电液伺服阀阶跃响应测试及其小波消噪处理

论述了电液伺服阀阶跃响应的测试原理,采用小波消噪对测量过程中的高频噪声进行了去噪处理,提高了测试结果的精确性.在自主研发的电液伺服阀性能测试VICAT系统上对某阀进行了阶跃响应测试,给出了小波消噪前后的特性曲线.     

基于软测量技术的虚拟动态流量计的模型研究

提出了一种基于软测量技术的通过测量压力等信号间接得到流量的新方法，并对这种虚拟动态流量计进行了初步的结构设计和系统设计，最后对它的数学模型进行了研究。     

伺服阀性能测试中差压测量的新方法

提出了一种差压测量的简单方法，消除了传统差压测量方法的不同步采样误差，节省了计算机采集板的模拟量输入通道和应变仪的测量通道。该方法成功地应用于电液伺服阀性能测试系统中，取得了很好的效果。     

基于双树复小波和深度信念网络的轴承故障诊断

提出了一种基于双树复小波(DTCWT)和深度信念网络(DBN)的轴承故障诊断新方法。采用DTCWT对轴承振动信号进行分解实验,结果表明DTCWT能够很好地将信号分解到不同频带。进而提取能量熵作为故障特征,采用DBN小样本分类模型对轴承故障进行分类,并与传统分类器进行比较,结果表明该方法能准确识别不同故障类型,扩展了DBN在机械故障诊断中的应用。     

神经网络软测量模型中全共轭梯度算法

将神经网络运用到动态流量的软测量中,探索解决液压伺服系统中对瞬时动态流量的测试问题是该领域的一个难点和热点问题,详细论证了一种新的BP神经网络算法——全共轭梯度算法及其改进,最后通过试验验证了该算法的性能。该项研究对BP神经网络具有广泛的参考价值。     

基于蚁群优化的神经网络智能PID控制策略研究

提出了一种基于蚁群优化、BP网络学习和RBF网络辨识的智能PID控制策略,有效地克服了BP算法训练过程中收敛慢和易陷入局部极小值的缺陷.利用该控制策略,对PID参数进行在线调整,并应用于材料试验机电液位置伺服系统.仿真结果表明,与各种传统PID控制策略相比,采用该智能PID控制器控制的系统具有更好的动态响应特性和抗扰动能力.     

基于RQA与GG聚类的滚动轴承故障识别

提出递归定量分析与GG聚类相结合的滚动轴承故障识别方法。利用能够表征信号发散程度的RQA参数--确定率和分层率组成轴承故障识别的特征向量,结合GG模糊聚类实现滚动轴承故障模式识别。对实际故障数据进行分析,结果表明,该方法不仅能够识别滚动轴承的不同程度损伤,而且能够实现不同部位的轴承故障诊断。研究结果为滚动轴承故障识别提供了一种高效、直观的新方法。     

基于混沌振子的微弱信号检测方法及应用

分析了Duffing振子的混沌运动，阐述了该振子相变对与参考信号频差较小的周期小信号具有的敏感性，对白噪声和与参考信号频差较大的周期干扰信号具有免疫力，使Duffing振子应用于微弱信号检测具有可行性，检测不同频率的信号需要不同频率的参考信号，不同的参考信号频率会对系统产生很大影响，通过调整系统参数使得振子对不同频率牟信号检测具有普遍性，给出了基于混沌微弱信号检测的具体方案。     

基于改进粒子群算法的轧制负荷分配优化

应用改进粒子群算法,实现单机架可逆冷轧机轧制负荷分配优化。结合某厂单机架可逆冷轧机实际工况,建立了合适的轧制力数学模型并进行参数计算,以压下率为自变量,以轧制力成比例分配为目标,通过改进粒子群算法,得到最佳的轧制负荷分配。工程实践证明:与基本粒子群算法、遗传算法相比,改进粒子群算法具有计算精度更高、收敛速度更快、搜索能力更强等优点,是一种适于单机架可逆冷轧机轧制负荷分配优化的新方法。     

基于大数据简约及PCA改进RBF网络的短期电力负荷预测

针对电力负荷大数据化越发突出,引入最小绝对值收敛及选择（Lasso）算法解决电力负荷大数据难题,对电力负荷及相关天气因素大数据进行高维数据特征提取,获得有用数据集。为避免输入空间严重自相关及网络维数较高,造成径向基函数（RBF）神经网络预测精度严重下降的不良影响,提出基于主元分析(PCA)改进的RBF神经网络电力负荷预测模型,消除多气象因素相关性,剔除冗余,提取天气因素特征量,将新天气特征量与历史负荷数据共同作为RBF网络的建模对象,既全面表征天气因素对电力负荷的影响,又简化预测模型,加快预测速率。 经美国南部某地区实际电力负荷数据的预测分析,充分证明该方法的有效性及可靠性。