基于特征选择的轨道车辆轴承温度预警方法

在现有轨道车辆轴承温度预警研究中,因监测数据复杂度不一致导致特征难以选择,同时现有预警方法往往只能在轴承故障发生前的几分钟进行预警,为此,提出一种基于特征选择的轨道车辆轴承温度预警方法.首先采用皮尔逊系数计算特征相关性后分析引入关联轴承,然后依据线性相关性将低线性相关特征数据与关联轴承数据一起输入LightGBM模型,以对特征进行再次选择;其次,利用大量正常状态下的履历数据,基于深度学习模型双向门控循环单元构建轴承温度预测模型;最后利用某轨道车辆实测数据进行预警方法验证.结果表明:对于正常轴承,轴承温度预测模型的温度预测值和实际值的差异小于4℃且稳定;而对于异常轴承,在轴承故障发生前的数小时即可发现两者间存在大于4℃以上的持续显著差异.     

基于特征选择的轨道车辆轴承温度预警方法

在现有轨道车辆轴承温度预警研究中,因监测数据复杂度不一致导致特征难以选择,同时现有预警方法往往只能在轴承故障发生前的几分钟进行预警,为此,提出一种基于特征选择的轨道车辆轴承温度预警方法.首先采用皮尔逊系数计算特征相关性后分析引入关联轴承,然后依据线性相关性将低线性相关特征数据与关联轴承数据一起输入LightGBM模型,以对特征进行再次选择;其次,利用大量正常状态下的履历数据,基于深度学习模型双向门控循环单元构建轴承温度预测模型;最后利用某轨道车辆实测数据进行预警方法验证.结果表明:对于正常轴承,轴承温度预测模型的温度预测值和实际值的差异小于4℃且稳定;而对于异常轴承,在轴承故障发生前的数小时即可发现两者间存在大于4℃以上的持续显著差异.     

基于状态切分与时间卷积网络的风电齿轮箱系统温度异常故障预警

由于风电齿轮箱结构复杂、运行工况多变，采用监控与数据采集系统（SCADA）数据对齿轮箱早期故障预警的精度不足。本文提出考虑风电齿轮箱润滑冷却状态及运行工况的状态切分方法，基于齿轮箱润滑冷却系统运行原理，从原始运行数据中选取相关参数，采用统计分析和聚类方法将齿轮箱系统时间序列数据进行运行策略分类切分，构建齿轮箱运行状态判断模型；提出采用时间卷积神经网络训练不同运行策略下的齿轮箱温度预测模型，并实时判断运行状态，选取对应运行策略温度预测模型，估计齿轮箱温度，通过与实际值之间的残差实现齿轮箱故障预警。实际案例表明，本文所提出的方法可以提高模型精度，能够有效预警风电齿轮箱系统的早期故障。     

基于多参数融合的风电机组齿轮箱油温预警方法

针对风电机组齿轮箱状态监测问题，提出一种基于多参数融合的齿轮箱油温预警方法。首先，通过相关性分析法提取与齿轮箱油温相关性高的参数作为模型的输入。采用改进的粒子群优化BP神经网络(imPSOBP)，建立齿轮箱油温预测模型。然后，通过计算齿轮箱油温预测值与实际值的残差绝对值，并结合加权移动平均法、核密度估计法建立齿轮箱油温故障预警模型。基于某风场的数据进行了实验验证，对比分析了imPSO-BP模型和PSO-BP模型的预警效果。结果表明：提出的方法预测精度高，可提前齿轮箱油温异常预警时间，预警时间提前约27小时。     

基于滑动平均订单预测的半导体生产库存模型

为满足变化莫测的市场需求与半导体制造企业复杂的制造过程,针对半导体生产企业的生产时间不确定性和订单到达不确定性,分别使用滑动平均法与指数平滑法建立客户订单预测模型,提出了基于这两种客户需求预测模型的离散反馈状态生产库存控制系统模型;讨论了这两种模型系统有界输入有界输出的稳定性,并给出了基于这两种模型的系统达到有界输入有界输出稳定的参数限制条件。使用某半导体制造企业的订单生产数据,对两种预测模型进行仿真运算,比较了这两种模型下系统生产库存控制的具体效果。仿真结果显示,两种模型都可以满足客户订单的需求。通过检验表明,滑动平均法预测模型能使半导体企业生产库存控制获得小于3%的牛鞭效应,优于指数平滑法预测模型的结果。     

涡轴发动机弹性支撑外挤压油膜涡动特征频率

为实现环境激励下复杂钢结构的损伤预警,提出一种基于粒子群优化（particle swarm optimization, 简称PSO）的支持向量回归（support vector regression, 简称SVR）-时间序列（auto-regressive and moving average model, 简称ARMA）组合模型用于频率预测,并结合均值控制图法将其用于复杂钢结构的损伤预警中。所提出频率预测模型的准确性和有效性采用潍坊市白浪河摩天轮钢结构实测数据进行验证。验证结果表明：与基本SVR模型、SVR-ARMA模型和PSO-SVR模型相比,所提模型具有更高的泛化能力和预测精度;在白浪河摩天轮钢结构的损伤预警中,基于粒子群优化的SVR-ARMA组合模型可检出由损伤造成模态频率轻微的异常变化,具有较强的损伤敏感性。研究成果可为环境激励下复杂钢结构的损伤预警提供参考。     

基于时间序列模型的校园宿舍用电量分析

我国高校作为电能的主要耗用者之一,存在大量使用大功率设备、学生节电意识差等问题。对高校用电量进行预测可以为高校配电网的配电计划工作提供数据参考,达到调节电量输送、节约能源的目的。鉴于此,对厦门大学漳州校区58幢宿舍楼进行随机抽样调查,并对搜集的数据基于ARMA和LSTM方法建立时间序列预测模型,预测校园宿舍未来用电量,以实现提前预警,提高大学生节电意识。实验证明,模型能够在大多数数据集上取得良好的性能表现。     

330MW机组锅炉结焦严重的原因分析及对策

针对锅炉水冷壁和燃烧器喷嘴上存在的严重结焦现象,分析了锅炉结焦的主要影响因素,并提出了具体解决措施,可作为解决锅炉结焦问题的参考.     

基于粒子群优化SVR-ARMA组合模型频率预测

为实现环境激励下复杂钢结构的损伤预警,提出一种基于粒子群优化(particle swarm optimization,简称PSO)的支持向量回归(support vector regression,简称SVR)-时间序列(auto-regressive and moving average model,简称ARMA)组合模型用于频率预测,并结合均值控制图法将其用于复杂钢结构的损伤预警中。所提出频率预测模型的准确性和有效性采用潍坊市白浪河摩天轮钢结构实测数据进行验证。验证结果表明:与基本SVR模型、SVR-ARMA模型和PSO-SVR模型相比,所提模型具有更高的泛化能力和预测精度;在白浪河摩天轮钢结构的损伤预警中,基于粒子群优化的SVR-ARMA组合模型可检出由损伤造成模态频率轻微的异常变化,具有较强的损伤敏感性。研究成果可为环境激励下复杂钢结构的损伤预警提供参考。     

基于ARIMA和XGBoost的滚动轴承故障预测模型研究

针对滚动轴承现有故障预测模型精度和准确率较低的问题,提出一种基于ARIMA时间序列预测和XGBoost分类算法的滚动轴承故障预测模型。首先,采用LMD联合FPA解决盲源欠定的问题;其次,使用KPCA选取敏感特征作为预测模型的输入,以提高轴承故障的分类精度;第三,通过Arima自回归模型预测轴承振动信号未来短期内变化情况,将预测结果输入XGBoost模型进行故障分类预测,实现滚动轴承故障识别,提高预测准确率;最后,通过美国凯斯西储大学使用的轴承数据集,进行实例验证,实验结果表明,该方法可以更准确地预测出轴承短期内振动信号变化并诊断出可能发生的故障,证明了该方法在滚动轴承信号含噪情况下,有效提取特征、识别故障和故障预警中具有可行性与可靠性。     

基于试飞数据的发动机瞬态过程预测模型

针对发动机瞬态过程的趋势监控需求,基于某型发动机飞行试验数据,采用人工神经网络建模方法,建立了该型发动机瞬态过程预测模型,并利用飞行试验数据对模型进行了验证。结果表明:模型预测结果与飞行试验数据相对误差最大值小于5%,预测结果精度较高,建模方法正确,可以用于该发动机飞行试验趋势监控,也可为其它型号发动机建模提供参考;神经网络内部神经元数量对于模型预测精度影响较大,内部神经元数量应根据最简单神经网络结构及最高模型预测精度的准则进行确定。     

基于数据挖掘技术的齿轮传动系统啮合接触特性分析

针对在多工况、多不确定性参数所形成的大数据下齿轮传动系统啮合接触特性分析困难的问题，提出了一种基于数据挖掘技术的齿轮传动系统啮合接触特性分析方法。基于多维高斯分布原理与齿轮传动系统有限元模型，构建了系统啮合接触特性数据集；采用最大信息系数分析了各系统参数与啮合接触特性之间的相关性，为预测模型提供了候选特征子集；采用支持向量机和随机森林算法建立了系统啮合接触特性预测模型，实现了对系统啮合接触特性的高效预测。结果表明，基于支持向量机算法的预测模型的预测误差最小，平均绝对百分比误差为3.87%，远小于理论计算误差。其中，在最优特征子集下，基于支持向量机算法的预测模型的各项接触特性预测误差指标显著下降，其平均绝对百分比误差降至3.03%，比优化前的接触特性预测误差减小了21.71%，验证了所提方法的精确性与有效性。     

输送用模锻易拆链磨损预测及可视化辅助决策

针对输送用模锻易拆链存在的磨损状况难以准确检测、预测和检修用时长等难题,开展了基于灰色模型和可视化辅助决策的磨损寿命预测和主动检修技术研究。采用基于机器视觉的磨损检测装置获取磨损数据,通过定义和分析磨损关键参数对磨损数据进行清洗,基于灰色模型建立了磨损预测模型;基于预测数据、历史数据及运行工况等建立辅助决策模型,通过综合评估后输出最优检修方案,并基于可视化仿真技术立体、动态地呈现磨损状况,快速精确定位磨损链条。实验结果表明,磨损寿命预测模型的拟合精度较高,磨损预警误报率和漏报率较低,可满足磨损寿命预测要求。通过磨损预测及可视化辅助决策技术,可有效地提高检修效率,减少生产线受迫停运的风险。     

基于结构自适应径向基神经网络的油样光谱数据建模

基于光谱分析数据的机械磨损状态预测有利于发现机械系统的早期磨损故障。由于神经网络对于非线性模型的辨识和非平稳信号的预测，与传统预测模型相比具有明显的优势，将神经网络预测方法运用于光谱分析，提出了基于神经网络预测的光谱分析监测技术。在预测模型中采用了在函数逼近、分类能力和学习速度均优于BP网络的径向基函数（RBF）神经网络模型，针对RBF网络的结构对于信号预测或模型辨识的精度具有影响很大的问题，提出了结构自适应RBF网络预测模型。利用遗传算法，对神经网络输入节点数、径向基函数分布系数及网络训练误差进行了优化，得到了最优的RBF网络预测模型。最后，对某航空发动机实际的光谱分析数据进行了预测和分析，并与ARMA模型进行了比较，结果充分表明了文中方法的有效性和优越性。     

基于小样本预测模型在机械工程上的应用

为预测短期内机械生产实验的数据分布规律,以更好地指导生产和提高工作效率,充分利用计算机模拟研究的优势,基于金属切削工艺加工的部分实验数据,利用线形回归模型、灰色模型和神经网络模型对实验数据进行了分析处理并建立了小样本数据的综合预测模型。研究结果表明小样本预测模型是可行的,它对机械工程各种相关实验数据的短期预测都具有普遍适用性,同时提供了可以快速了解数据在未来分布规律的方法。     

基于改进PSO算法的Volterra模型在磨损预测中的应用

为准确预测机械设备的磨损问题,提出基于改进PSO算法的Volterra级数预测模型。该预测方法首先根据Volterra级数的性质,建立Volterra级数模型;然后利用改进的PSO算法对模型参数进行优化,得到Volterra级数的预测模型。利用轴承钢试件的磨损实验数据,采用建立的预测模型对数据进行建模和磨损预测。仿真结果表明,与基于PSO算法的Volterra模型、多项式模型、AR模型、RBF神经网络模型及BP神经网络模型相比,基于改进PSO算法的Volterra预测模型结构简单、预测精度高,具有一定的实用性。     

基于迁移学习的离心鼓风机故障预警方法

工厂实际运行环境下,基于实验室数据的离心鼓风机故障预警模型常常失效,且实际运行数据难以支撑高精度预警模型的构建。提出一种基于自编码的迁移学习方法来快速构建适用于实际运行环境的故障预警模型。首先对实验室采集的离心鼓风机监测数据进行加窗重采样,建立融合稀疏限制的自编码模型;然后将工厂和实验室数据输入自编码网络得到低维特征,最小化两者低维特征的最大均值差异,进而采用较小学习率调整自编码模型完成模型迁移;最后,基于调整后的模型与预警指标制定故障预警策略,实现工厂实际环境下离心鼓风机故障的准确预警。在某型号离心鼓风机数据集上的实验结果表明,该方法与其他三种方法相比具有更高的故障预警精度。     

基于多元状态估计的电厂设备状态评估和故障预警研究

针对电厂生产环境复杂，设备故障频发且不易及时发现的特点，为了提高机组运行效率和设备健康度，提出了一种基于多元状态估计的电厂设备状态评估和故障预警方法。首先，分析设备状态监测所需的监测参数，根据参数采集历史运行数据，筛选健康运行状态数据，筛选典型运行状态数据构建记忆矩阵；然后，搭建状态评估和故障预警模型，利用健康运行状态数据对模型进行训练得到成熟模型，利用成熟模型即可对设备实时运行状态进行健康度评估和故障预警。本文以某燃气发电厂燃气轮机为对象开展研究论证，结果表明，该方法能准确地评估设备运行状态，提早发现设备故障，有效实现设备故障早期预警。     

运行机理与数据双驱动的风电齿轮箱系统故障预警

传统基于机器学习的风电齿轮箱故障预警模型往往仅从数据着手分析数据与故障的映射关系，在参数和模型结构选择上缺少物理依据，导致模型的可解释性和泛化能力不强。从风电齿轮箱的结构和实际运行控制方式出发，分析了运行机理与对应的数据采集与监视控制系统数据的关系，定性地给出了齿轮箱典型故障发生时运行数据的变化趋势，然后根据数据分布变化规律选择参数和模型，建立了一系列基于单分类支持向量机的风电齿轮箱系统故障预警模型。实验结果显示各模型能够准确定位风电齿轮箱系统故障，具有清晰的物理意义。     

多源数据融合的可穿戴设备体质健康监测模型研究

随着传感、物互联、大数据等新兴技术的发展,各种智能化穿戴设备不断应用到各个领域,智能穿戴设备是一种对日常穿戴进行智能化设计和开发的可穿戴设备,包括手表、眼镜、服饰等,智能穿戴设备是时代智能化的体现,利用智能穿戴设备,不仅可以快速获取人类自身或外部信息,还可以提升处理信息的效率.针对当前可穿戴设备体质健康监测模型由于数据处理能力较差导致健康预警误报率过高的问题,设计基于多源数据融合的可穿戴设备体质健康监测模型.通过优化数据采集方式,获取体质原始数据.使用数据清洗以及数据转化等方式,完成数据预处理.应用马尔科夫链构建体质健康监测模型,及时发出健康预警.至此,基于多源数据融合的可穿戴设备体质健康监测模型构建完成.经实验结果证实:多源数据监测模型使用后可有效降低健康预警误报率,多源数据融合技术应用在监测模型中可有效提升模型的数据处理与分析能力.