分形维数及其在滚动轴承故障诊断中的应用

将分形维数用于刻划滚动轴承在不同故障状态下表现的非线性行为,进而对故障分类。试验结果表明,滚动轴承振动信号在不同故障状态下的分形维数是不同的,可以将分形维数作为识别滚动轴承故障的特征量。     

基于核主成分分析的热轧带钢头部拉窄分析

将核主成分分析方法引入热轧生产过程的监控与诊断中,根据平方预测误差统计量进行生产过程监控,然后利用数据重构和优化的邻域选取策略相结合的方法求出各工艺参数对平方预测误差统计量的作用,分析引起过程异常的主要工艺参数,最后利用仿真和热轧带钢实际生产数据进行实验.结果表明:基于核主成分分析的平方预测误差统计量能较准确诊断过程的异常,并可以找出引起异常的原因,为调整生产过程提供方法支撑,防止次品的出现.      

基于软超球体的高维非线性数据异常点识别算法

在冶金、化工等流程型工业领域,生产中的过程控制参数往往具有高维非线性结构特征.为了解决这类高维复杂数据的异常点检测问题,本文引入了软超球体的概念,采用非线性核函数将原始数据映射到高维的特征空间,并在特征空间中确定软超球体的边界.通过检测待识别样本映射到特征空间的位置信息来判定过程参数的设定值是否为异常点,从而避免出现批量的产品质量问题.以某类汽车用钢为应用实例,对实际生产数据进行检测,证明了所提出的基于软超球体的异常点识别算法对于高维的非线性数据具有良好的检测能力.      

热轧工作辊磨损模型的遗传算法

热轧精轧机组工作辊磨损非常严重,是板形控制中主要的干扰因素,也是板形研究的难点。分析了工作辊的磨损机理及其影响因素,建立了轧辊磨损模型,并采用遗传算法对模型参数进行估计。验证结果表明该模型实用可靠,可用于工作辊磨损在线预报。     

基于主流形识别的非线性时间序列降噪方法及其在故障诊断中的应用

提出了一种新的基于主流形识别的非线性时间序列降噪方法。新的降噪方法将一维时间序列重构到高维相空间,利用非线性降维方法找出动力学系统在相空间中具有全域正交坐标系的低维主流形,然后根据主流形反求一维时间序列,进而达到降噪的目的。对洛伦兹信号进行的数值试验证明,与奇异谱分解等现有非线性分析方法相比,基于主流形识别的降噪方法能更加有效地消除混沌时间序列中的高斯白噪声。将该方法应用于带有断齿故障的齿轮箱振动信号的故障分析中,成功地提取出了淹没在带噪信号中的冲击特征。     

加权相空间重构降噪算法及其在设备故障诊断中的应用

加权相空间重构降噪算法在相空间重构与分解的基础上,将一维的时间序列延拓到高维的相空间,使得一维时序中不易识别的特征在高维相空间变为容易识别的吸引子,通过区分吸引子在高维空间的不同的属性与特征,采用汉宁加权窗将高维信号投影到一维,使得信号的本质特征得到充分体现.根据机械设备发生故I荤其振动信号中往往具有非线性、非平稳性的特点,提出将加权相空间重构降噪算法用于设备故障信号的降噪,并采用数值仿真试验及齿轮故障诊断对此算法进行了分析与验证,结果表明该算法对此类信号具有良好的降噪效果.     

ART神经网络集成系统软件的研制

根据自适应谐振理论以及心理学，生物化学和神经生理学研究成果，深入研究了ＡＲＴ神经网络模型并振探索出ＡＲＴ１神经，ＦＡＲＴ网络，ＡＲＴ２网络和ＡＲＴ３网络所对应后套实用基本算法，在此基础上，研制完成了ＡＲＴ神经网络集成系统软件并将其应用于轴承的生态监测和故障诊断。     

机器学习在深冲钢质量自动判级中的应用

在流程工业中,生产过程需根据客户对产品质量要求进行判级,以满足客户提出的产品质量需求。目前,企业主要采用“事后”抽检方式,但因无法对所有产品实现在线自动判级,常发生索赔和退货,导致我国钢铁企业每年近100亿元损失。为了实现产品质量在线自动判级,提出基于高维数据非线性同等缩放与核简支集类边界确定相结合的质量在线智能判级方法。首先,将高维的工艺参数通过非线性同等缩放算法变换成低维的数据集,并对缩放后数据集进行聚类,分析工艺参数的类分布特征。然后,根据分类后样本的质量指标值分布,采用核简支集类边界算法来确定不同产品质量级别的类边界。最后,依据已确定的类边界,通过质量指标预测实现产品在线判级。通过深冲钢(IF钢)应用实例,证实该方法在训练阶段的在线自动判级准确率达到97.2%,测试阶段的准确率为96%。