基于变分模态分解和PSO-SVM的起重机齿轮箱故障诊断

起重机齿轮箱的振动信号具有信噪比低、非线性的特点,需要一定的专业知识和经验才能实现故障诊断。为了实现起重机齿轮箱的智能故障诊断,提出了一种基于变分模态分解(Variation⁃al modal decomposition,VMD)改进小波降噪和粒子群算法(Particle swarm optimization,PSO)优化支持向量机(Support vector machine,SVM)的智能故障诊断方法。首先,利用VMD将振动信号分解,得到不同尺度的本征模态函数(Intrinsic mode function,IMF),将分解的高频分量进行改进小波降噪后和低频分量完成信号重构;然后,提取重构信号的特征参数构建特征向量,使用核主分量分析(Ker⁃nel principal component analysis,KPCA)对向量降维处理实现特征信息融合;最后,利用PSO优化后的SVM进行故障识别分类。实验验证表明,基于VMD改进小波信号预处理和PSO算法优化SVM的模型具有很高的识别准确率,能够有效、准确地对起重机齿轮箱的故障类型进行识别和分类。

引入权值修正预测控制的风电叶片自适应组合抑振策略研究

针对大型风电叶片颤振开展主动控制研究,采用柔性尾缘襟翼方式,以NACA0012翼型为研究对象,建立二自由度叶片的颤振控制增广模型。引入拉盖尔函数对模型预测控制(MPC)算法中权值更新策略进行指数修正,在此基础上利用分层结构思想对叶片减振系统划分不同控制层次,设计以振动量最小化为控制目标的自适应组合控制策略。利用仿真平台对标准工况和干扰工况下所提控制策略的控制结果进行分析,结果表明:所提方法可有效抑制气弹耦合作用下的叶片振动,降低抑振能耗,与常规自适应控制方法相比,具备更优的抗干扰性能,可进一步提升复杂运行环境下风电叶片振动控制系统的适应能力。

改进ResNet网络在电梯轿厢振动故障诊断中的应用

为了提高电梯运行过程中故障诊断精确度,为电梯轿厢振动故障诊断开辟新路径。采用电梯承运质量测试仪记录电梯运行过程中的振动信号,分离出水平方向信号,用连续小波进行时频变换后作为输入,利用改进ResNet网络对信号进行分类诊断。对残差神经网络进行改进,加入通道空间注意力机制(CSAM),调整传统ResNet的网络结构使网络训练更加轻量化,节约训练时间和内存成本。实验结果表明,改进ResNet网络诊断正确率比传统机器学习故障诊断方法提高了1.86%,网络参数减少了3.98 Mb。改进ResNet网络能对电梯故障进行有效诊断,并且减少了网络参数和训练时间,为电梯的故障诊断开辟了新路径。