一类解决变应力加速寿命试验参数估计的方法

变应力加速寿命试验的极大似然函数是高维非线性复杂目标函数,其待估参数多,采用梯度下降优化方法进行参数估计容易陷入局部极值,而采用全局优化方法又存在寻优效率低的问题.为了解决复杂多维目标函数优化的瓶颈问题,设计了一种基于实数编码遗传算法和Powell法的遗传加速方法.利用适应度函数获得两种优化方法的最佳切换点,最大程度发挥遗传算法和Powell算法的优点,既提高了多维非线性目标函数寻优效率又保证了参数估计的全局最优.液压泵加速寿命试验实例分析结果表明,遗传加速方法可以在寻优前期利用遗传算法保证待估参数的全局最优估计,在寻优后期快速逼近最优值,使寻优成功率达到85%.

液压泵信息融合故障诊断

针对液压泵故障特征的分散性和模糊性,提出基于振动和压力传感器的信息融合故障诊断方法。在充分分析液压泵球头松动故障机理的基础上,对振动信号和压力信号进行小波消噪处理,有效提取球头松动的故障特征。将不同类型特征参数进行特征层融合,利用主成分分析和改进算法的BP神经网络实现液压泵球头松动故障诊断。试验表明,基于不同类型传感器信息融合故障诊断方法可以有效地实现液压泵微弱故障的诊断。

基于小波消噪的液压泵故障诊断

针对液压泵出口故障检测信号信噪比低、难以进行故障特征提取的特点 ,采用小波分析进行消噪处理 ,利用具有紧支结构的小波函数进行分解和重构消除检测信号中的干扰成分 ,有效提取故障特征 ,从而实现液压泵配流盘偏磨故障及滑靴磨损故障的高效故障诊断。试验结果表明 ,小波包分析能够将信号进行多层次的划分 ,根据被分析的信号的特征 ,自适应地选择相应的频带 ,从而提高信号的时 -频分辨率 ,在时域和频域上有效突出故障信息 。

人工智能走向边缘

近些年,人工智能、机器学习以及深度学习这些热点技术,受到了极为广泛的关注,这要归功于很多大型互联网公司对这些技术的应用,例如图像或者语音识别,以及自然语言处理,我们大多数人几乎每天都会使用这样的系统和应用。当我们考虑机器学习时,首先能够想到的是,通过服务器集群搭建的大数据中心和云平台,对于很多机器学习的应用来讲,这是一个存在了很多年的标准搭建方式。但近些年来,随着硬件能力的不断提升、物联网场景的出现以及成本的下降,大量的应用场景从云端转移到了边缘。在这样的模式转换中,随着智能化越来越接近事件发生地而远离云端,节点设备会变得更加自主化。这些变化导致了很多有趣的应用产生,例如无人机、ADAS辅助驾驶以及可移动的智能机器人,而且这仅仅是个开始。