基于压力容器裂纹扩展速率的剩余寿命预测方法

压力容器在交变载荷的持续作用下会产生微小裂纹而导致疲劳损坏,出现泄漏或破坏等安全事故。因此,需准确预测压力容器的剩余寿命,在压力容器失效前及时采取措施。裂纹扩展是影响压力容器使用寿命的重要因素,文章首先分析了裂纹扩展的规律及主要影响因素,然后研究了利用安全评定图来评价压力容器安全程度的方法。评定点在安全评定图上形成失效路径,沿失效路径从安全区向非安全区的移动的速率是非线性的,存在速率拐点,该拐点对应的裂纹临界尺寸是计算裂纹失效的主要依据,最后使用Paris公式计算裂纹扩展速率并进行压力容器的剩余寿命预测。文章方法能够保证压力容器的安全性,如果裂纹真实存在,则具有较高的预测精度。     

基于EMD平均能量法的滚动轴承故障诊断

文中提出了一种用于滚动轴承故障诊断的系统一基于EMD和BP神经网络相结合的诊断系统。该方法首先对原始振动信号进行小波包预处理,提高信噪比,从而得到更适合研究的故障振动信号。然后再对信号进行EMD,分解得到IMF分量,对几个感兴趣的IMF进行分析,获得每个IMF分量的平均能量,作为BP神经网络的输入向量,由此训练神经网络,实现了对滚动轴承故障的智能诊断,并用实际的滚动轴承故障数据进行了验证。图6表2参12     

基于LSTM和IGA-BP的酒精度预测模型

目的:解决目前分段摘酒过程依赖人工“看花摘酒”,酒精度检测不准确的问题。方法:设计搭建基于酒精度建模的分段摘酒系统,研究采集音叉在不同模态不同浓度酒精溶液内的音叉频率值、音叉内置温度值,酒精溶液温度值和动态条件下泵转速值,基于最小均方算法(LMS)和长短期记忆网络(LSTM)实现音叉频率自适应滤波和动态补偿,基于改进遗传算法优化BP神经网络(IGA-BP)建立酒精度预测模型。结果:模型在迭代次数和预测精度上优于传统遗传算法优化BP神经网络和BP神经网络建立的酒精度预测模型,酒精度平均预测误差为0.381。结论:基于改进遗传算法优化BP神经网络(IGA-BP)建立酒精度数预测模型具有合理性。     

基于谱峭度Morlet小波变换法和经验模态分解的滚动轴承故障诊断研究

本研究针对轴承早期故障信号微弱不易检测的缺陷,提出了一种基于谱峭度Morlet小波变换法和经验模态分解的轴承早期故障信号检测与增强的方法.该方法把谱峭度引入到Morlet小波中,根据谱峭度变化寻找Morlet小波的最佳匹配参数,最大限度地增强故障弱信号;然后对信号进行经验模态分解,以信号相关系数大小确定重构信号的基本模态分量,对重构信号进行包络分析完成故障诊断.实验结果验证了此方法在滚动轴承早期故障诊断中的良好应用效果.     

基于CNN-LSTM的短期电力负荷预测研究

针对短期电力负荷预测中电力负荷影响因素提取不准确以及长期依赖信息丢失的问题,提出一种结合一维卷积神经网络CNN与长短期记忆网络LSTM的短期电力负荷预测模型,将卷积神经网络的速度和轻量与长短期记忆网络的顺序敏感性的优势结合起来,考虑历史电力负荷、时间日期、温度对电力负荷的影响,实例结果表明,与其他模型相比,预测误差更小,较好地提高了预测性能。     

基于灰色数据预处理的WD-LSTM模型对乳制品质量安全风险的预测预警分析

乳制品是人们日常生活中一种重要的营养食品,为了提高对乳制品质量安全风险预测的准确性,保障乳制品质量安全,本文基于检测产品和检验数据的随机性、模糊性以及信息不完全性,将所得不同地区的乳制品检测数据通过改进的softmax公式进行等级划分,并按自然日进行分箱处理,通过风险权重等比例映射法得到风险等级,充分利用了乳制品灰色数据,对检验合格数据中的潜在风险进行挖掘。采用小波分解（Wavelet Decomposition,WD）和长短期记忆神经网络（Long Short-Term Memory,LSTM）模型结合的方式,对不同地区的乳制品检测数据进行风险预测。结果表明,该组合模型的平均准确率达97.54%,标准偏差为0.03,与经验模态分解（Empirical Mode Decomposition,EMD）-LSTM模型和有选择性重构且间隔为2的WD-LSTM模型相比准确率更高,稳定性更好,可实现对乳制品质量风险的预测和防控,能为乳制品的风险监管提供有利参考和技术支撑。     

基于小波包分解和卷积神经网络的滚动轴承故障诊断

针对旋转机械滚动轴承在恶劣工作环境中易于损坏,而目前故障诊断过于依赖人工特征提取的问题,提出了一种基于小波包分解和卷积神经网络(CNN)的滚动轴承故障诊断方法(WPDEC-CNN):通过小波包分解对振动时域信号进行处理,获得表征信号相似的小波系数,再将其进行预处理后输入CNN进行分类识别.试验结果表明,WPDEC-CN...     

基于改进LSTM模型的短期车流量预测

随着社会的发展,短期车流预测成为了一个越来越重要的课题。准确预测车流量可以为交通部门提供必要的指导,也可为出行带来方便。为了更准确预测短时车流量,提出了基于注意力机制的长短时记忆神经网络(LSTM-attention)模型。并且又考虑到日期特性对车流量的影响,所以将数据集划分为工作日和节假日两类讨论。同时在实证分析中设置对比实验来说明LSTM-attention可以适应短时车流预测,能够对道路的拥堵情况做出较为准确判断。     

基于CEEMD和3点对称差分能量算子的滚动轴承故障诊断方法

为解决传统信号处理方法提取滚动轴承故障特征不精确和Teager能量算子解调信号的解调频率和幅值误差较大的问题,课题组提出一种基于互补集合经验模态分解和3点对称差分能量算子结合的轴承故障特征提取方法CEEMD-DEO3S。课题组首先对滚动轴承进行CEEMD分解前进行去噪处理来增强信号的故障脉冲;然后利用CEEMD将去噪后信号分解为一系列固有模态函数,并依据相关系数原则选择最能表征故障的敏感分量,重构后进行DEO3S解调,依据解调后得到的幅值和频率计算信号的包络谱。实验分析表明:所提方法解调信号的误差更小,提取轴承故障频率更精确。     

基于匈牙利算法和LSTM网络的储粮害虫轨迹跟踪及行为研究

长期以来储粮害虫给粮食储物带来严重损失,为寻找一种安全高效、环境友好的储粮害虫防治方法替代化学防治,本文研究储粮害虫的运动行为。采用计算机视觉技术对视频图像逐帧处理,运用匈牙利算法对多个储粮害虫目标轨迹跟踪,并结合长短期记忆网络(long short-term memory, LSTM)与余弦相似度方法解决多个储粮害虫在运动过程中目标重叠的问题。实验结果表明,该方法在137个储粮害虫正常运动视频中达到98.5%的跟踪准确度,在58个含有目标重叠的视频中达到89.7%的准确度。最后计算实时运动行为指标,如行走距离、行走速度、行走方向等,这为分析在热处理、熏蒸、气调等杀虫过程中储粮害虫运动行为,推算其移动范围并依此调整杀虫强度,从而控制成本以达到最好的杀虫效果提供理论支持,为建立高效的储粮害虫防治方案提供一种策略参考。     

基于MOMEDA与BiLSTM的滚动轴承微弱故障识别方法

针对传统的滚动轴承智能诊断模型计算效率低和准确率欠佳问题,课题组提出一种基于多点最优最小熵解卷积(multipoint optimal minimum entropy deconvolution adjusted, MOMEDA)和双向长短时记忆(bidirectional long short-term memory network, BiLSTM)网络相结合的滚动轴承故障诊断模型。该模型利用MOMEDA方法增强故障特征,并结合遗传算法(genetic algorithm, GA)对BiLSTM模型参数进行优化,实现滚动轴承智能、高效及鲁棒性诊断。利用该模型对经典轴承数据集以及牵引电机轴承故障数据集进行验证,平均准确率达到了99.63%,分别比传统卷积神经网络(convolutional neural network, CNN)、单层长短时记忆网络(long short-term memory network, LSTM)、双向长短时记忆网络和最新的CNN-LSTM模型高16.02%,9.98%,7.01%和5.65%,验证了该模型的有效性和优越性。     

基于多层神经网络模型的丝织物触感风格评价

使用FTT织物风格触感测试仪对52组不同风格的织物样本进行了主观和客观风格评价,并采用多层神经网络模型(MLP)对丝织物的触感风格进行分类预测。结果表明,冷暖感、顺滑度和柔软度是影响丝织物风格预测的关键特征,接触舒适度则有次要影响。所建立的模型训练和测试的准确率分别为89.2%和100.0%,能够有效对丝织物风格进行分类预测。     

基于多线性主成分分析和径向基神经网络的储粮温度变化预测

储粮温度预测有利于及时采取通风降温等措施保障储粮安全,因而具有重要意义。传统预测方法多是基于历史温度数据的向量形式进行特征提取,破坏了原有数据的高阶特性和内部结构,导致局部空间信息丢失,预测精度难以满足要求。针对这一问题,提出了一种以数据张量表示为基础的多线性主成分分析方法。该方法保留了粮堆温度历史数据的高阶性,即在使用多线性主成分分析进行特征提取和降维的同时,充分保留了原有数据的内部结构,因而提取的特征更为有效。试验表明,本方法预测结果优于其他典型预测方法。