为了解决挖掘机作业阶段识别方法可靠性较低的问题,提出了一种基于信息融合和多粒度级联森林模型(information fusion and multi-granularity cascade forest model,IFMCFM)的智能识别方法。利用信息融合技术将挖掘机作业阶段的类别概...为了解决挖掘机作业阶段识别方法可靠性较低的问题,提出了一种基于信息融合和多粒度级联森林模型(information fusion and multi-granularity cascade forest model,IFMCFM)的智能识别方法。利用信息融合技术将挖掘机作业阶段的类别概率向量与高重要度特征进行融合,形成新的识别特征;将新特征输入级联森林模型,采用不同比例的训练集对模型进行训练并对识别结果进行分析;将IFMCFM的识别结果与DAGSVM(directed acyclic graph support vector machine,有向无环图支持向量机)、PCA-SVM(support vector machine based on principal component analysis,基于主成分分析的支持向量机)、LIBSVM(library for support vector machines,支持向量机库)和LSTM(long short-term memory,长短期记忆)的识别结果进行对比。研究结果表明:当训练集比例为80%时,IFMCFM的识别准确率、召回率和F1(精确度和召回率的调和平均数)指标分别为95.00%,95.17%和95.02%,识别效果较优;相比于其他识别模型,IFMCFM的识别准确性和可靠性最高。IFMCFM可以有效地识别挖掘机作业阶段,具有较高的应用价值。展开更多
针对滚动轴承微弱故障特征信息易受噪声干扰提取困难的问题,提出一种新的滚动轴承故障特征提取方法,即协方差矩阵(covariance matrix,CM)、奇异值差分谱(singular value difference spectrum,SVDS)和奇异值中值分解(singular value medi...针对滚动轴承微弱故障特征信息易受噪声干扰提取困难的问题,提出一种新的滚动轴承故障特征提取方法,即协方差矩阵(covariance matrix,CM)、奇异值差分谱(singular value difference spectrum,SVDS)和奇异值中值分解(singular value median decomposition,SVMD)相结合。首先,考虑到旋转机械的故障特征,对轴承故障信号采用1步长方法构造Hankel矩阵;其次,考虑到信号的协方差矩阵对于信号自相关去噪的优势,进而计算Hankel的协方差矩阵并进行空间重构;再次,采用奇异值差分谱方法对重构后的协方差矩阵信号进行分解处理而实现初步降噪,通过奇异值中值分解方法对其进行分解和筛选处理而完成二次降噪,并根据处理后信号的频谱包络,实现轴承故障特征信息的提取;最后,通过滚动轴承仿真数据分析得出,所提方法能够有效提取出噪声信号的故障特征及其谐波,实现不同轴承故障类型特征的有效提取,为滚动轴承故障复杂信号处理和诊断提供了一种新的方法和途径。展开更多
针对装载机铲装过程中作业阻力影响因素众多且环境复杂多变,传统作业阻力预测模型的适用范围有限、动态预测效果不佳等问题,文中提出了一种基于增量学习的装载机铲装作业阻力预测技术。首先,建立装载机铲装作业阻力的双向长短期记忆(Bid...针对装载机铲装过程中作业阻力影响因素众多且环境复杂多变,传统作业阻力预测模型的适用范围有限、动态预测效果不佳等问题,文中提出了一种基于增量学习的装载机铲装作业阻力预测技术。首先,建立装载机铲装作业阻力的双向长短期记忆(Bidirectional Long Short Term Memory,Bi-LSTM)模型作为增量学习的基础模型;然后,基于增量学习搭建模型动态更新框架,构建出能够适应新数据并持续更新的Bi-LSTM增量学习(Bi-LSTM-Incremental,Bi-LSTM-Inc)模型;最后,利用基于EDEM-RecurDyn软件的装载机铲装细沙物料联合仿真的数据进行模型算法的寻优,并利用装载机在相同工况下的在役运行数据进行实际测试验证。结果表明,基于增量学习的装载机铲装作业阻力预测技术能够有效降低预测误差,提高预测精度,作业阻力的动态预测效果好,为装载机无人自主作业提供了技术支撑。展开更多
文摘为了解决挖掘机作业阶段识别方法可靠性较低的问题,提出了一种基于信息融合和多粒度级联森林模型(information fusion and multi-granularity cascade forest model,IFMCFM)的智能识别方法。利用信息融合技术将挖掘机作业阶段的类别概率向量与高重要度特征进行融合,形成新的识别特征;将新特征输入级联森林模型,采用不同比例的训练集对模型进行训练并对识别结果进行分析;将IFMCFM的识别结果与DAGSVM(directed acyclic graph support vector machine,有向无环图支持向量机)、PCA-SVM(support vector machine based on principal component analysis,基于主成分分析的支持向量机)、LIBSVM(library for support vector machines,支持向量机库)和LSTM(long short-term memory,长短期记忆)的识别结果进行对比。研究结果表明:当训练集比例为80%时,IFMCFM的识别准确率、召回率和F1(精确度和召回率的调和平均数)指标分别为95.00%,95.17%和95.02%,识别效果较优;相比于其他识别模型,IFMCFM的识别准确性和可靠性最高。IFMCFM可以有效地识别挖掘机作业阶段,具有较高的应用价值。
文摘针对滚动轴承微弱故障特征信息易受噪声干扰提取困难的问题,提出一种新的滚动轴承故障特征提取方法,即协方差矩阵(covariance matrix,CM)、奇异值差分谱(singular value difference spectrum,SVDS)和奇异值中值分解(singular value median decomposition,SVMD)相结合。首先,考虑到旋转机械的故障特征,对轴承故障信号采用1步长方法构造Hankel矩阵;其次,考虑到信号的协方差矩阵对于信号自相关去噪的优势,进而计算Hankel的协方差矩阵并进行空间重构;再次,采用奇异值差分谱方法对重构后的协方差矩阵信号进行分解处理而实现初步降噪,通过奇异值中值分解方法对其进行分解和筛选处理而完成二次降噪,并根据处理后信号的频谱包络,实现轴承故障特征信息的提取;最后,通过滚动轴承仿真数据分析得出,所提方法能够有效提取出噪声信号的故障特征及其谐波,实现不同轴承故障类型特征的有效提取,为滚动轴承故障复杂信号处理和诊断提供了一种新的方法和途径。
文摘针对装载机铲装过程中作业阻力影响因素众多且环境复杂多变,传统作业阻力预测模型的适用范围有限、动态预测效果不佳等问题,文中提出了一种基于增量学习的装载机铲装作业阻力预测技术。首先,建立装载机铲装作业阻力的双向长短期记忆(Bidirectional Long Short Term Memory,Bi-LSTM)模型作为增量学习的基础模型;然后,基于增量学习搭建模型动态更新框架,构建出能够适应新数据并持续更新的Bi-LSTM增量学习(Bi-LSTM-Incremental,Bi-LSTM-Inc)模型;最后,利用基于EDEM-RecurDyn软件的装载机铲装细沙物料联合仿真的数据进行模型算法的寻优,并利用装载机在相同工况下的在役运行数据进行实际测试验证。结果表明,基于增量学习的装载机铲装作业阻力预测技术能够有效降低预测误差,提高预测精度,作业阻力的动态预测效果好,为装载机无人自主作业提供了技术支撑。
