基于藤蔓树降维剪枝的多部件系统剩余寿命预测

随着多部件系统日益复杂化和智能化,系统中多个部件间协同工作,其退化的相互影响往往不可忽略。因此,在考虑多部件系统部件间相互影响的基础上,提出了一种构造藤蔓树降维剪枝二元Copula函数来对高维变量间相关结构进行建模的剩余寿命预测方法。首先通过Lévy过程来建模多部件系统的退化模型,利用Akaike信息准则进行Copula函数的最优遴选。其次通过Copula函数来表征高维多变量下两两部件间的双向随机相关性,采用藤蔓树降维剪枝的方法来对高维变量间相关结构进行降维,并进行多部件系统部件的实时剩余寿命预测建模;接着考虑单个部件异质性的影响下,利用贝叶斯参数估计和极大似然估计结合的方法来实现对随机模型以及随机超参数的动态更新。最后通过商用模块化航空推进系统仿真涡轮发动机模型来验证所提出模型的合理性和有效性。

基于WT和黏菌算法的LSSVM短期风功率预测

针对风电出力存在随机性、波动性等问题,建立基于小波变换(WT)与黏菌算法(Slime mould algorithm, SMA)优化最小二乘支持向量机(LSSVM)关键参数的风功率预测模型。首先利用小波变换将风功率信号以及风速信号分解为多个不同频率的平稳的子序列,并提出采用一种黏菌优化算法优化LSSVM的参数,同时引入气象因素,包括风速、风向、温度、气压、湿度作为输入,分别建立模型来预测风电功率。通过将各个模型预测结果加和得到完整的风功率预测值。使用某风电厂数据进行仿真验证,实验结果表明,所提出的WT-SMA-LSSVM预测模型在短期风功率预测中具有更高的预测精度。

基于概率权重灰色马尔可夫模型的腐蚀预测

精准地预测管道的腐蚀发展趋势是降低油气事故损失,保证其安全运输的主要途径之一。针对常用的基于聚类中心灰色马尔可夫预测模型中等转移概率会导致较大预测误差的问题,提出了一种基于概率权重的灰色马尔可夫模型用于油气管道腐蚀预测。首先用灰色模型对管道腐蚀状态进行初步预测,后采用模糊C均值聚类对预测误差数据聚类,并提出基于概率权重的马尔可夫模型对预测值进行修正,以提高出现等转移概率时模型的预测精度。最后通过两个实例验证了上述模型的有效性和正确性,并与基于聚类中心灰色马尔可夫模型进行比较。

基于轻量化PE-YOLO的桥梁裂缝检测算法研究

针对桥梁裂缝种类和尺度多样造成的目标检测模型精度不高以及模型参数量大等问题,提出一种基于YOLOv5l高效、轻量化的裂缝检测算法PE-YOLO。该方法利用PP-LCNet替换YOLOv5l骨干特征提取网络,以减少网络参数数量、降低网络计算复杂度、提高网络检测速度,使其便于在移动设备和嵌入式设备上部署;在预测部分增加高效通道注意力机制(Efficient Channel Attention,ECA),旨在增强模型对裂缝的表征能力。结果表明:提出的PE-YOLO算法相比于YOLOv5l算法,平均精度均值(mAP)基本持平,参数量和GFLOPs分别减少了2.0倍和2.6倍,推理速度降低了2.0倍,FPS提高了1.8倍,有效满足了桥梁裂缝检测的需求。

改进YOLOv5s的地下车库火焰烟雾检测方法

针对传统地下车库火灾检测不及时且无法给出火灾详细信息、目标检测对小目标烟火检测困难、其他烟火检测精度低等问题,提出了一种改进YOLOv5s的地下车库烟火检测算法。在YOLOv5s主干网络的最后一个C3模块中加入了注意力机制,帮助网络模型更充分地提取烟火多尺度空间信息和重要特征;对Neck部分进行改进,增强特征交互和小目标烟火检测能力;对主干网络卷积模块进行改进,提高烟火特征提取能力;引入WIoU(wise intersection over union)作为新的边界框损失函数,增强模型泛化能力;引入Soft NMS(soft non-maximum suppression)用以增强重叠烟火检测能力。在自制烟火数据集上进行对比实验,结果表明,改进后的模型权重减小0.2 MB,精度提升了6.8个百分点,能够满足地下车库烟火检测要求。

基于WGAN-div和DLA34模型的轴承故障智能诊断新方法

针对实际工业场景中设备长时间运行于正常运行状态,故障样本不易获得且采集到的样本种类不平衡,导致以数据为驱动的深度智能诊断模型性能退化的问题,提出一种基于生成对抗网络(WGAN-div)和深度卷积神经网络DLA的两阶段处理模型。利用WGAN-div生成故障样本,实现样本间的类平衡,将平衡后的数据集送入DLA34网络中进行特征提取和故障分类。DLA34以其特殊的聚合结构能够融合各层的语义和空间信息,实现更深的信息共享。最后,利用凯斯西储大学轴承故障数据集进行验证。实验结果表明:该模型中WGAN-div能生成与原始样本高度相似的生成样本,数据平衡效果也优于目前主流的GAN、WGAN和DCGAN;且由DLA34完成的故障识别准确率在所设数据集上均达到100%。

基于MCABResnet的二维滚动轴承故障诊断新方法

针对时域信号冗余度大及滚动轴承故障诊断效果和强噪声环境下诊断正确率低和泛化能力差的问题,提出一种新的基于多联合注意力机制和多残差卷积块的多尺度进化故障诊断方法。采用宽、窄核卷积的跃迁块和多联合注意机制对深层卷积进行特征补充,减少特征流失,保证特征图的质量。通过通道和空间注意力权重的分配,为卷积层提供不同的权重参数,进行自适应特征细化。将提出的方法分别在凯斯西储大学轴承数据集和东南大学轴承数据集进行试验验证及分析。结果显示:所提方法的分类正确率超过99.75%,即使在强噪声环境下,分类正确率也超过98.5%;在变工况下,平均分类正确率超过了90%。因此,所提方法具有良好的故障诊断效果、泛化能力和抗噪声性能。

基于邻近传播聚类算法的LSTM短期风功率预测

考虑气象数据与风电场的历史风功率数据特征,提出一种基于邻近传播聚类算法的长短期记忆神经网络风功率预测模型。利用邻近传播聚类算法(Affinity Propagation,AP)对NWP数据与风功率数据聚类,分别得到多个子集;同时,为了获得能更好反映风功率的特征,采用主成分分析法(Principal Components Analysis,PCA)对NWP子集数据降维处理;最后利用特征匹配方法分别建立基于长短期记忆神经网络预测模型。根据预测日的NWP数据与前一日功率数据选取最优匹配模型进行风功率预测。使用宁夏某风电厂数据进行仿真验证,实验表明所提出方法可以提高短期风功率的预测精度。

考虑客户满意度的双目标车辆路径优化

为优化物流配送路径,提高客户满意度,通过综合考量顾客对货物配送时效的需求、企业对配送成本的管控和环境对碳排放量的制约,建立以最大客户满意度和最小物流配送成本为目标的双目标车辆路径优化模型。以华东某物流公司为例,选择NSGA-Ⅱ算法对模型问题进行求解,并将得到的Pareto解根据层次分析法选出最优的解,以检验建模和算法的可行性和合理性。

基于校企合作的研究生教育创新中心建设探索

研究生教育创新中心的建设为产学研协同培养专业学位硕士研究生开辟了重要平台,有利于培养出符合产业经济发展和企业技术进步所需的高层次应用型人才。阐述了研究生教育创新中心建设的必要性,指出了研究生教育创新中心的建设目标,提出了研究生教育创新中心机制构建的具体实施方案与策略,有针对性地解决了现有研究生基地建设中存在的问题,有效提高了人才培养质量,推动了高校科研创新效率,促进了企业经济效益提升和技术进步。

随机应力影响下埋地天然气管道可靠性评估方法研究

针对含裂纹缺陷的埋地天然气管道这类随机退化设备,现有的研究方法更多依赖于失效机理分析,由于构建失效机理模型较为困难和复杂,在使用上具有一定的局限性,提出了一种考虑应力影响下的非线性Wiener退化模型。将应力对管道的影响看作随机变量以影响管道的退化速率,同时考虑个体的差异性,获取非线性退化模型更加准确的可靠性评估结果。在首达失效时间下推导出剩余寿命的概率密度函数。然后针对小样本的退化数据,使用极大似然估计方法估计参数,确定分布函数和可靠度。最后利用裂纹数据验证本文提出模型的准确性和有效性。

协同双赢校企合作研究生培养模式可持续发展研究

阐述了原有研究生培养模式存在的问题,结合高校科研人才与企业科研资本的优势,提出建立协同双赢校企合作研究生培养模式。通过构建“学术性、实践性、职业导向性、资源共享性和技术创新性”五位一体的分层校企合作研究生联合培养可持续发展体系,提高学生的创新能力、理论联系实际能力、发现问题和解决问题能力,促使高校和企业实现双赢。

基于Copula理论的多部件系统剩余寿命核密度预测方法

各类工业系统的功能结构日趋复杂,部件间存在复杂的随机相关性是进行系统剩余寿命预测建模中不可忽视的重要因素。针对多部件系统,在研究部件间随机相关性特征及其对连续退化状态影响的基础上,提出基于Copula理论的多部件系统实时剩余寿命非参数核密度预测方法。首先通过核密度估计得到各部件的退化分布函数;并采用Copula函数表征部件退化的随机相关性,利用赤池信息准则进行Copula函数优选;然后建立考虑存在连续退化随机相关性影响条件下可实时递推的部件剩余寿命预测模型;最后通过齿轮箱试验台进行试验,验证了所提模型的有效性和准确性。

改进Alpha Shapes和快速凸壳算法的SVM故障诊断

现有的基于凸壳的支持向量机(SVM)算法处理机械装备产生的大规模原始数据时间太长。针对这一问题,通过结合轮廓提取算法(Alpha Shapes)和快速凸壳算法,提出一种结合改进快速凸壳算法的SVM用于故障诊断研究。该融合算法利用改进简化的Alpha Shapes算法提取点集的边界数据点,作为改进的快速凸壳算法的对象,减少凸壳算法递归的工作量。实验结果表明:该算法平均只提取了数据集0.26%的数据点,且计算的时间也相应降低。最后实验同样表明该算法的性能优于单一的SVM算法。

基于异步奖励深度确定性策略梯度的边缘计算多任务资源联合优化

移动边缘计算(MEC)系统中,因本地计算能力和电池能量不足,终端设备可以决定是否将延迟敏感性任务卸载到边缘节点中执行。针对卸载过程中用户任务随机产生且系统资源动态变化问题,提出了一种基于异步奖励的深度确定性策略梯度(asynchronous reward deep deterministic policy gradient, ARDDPG)算法。不同于传统独立任务资源分配采用顺序等待执行的策略,该算法在任务产生的时隙即可执行资源分配,不必等待上一个任务执行完毕,以异步模式获取任务计算奖励。ARDDPG算法在时延约束下联合优化了任务卸载决策、动态带宽分配和计算资源分配,并通过深度确定性策略梯度训练神经网络来探索最佳优化性能。仿真结果表明,与随机策略、基线策略和DQN算法相比,ARDDPG算法在不同时延约束和任务生成率下有效降低了任务丢弃率和系统的时延和能耗。

考虑退化与冲击过程随机相关的管道预测性维修

针对经历退化过程且同时受外界冲击影响的天然气管道维修问题,提出了一种考虑退化与冲击过程随机相关的管道预测性维修策略。首先建立了管道退化与冲击随机相关性模型及基于变阈值的可靠性预测模型;其次根据管道可靠性建立了预测性维修决策模型并进行优化求解;最后结合实例对维修成本进行了对比分析。研究结果表明,预测性维修决策模型可以在降低成本的基础上有效提高天然气管道的安全性能,具有较好的理论参考价值。

基于能量收集全双工中继的NOMA系统性能研究

针对全双工中继转发信号时存在的自干扰现象会降低系统性能的问题,在一个双用户下行链路全双工(FD)非正交多址(NOMA)中继网络中,从中断概率的角度分析了全双工中继的自干扰因素对系统中断性能的影响。其中,FD中继使用能量收集(EH)技术来辅助基站和远端用户之间的通信。整个通信过程分为两个阶段——能量收集阶段与信息传输阶段,即采用的是功率分配方案。通过推导,得到了远、近用户中断概率的闭式表达式,并利用蒙特卡洛仿真验证了理论分析的正确性。分析了FD中继干扰消除系数对远、近用户的影响,得到了远用户中断概率最小时功率分配比的最佳值。

改进小波阈值去噪和胶囊直连网络的轴承故障诊断

作为轴承故障诊断依据,振动传感器采集的信号易受工作环境噪声干扰。为更加准确提取特征信息,采用改进传统小波阈值去噪方法,利用中间比例系数过渡方法,将传统硬阈值和软阈值结合,信号去噪更加平滑有效。去噪后的信号进行二维短时傅里叶变换,得到二维时频域数据结构。通过胶囊注意力方式改进ResNet网络直连结构,从而得到更好的分类模型Capsut-ResNet。通过对比去噪前后和不同注意力模型结构,证明了方法的有效性,能够实现更高的准确率。

考虑客户满意度的生鲜冷链路径优化研究

随着市场的竞争和需求量的增加,人们对配送服务的要求也越来越高,越来越多的顾客在基本配送需求被满足的同时,也在寻求更好的服务。为降低企业成本、提高客户满意度,文中用商品新鲜度及送达时间窗共同衡量客户满意度,在配送路径规划中引入模糊时间窗限制,并对于不同季节车内外温差的影响进行分析。以山西省太原市某乳制品公司为例,建立了基于客户满意度的约束,以固定成本、运输成本及运输保温成本之和最小为目标的冷链物流配送路径优化模型,并采用遗传算法求解,验证了模型的合理性与可行性。

多尺度代价敏感卷积神经网络的轴承故障诊断

针对滚动轴承故障诊断过程中因采集数据不平衡而导致诊断精度下降的问题开展研究。面向原始一维振动信号多尺度复杂性的特点,提出一种基于多尺度代价敏感卷积神经网络的不平衡故障诊断方法。构建串并联结构的多尺度一维卷积特征提取层,通过设计不同卷积层的连接方式和选取不同的卷积核大小实现多特征提取;利用注意力机制自适应设置Adacost代价敏感损失函数的代价矩阵,实现权重的自适应分配。通过在多种不平衡比率的西储大学轴承数据集上的实验表明:该方法能有效提升模型在不同不平衡数据集中的分类性能,且具有更强的泛化能力。