基于小波包神经网络的轴承故障识别模型

针对传统故障特征提取过程复杂、诊断方案单一且准确性差等问题,提出了基于多阈值小波包和深度置信网络(DBN)的轴承故障识别方案。本文作者采用最优小波基函数和软硬阈值结合方法对原始振动信号进行三层分解降噪处理,得到8个从低频到高频段的信号成分,对其进行组合重构作为神经网络的输入样本;通过DBN在数据处理上的特征重构优势,建立了DBNBP神经网络的轴承故障识别模型,确定模型的各类参数。经多次实验,探究不同样本输入对模型识别率的影响,并与传统的浅层神经网络识别模型做对比分析,结果表明:经训练的DBNBP轴承故障识别模型可从原始数据、小波包分解信号实现轴承故障信号的准确特征学习和分类,结合识别率和诊断时间考虑,经小波包分解信号输入具有更优的诊断效率。

采煤机运行状态数据实时清洗技术研究

针对采煤机传动系统运行状态数据存在噪声点、缺失值的问题,建立了一种基于Storm的数据实时清洗平台。该平台使用ARIMA建立数据清洗模型,利用Storm中的Spout组件实时读取测点数据,将数据根据设定的样本容量进行封装并传递给Bolt组件,Bolt组件则完成噪声点判定、平稳化处理以及模型选参等具体的数据清洗工作。通过实验证明,该平台能够完成采煤机传动系统运行状态数据的实时清洗工作。

基于改进PSO-GA的设备点检路径优化

为解决传统点检路径优化无法兼顾工作分配、地理跨度和路径最优等因素的问题,建立多目标协同优化的点检路径优化模型,并提出一种改进的粒子群遗传算法(PSO-GA)。采用基于k-d树的k-means算法确定初始粒子群;以PSO作为选择算子嵌入到GA中,重构PSO中的位置速度更新公式;针对点检路径问题与MTSP的主要区别,设计一套基于组的顺序交叉算子;引入2-opt算法作为局部搜索算子,优化迭代结果。实验结果表明,改进的PSO-GA求解高效,最优解质量优良,能够应用于设备点检路径优化。