到非线性系统模型预测控制器设计。通过对控制目标的分析,将输入受限的非线性预测控制器设计问题转化为控制器参数寻优问题,并利用菌群优化算法来对参数进行寻优,提高了系统控制性能。文中对算法的稳定性进行了分析,并通过全电式炮控非线性系统实例对算法进行了验证。结果证明了算法的有效性和可行性,为全电式炮控非线性系统模型预测控制器的设计提供了一种有效的途径。     

基于改进麻雀搜索算法的广义预测控制参数整定

针对多输入多输出(MIMO)的变风量空调(VAV)系统,提出一种基于改进麻雀搜索算法(ISSA)的广义预测控制(GPC)参数整定方法。首先,针对GPC控制器众多参数和系统性能之间关系复杂且难以同时整定的问题,提出通过麻雀搜索算法(SSA)进行参数整定以提高控制系统的性能指标。其次,针对传统SSA在适应度函数较复杂时存在收敛周期较长的问题,提出一种基于非线性增减种群规模的ISSA以缩短算法的收敛周期。同时,引入事件触发机制(ETM)避免ISSA算法陷入局部最优。最后,通过半实物实验平台验证了所提算法的有效性和鲁棒性。实验结果表明,与传统的SSA算法相比,ISSA收敛时间可减少18.61%,并且通过ISSA进行参数整定后GPC控制系统的调节时间可分别减少87.5%、90%。     

VMD与多重分形奇异谱的往复压缩机故障特征预测方法

对具有分形特征的复杂非线性时间序列的预测,核心问题表现为初始条件敏感性对系统动力模型的影响,该敏感性又决定了最大预测可信时间;笔者从信息熵角度引入预测可信时间,在对振动时序变分模态分解(Variational Mode Decomposition,VMD)的基础上,分析并提取各主模态多重分形奇异谱形态参数,构造基于相空间重构的KNN(K Nearest Neighbor)预测建模域,以变参数寻优角度建立预测算法;依上述预测算法对2D12往复式压缩机轴承中度磨损故障振动序列提取故障特征分量,多方法对比与误差分析表明,该算法能较准确反映系统状态演化趋势,可作为决策依据并为寿命预测提供有效数据支持。     

改进CHSMM的滚动轴承剩余寿命预测方法

针对连续隐半马尔科夫模型(Continuous hidden semi-Markov model,CHSMM)对滚动轴承剩余寿命预测精度低问题,提出一种基于改进CHSMM的滚动轴承剩余寿命方法。提取滚动轴承振动信号的时域、时频域特征向量,采用主成分分析(Principle component analysis,PCA)算法对特征向量进行降维;针对状态驻留时间概率密度函数不符合实际而引起的剩余寿命预测精度低问题,将高斯混合概率密度函数引入到CHSMM算法中,建立退化状态识别模型和剩余寿命预测模型。最后,将轴承全生命周期数据输入到模型中,得到轴承的退化状态和剩余寿命。试验结果表明,采用所提方法能准确的对轴承剩余寿命进行预测,与CHSMM算法相比,退化状态识别的正确率提高了12%,剩余寿命预测的正确率提高了23%。     

基于时空注意力机制的双向门控递归单元网络的轴承剩余使用寿命预测

提出一种基于时空注意力机制(TSAM)的双向门控递归单元(Bi-GRU)网络模型对轴承的剩余使用寿命进行预测。先利用时空注意力机制对轴承振动信号中的特征进行卷积提取,再将提取到的特征输入到堆叠的双向门控递归单元网络架构中进行剩余使用寿命的预测。数据集的验证结果表明,该网络模型的性能优于其他方法,且剩余使用寿命预测值更接近真实值,平均误差只有11.5%。     

基于数学形态学和IFOA-SVR的滚动轴承可靠度预测方法

为了保证滚动轴承运行状态可靠度的预测精度同时增加预测步长,提出一种数学形态学分形维数结合改进果蝇优化算法-支持向量回归(Improved fruit fly optimization algorithm-support vector regression,IFOA-SVR)的滚动轴承可靠度预测方法。提取振动信号的包络信号,计算该包络信号的数学形态学分形维数,将其作为滚动轴承性能退化状态特征。利用IFOA对SVR中的参数C、g以及ε同时进行寻优,建立IFOA-SVR预测模型。利用极大似然估计结合IFOA建立威布尔比例故障率模型(Weibull proportional hazard model,WPHM),进而得到可靠度模型。将退化状态特征作为IFOA-SVR预测模型的输入,采用长期迭代预测法获取特征预测结果,并将该结果嵌入到可靠度模型中,从而预测出轴承运行状态的可靠度。试验结果表明,利用所提方法对滚动轴承可靠度进行预测,能在保证预测精度的前提下增加预测步长。     

基于组合数据清洗与NL-ConvLSTM模型的多步风电功率预测

针对风电数据在采集与传输过程中会产生大量缺失值和异常值,采用DBSCAN算法和最优组内差分法(OIV)组合筛删异常值,随机森林(RF)算法填补缺失值,提升数据准确性;并建立基于以ConvLSTM为单元的编码-预测(EF)网络的风电多气象输入多步预测模型,为了更好利用气象特征信息,在ConvLSTM模型的输入侧添加具有自注意力机制的非局部(NL)模块增强数据特征表现,从而搭建组合数据清洗方法的NL-ConvLSTM多步风电功率预测模型。实验结果表明,该方法能够进一步提高风电功率多步预测精度和稳定性。     

动态状态空间模型及粒子滤波方法在滚动轴承寿命预测中的应用研究

针对滚动轴承物理模型难以准确建立,全寿命失效样本难以获取的问题,提出一种基于动态状态空间模型的滚动轴承寿命预测方法。该方法通过改进公式,构建模型参数定时更新的动态状态空间模型。将已知的滚动轴承运行状态数据输入动态状态空间模型,应用粒子滤波算法估计滚动轴承运行状态,实现滚动轴承寿命预测。运用滚动轴承全寿命实验数据对所提出方法进行验证,并将预测结果与Gamma模型预测结果对比分析,结果表明该方法优于Gamma模型预测方法,具有较强的工程实用性。     

基于数据分解与重构的光伏发电功率超短期预测

为进一步提高光伏发电超短期预测的精度,以数据分解重构和深度学习技术为依托,提出一种基于 CEEMDAN-DBN-Seq2Seq 的光伏发电功率超短期预测方法。首先利用具有自适应噪声的完整经验模态分解算法( CEEMDAN )将原始发电数据分解成在时域内特征更加明显的模态函数序列,以提取发电序列在时间尺度上的特征;随后引入影响光伏出力的主要气象因素,利用深度信念网络( DBN )对重构后的高、低频分量和序列对序列( Seq2Seq )方法对残差分量进行预测。实验表明,所提模型在光伏发电预测研究中精确度更高。     

基于改进堆叠降噪自编码的滚动轴承故障分类

作为一种新兴的机器学习方法,深度学习在故障诊断领域逐渐得到了应用。其中,堆叠降噪自编码(Stacked de-noising auto-encoders,SDAE)算法先对原始数据添加"损伤噪声",然后通过自编码网络进行数据重构,从而得到更鲁棒性的特征表示,易于进行故障分类。然而针对具体的故障诊断问题,网络隐含层节点数、稀疏参数以及输入数据置零比例将直接影响诊断的结果。因此,提出一种改进的SDAE诊断方法,利用粒子群算法(Particle swarm optimization,PSO)对DAE网络超参数进行自适应的选取来确定SDAE网络结构,据此得到故障状态的特征表示,输入到Soft-max分类器中进行故障分类识别。通过变转速工况下的滚动轴承故障仿真和模拟试验对算法进行验证,试验结果表明,基于PSO-SDAE网络的诊断方法在泛化性、故障识别率方面均优于支持向量机(Support vector machine,SVM)、反向传播神经网络(Back propagation,BP)以及深度置信网络(Deep belief network,DBN)。     

基于ANFIS的外啮合齿轮泵寿命预测研究

从流量退化趋势的角度提出了基于自适应网络模糊推理系统的寿命预测方法。首先利用改进的集合经验模态分解(MEEMD)方法对加速退化试验的振动数据进行多尺度重构降噪,提取重构信号的峭度值、均方频率、小波包能量,与转矩、转速、压力信号作为齿轮泵性能退化特征;然后使用核主元分析方法(KPCA)进行多特征融合,进而实现外啮合齿轮泵退化评估指标的建立和分析;再利用其退化评估指标与流量信号作为输入量对自适应网络模糊推理系统模型(ANFIS)进行训练,得到的齿轮泵剩余寿命预测模型,为了进一步验证该算法的有效性将其与liner回归模型、三次指数预测模型算法进行了比较,最后基于蒙特卡罗样本扩充方法实现外啮合齿轮泵的可靠性评估。结果表明,该方法的结果与实际阈值的预测误差约为8%,能够对外啮合齿轮泵的寿命进行比较准确的评估。