滚动轴承自适应组合状态预测方法研究

滚动轴承的状态预测组合模型中配比权重多为固定权重,自适应动态调整权重的组合型状态预测方法较少。为解决此问题,提出一种基于ARIMA与Elman的轴承自适应组合状态预测方法;采用IMS提供的轴承加速性能退化数据集进行验证。结果表明：使用单一ARIMA模型的预测相对误差为3.95%,使用单一Elman模型的预测相对误差为5.62%,而使用文中提出的变权重Elman-ARIMA组合预测模型的平均相对误差为3.22%,低于2种单一预测模型,预测结果具有更高的可靠性,证明了组合预测方法的可行性。     

采煤机健康状态智能评估方法研究

针对现有采煤机健康状态评估方法存在评估指标权重确定受人为因素影响较大导致评估准确率不高、采用单一评估算法存在局部搜索能力弱和抗干扰能力差、寻找全局最优值能力不足等问题,提出了一种基于主成分分析(PCA)与遗传算法(GA)优化BP神经网络算法(PCA-GA-BP算法)的采煤机健康状态智能评估方法。根据采煤机结构和工作原理选择采煤机状态监测点位,获取采煤机健康状态相关的各项状态参数,采用PCA对采煤机状态参数进行数据降维和特征提取,避免BP神经网络输入的复杂化;引入GA对传统BP神经网络寻找全局最优权值;通过训练参数建立基于GA-BP的采煤机健康状态智能评估模型,将降维后的采煤机状态参数自动输入评估模型,通过智能评估算法输出测试结果,实现自学习、自寻优和自主判断采煤机的健康状态。实验结果表明,基于PCA-GA-BP算法的采煤机健康状态智能评估方法可准确、快速和智能评估采煤机健康状态,相比于基于单一BP神经网络的评估方法,训练时间短、评估流程简单且评估准确率高,准确率达97.08%。     

基于降噪自编码器与改进卷积神经网络的采煤机健康状态识别

针对采煤机监测参数间关联性强、冗余信息多且受强噪声干扰导致其健康状态识别困难及传统的采煤机状态识别方法在健康状态指标构建中人工参与过多导致识别准确率不高的问题,提出一种基于降噪自编码器（denoising autoencoder,DAE）与改进卷积神经网络（improved convolutional neural network,ICNN）的采煤机健康状态识别方法。首先,对原始监测数据作滑动平均降噪处理并进行归一化;其次,通过无监督训练降噪自编码器实现数据降维、特征提取,进而构建健康状态指标;然后,根据降噪后的监测数据与健康状态指标训练改进卷积神经网络模型,实现采煤机健康状态的自动识别;最后,利用采煤机仿真数据完成模型验证并与其他多种健康状态识别方法进行对比。结果表明：该方法识别准确率达98.38%,明显高于其他方法,可为后期的预知维护提供理论支持。     

基于XGBoost的采煤机健康状态评估方法研究

针对采煤机状态监测参数存在冗余性和数据类别不平衡等问题,在选取采煤机状态指标数据的基础上引入XGBoost集成学习算法对采煤机健康状态进行评估。首先,选择综合相关系数,即Spearman相关系数和Person相关系数进行综合用于表征采煤机状态数据变量间的相关关系,通过计算状态参数间的相关系数筛选出采煤机健康状态评估指标;根据专家经验对采煤机状态量进行等级划分,建立训练样本。整个样本采用XGBoost集成学习算法训练,通过交叉验证法选择合适参数,建立最优模型。最后,根据采煤机实例数据集进行模型验证和分析。实验结果表明：基于XGBoost的采煤机健康状态评估方法平均准确率可达98.50%,能有效解决数据集的不平衡问题和状态评估难题。