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.      

硬质合金复合轧辊的制造与应用

本文主要介绍了机械组合式、铸造式、冶金复合式、粘结式等复合轧辊的特点、国内外生产厂商、工艺流程等,并对几种复合方案进行了对比,其中机械组合式复合轧辊是目前国内外采用较多的一种复合轧辊的组合方式。重点分析了复合轧辊的轴向预应力、液压螺母组合方式、轴向顶紧力、辊环与芯轴的配合间隙等几个关键参数的计算与设计。轴向预应力在一定程度上可以阻碍裂纹的形成和发展,保护辊环端面;采用液压螺母组合方式压紧辊轴上的辊环;通过力矩平衡方程求出装配所需要轴向顶紧力,保证辊环的正常工作;复合轧辊辊环与芯轴的配合间隙应根据现场条件来确定。     

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。     

基于拉普拉斯权重的低速重载设备声发射信号趋势分析

利用声发射技术对低速重载设备进行状态监测是目前较为常用的手段之一。但由于声发射信号的特征量众多,且各个特征量对故障的敏感程度不同,因此,在设备状态趋势分析中选择合适的特征量来反映设备的劣化趋势则显得尤为重要。提出了基于拉普拉斯权重的低速重载设备声发射信号趋势分析方法。根据拉普拉斯映射原理,利用样本间的聚类特性,对声发射的各个特征量的重要性进行排序分析,并以此作为权重系数,将原来的多个特征量融合得到一个综合特征LA。该特征不仅能反映出声发射产生的物理过程,又能突出关键特征量的作用。利用高炉皮带轴承的实测数据进行验证,实验结果表明,新方法能有效地刻画低速重载轴承的劣化趋势,综合特征LA对轴承的故障严重程度较敏感。     

无线传感器网络中混合簇头选举算法的研究*

针对网络拓扑结构稳定的实际应用,提出了一种混合簇头选举算法,包括以质心(能量中心)为基础的簇头选举方式和以剩余能量为基础的簇头选举方式。通过降低系统内簇头与簇内节点之间通信的总能量和平均传输时延来提高网络的生命周期。仿真结果表明,与GAF算法相比,网络的生命周期得到了较大幅度的提高,并且随着单簇节点数的增加,网络的生命周期也随之增加。实验证明,该方法适用于组建大规模无线传感器网络。     

一种改进的不平衡数据集分类方法

传统的机器学习方法在解决不平衡分类问题时,得到的分类器具有很大的偏向性,表现为少数类识别率远低于多数类。为此,在旋转森林分类方法的基础上,提出一种改进的不平衡数据处理方法——偏转森林。通过对少数类进行过抽样改变训练数据的分布以减小数据的不平衡,采用随机抽取的方式确保生成偏转矩阵的样本间存在差异,从而提高集成分类器的分类精度。实验结果表明,该方法能取得较好的分类性能,具有较高的少数类识别正确率和较低的多数类识别错误率。     

一种基于流形拓扑结构的轴承故障分类方法

根据不同故障类型的轴承信号在高维相空间中呈现不同结构的流形形态,提出了基于流形拓扑结构的轴承故障无监督分类方法.新方法首先将反映轴承状态的一维振动信号重构到高维相空间中,利用相点邻域的切空间信息逼近流形的局部几何结构,从而得到描述流形拓扑结构的矩阵;对所有样本构成的流形拓扑结构作多向主元分析后,将获得的主元信息作为特征集输入到C-均值分类器中进行轴承的状态识别.用轴承在正常状态、内圈故障、外圈故障的试验数据进行验证,结果表明,与传统的利用振动统计量为特征输入的方法相比,新方法能够更完整地刻画信号特征,获得更准确的分类识别率.     

无线传感器网络智能振动监测节点设计

提出了一种用于机械设备振动监测的无线传感器网络节点的设计方法.根据无线传感器网络及振动信号的特点.设计了一种微型低功耗无线振动监测节点,阐述了无线振动监测节点硬件设计思路及无线通讯策略,并在振动监测节点中实现了数学形态等信号分析方法和设备振动状态的智能预警功能.根据该方法设计的监测节点已在工业现场得到初步应用.并可广泛应用于冶金、石化、建筑、桥梁等行业.     

Semi-supervised LIBS quantitative analysis method based on co-training regression model with selection of effective unlabeled samples

The accuracy of laser-induced breakdown spectroscopy(LIBS) quantitative method is greatly dependent on the amount of certified standard samples used for training. However, in practical applications, only limited standard samples with labeled certified concentrations are available. A novel semi-supervised LIBS quantitative analysis method is proposed, based on co-training regression model with selection of effective unlabeled samples. The main idea of the proposed method is to obtain better regression performance by adding effective unlabeled samples in semisupervised learning. First, effective unlabeled samples are selected according to the testing samples by Euclidean metric. Two original regression models based on least squares support vector machine with different parameters are trained by the labeled samples separately, and then the effective unlabeled samples predicted by the two models are used to enlarge the training dataset based on labeling confidence estimation. The final predictions of the proposed method on the testing samples will be determined by weighted combinations of the predictions of two updated regression models. Chromium concentration analysis experiments of 23 certified standard high-alloy steel samples were carried out, in which 5 samples with labeled concentrations and 11 unlabeled samples were used to train the regression models and the remaining 7 samples were used for testing. With the numbers of effective unlabeled samples increasing, the root mean square error of the proposed method went down from 1.80% to 0.84% and the relative prediction error was reduced from 9.15% to 4.04%.     

共振解调技术在风机旋转失速故障诊断中的应用

风机旋转失速故障的振动特征通常出现在较低的频段。容易淹没在噪声或转子失衡等其它零部件的故障特征中。难以分析和诊断。共振解调技术对低频冲击的高频共振波形进行包络检波,可以有效地提取低频冲击特征。本文提出基于共振解调技术的风机旋转失速故障诊断方法,并成功应用于某炼铁厂废气风机旋转失速的故障诊断中。