麻雀搜索算法优化的外啮合齿轮泵泄漏量预测

预测齿轮泵泄漏量的变化趋势有助于定量分析其性能退化过程。变分模态分解(Variational Modal Decomposition, VMD)方法对齿轮泵原始泄漏量数据进行变分模态分解,得到本征模态函数IMF,提出一种结合麻雀优化算法(Sparrow Search Algorithm, SSA)和长短期记忆神经网络(Long-Short Term Memory, LSTM)的模型,建立VMD-SSA-LSTM模型预测齿轮泵泄漏量的变化情况,并对每一个分量进行单独预测,最后将预测结果进行叠加,获得完整的预测结果。通过对比不同时间段预测结果可知,VMD-SSA-LSTM模型较单一的LSTM模型预测结果的平均相对误差最高可减小25.2%,能够完成对泄漏量的有效预测。研究结论可为齿轮泵性能衰退的定量预测提供理论支持。

基于状态划分和集成学习的轴承剩余使用寿命预测模型

针对滚动轴承剩余使用寿命(RUL)预测退化起始时间(DST)难以确定,以及单一寿命预测模型精度比较低的问题,提出了一种基于状态划分和集成学习模型的滚动轴承RUL预测方法。首先,提取了轴承振动信号的特征,利用滑动窗口不断更新3σ准则预警范围,结合连续触发机制自适应确定DST;然后,采用具有自适应噪声的完全集成经验模态分解(CEEMDAN)对退化阶段信号序列进行了自适应分解;最后,构建了集成学习模型,考虑分量的不同特性进行了多步滚动预测,融合预测结果得到了轴承RUL,采用滚动轴承XJTU-SY公开数据集进行了试验验证。研究结果表明:与基于长短时记忆神经网络(LSTM)、反向传播神经网络(BPNN)的预测方法相比,该方法预测结果的平均绝对误差分别降低了11.7%以及5.6%,相对均方根误差分别降低了12.2%以及10.7%,验证了该方法在轴承RUL预测中的有效性和优越性。

鲸鱼优化算法-双向长短期记忆神经网络用于断路器机械剩余寿命的预测研究

低压断路器的安全可靠是电力系统能否稳定运行的关键一环,因此对断路器进行退化趋势预测和剩余寿命评估具有重要意义。基于鲸鱼优化算法(whale optimization algorithm,WOA)和双向长短期记忆神经网络(bidirectional long short-term memory,BiLSTM)提出了一种断路器操动机构剩余寿命的预测方法,首先采用Pearson相关系数法对获得的原始监测数据进行筛选,选择与断路器开断次数相关度较高的数据作为关键退化特征量,基于主成分分析法进行数据融合获得能够综合表征断路器运行状态的健康指数;随后使用滑动时间窗的方法对健康指数时间序列进行重构,再通过WOA-Bi LSTM寻优获得的最佳模型对健康指数进行时间序列预测,从而获得断路器未来多步的退化趋势;最后再根据设定的失效阈值,确定断路器操动机构的剩余寿命。实例验证表明,该文提出的混合预测模型预测精度最高可达96.43%,相比于其他传统预测模型显著提高,对于断路器的实际运维工作具有一定的指导意义。

质子交换膜燃料电池退化预测方法

耐久度是制约质子交换膜燃料电池大规模应用的主要障碍之一,性能退化预测技术可以有效提高质子交换膜燃料电池的耐久度。该文提出一种结合小波阈值去噪方法的正则化堆叠长短期记忆网络的性能退化预测方法。通过小波阈值去噪法,获得消除噪声和尖峰后的平滑数据。针对退化数据不确定性和高度非线性导致的特征难以提取问题,引入了正则化堆叠长短期记忆网络模型,该模型通过引入参数优化算法有效地避免了过拟合风险,提高了预测精度和可靠性。为验证该方法的有效性,采用两种不同工况下的质子交换膜燃料电池老化数据进行验证。结果表明,所提方法在稳态工况下的最大误差为0.0163V,误差区间在0.5%以内;动态工况下的最大误差为0.0064 V,误差区间在0.2%以内。

基于数据驱动的离心泵轴承特征分析及寿命预测

离心泵是工业中能量转换和流体输送的核心设备,其部件滚动轴承的可靠性对整个机组的安全运行尤为关键。为了解决目前滚动轴承寿命预测问题,对滚动轴承剩余寿命的最佳预测方案进行了研究。首先,从数据驱动和试验出发,利用试验台采集所得的离心泵轴承正常及故障状态下的数据,分析了时域、频域、时频域各特征在不同工况中的表现差异,发现了时域特征、频域特征、小波包分解能量特征、完全自适应噪声完备集合经验模态分解(CEEMDAN)能量特征可以捕捉到不同工况下的故障信息;然后,以单调性、趋势性指标加权分数为依据,结合特征的敏感性分析结果,优选出了轴承在全寿命周期中表现突出的12个特征,经核主成分分析(KPCA)-长短期记忆网络(LSTM)降维处理后,构建出了能够表征离心泵轴承退化过程的一维特征量;最后,对比分析了LSTM网络、反向传播(BP)网络和卷积神经(CNN)网络的预测效果。研究结果表明:LSTM网络的均方根误差(RMSE)为0.402,平均绝对百分比误差(MAPE)为0.332,预测精度在三者中最好,模型平均训练时间为12.6 s,可见LSTM网络在预测精度及模型训练时间上更具优势。

基于ACNN—LSTM网络的轴承状态退化预测

为了便于大型机组的维护和检修,确定机组齿轮箱轴承的更换时间,需要预知轴承的工作状态。根据轴承数据特点,提出卷积神经网络(CNN)的改进算法ACNN-LSTM网络。ACNN-LSTM是结合融入注意力机制的卷积神经网络与长短期记忆网络(LSTM),实现对轴承的退化预测。选取轴承退化敏感特征,利用主成分法建立退化指标。ACNN的注意力模块(CBAM)能够准确提取退化特征,经五点三次平滑法处理突出退化状态。为验证ACNN-LSTM网络的有效性,搭建风机齿轮箱平台。实验结果显示,预测退化曲线和实际退化曲线基本重合,到达失效阈值的时间接近,表明该改进算法能够准确预测轴承状态退化趋势,为评估轴承的运行状态提供依据。

短期封育对贵南县轻度退化高寒草甸植被特征的影响

为明晰短期封育措施对高寒草甸植被特征的影响,本研究以短期封育的轻度退化高寒草甸为研究对象,研究围栏内外植被盖度、高度和功能群(禾本科、莎草科和杂类草)生物量的月动态和年动态变化特征,以期为高寒草地管理提供科学依据。结果表明,短期围栏封育处理显著提高了轻度退化高寒草甸植被盖度、高度和地上生物量;不同经济类群植物对围封的响应也有所差异,7月–8月禾草和杂类草植物迅速生长,莎草则在9月后逐渐占据优势。围栏第2年轻度退化草地的群落盖度、地上生物量的提升效果高于封育当年,其中,莎草生物量占地上总生物量的60%以上,禾草占30%左右,杂类草被抑制在10%以下,且封育处理禾草、莎草类和总生物量均高于围栏第1年,7月–10月地上生物量的均值较2011年分别上升了12.4%、161.5%和52.8%,杂类草生物量降低了57.1%。综上,短期围栏封育能够有效恢复贵南县轻度退化高寒草甸。

短期封育对冀北沙荒地植被恢复及种群生态位的影响

基于2007、2008年对冀北南山嘴沙荒地的封育区、未封育区植被种类组成和数量特征的调查,通过Shannon-Wiener生态位计算公式和对称α法(Pianka公式)分析了演替初期干扰对种群生态位的影响,研究了短期封育对沙荒地植被恢复的作用。结果表明:短期封育使植被状况得到了明显的改善,封育区的植被盖度、生物量指标均有42%以上的显著提高。经短期封育,多花胡枝子(Lespedeza floribunda)代替猪毛蒿(Artemisia scoparia)、细野麻(Boehmeria gracilis)、金毛狗尾草(Setaria viridis)等成为群落优势种。短期封育对优势植物种群在总种群中所占比例影响不大,但能够促进优势种间的竞争和共存,使得资源得到更为充分的利用。由于2007年降水少于2008年,优势种群间的生态位重叠值的分布趋势也由2007年的分散分布变为2008年的集中分布;而且由于降水增加,2008年未封育区优势种群的总体竞争水平较2007年有了明显提高。

短时渐增负荷对血清氨基酸代谢影响的研究

本文对普通高中学生进行踏车功量计上的短时渐增至极限负荷运动,观察当组织蛋白净降解基本没有改变时,游离氨基酸代谢的特点。结果表明,游离氨基酸进行氧化分解活动的过程加强,支链氨基酸参与丙氨酸—葡萄糖循环的活动显著,提示短时运动中,氨基酸参与氧化供能、维持血糖水平等活动,并且其程度比以往想象的大得多。此外,色氨酸水平的大幅度下降,及其与丙氨酸变化呈高度负相关,暗示存在支链氨基酸以外的氨基酸为丙氨酸—葡萄糖循环提供—NH_2的可能性。

基于长短期记忆网络的Vienna整流器故障预测

为了掌握Vienna整流器的健康状态,提出基于长短期记忆(LSTM)网络的Vienna整流器故障预测模型。通过对电容和功率MOSFET的退化与故障特征分析,建立Vienna整流器整体电路性能和关键元器件退化之间的关系,选择输出电压变化值ω为整流器的故障特征参数。在此基础上,构建基于LSTM的Vienna整流器故障预测模型,采用Adam优化算法训练预测模型,实现对Vienna整流器故障特征参数的预测。仿真结果表明,该模型预测结果的均方根误差为0.1233,平均绝对百分误差为0.1018,该模型的预测精度较高,能够较好地实现Vienna整流器的故障预测。

西藏高寒退化草地短期恢复后的抗牧性能研究

试验运用对比方法,对西藏高寒地区初步修复的草地进行放牧试验,调查统计草地杂草的密度、盖度、高度及盖度,分析不同措施下杂草多样性和地上生物量,以探讨其抗牧能力.结果表明:移栽处理植物总密度为405. 78株/m^2,低于对照的总密度545.78株/m^2,处理间差异不显著(P >0. 05;n =9);移栽处理总盖度为39.56%,是对照的1.41倍,二者差异不显著(P>0.05;n=9);移栽处理总生物量12.08 g/m^2,为对照的1.67倍,差异并不显著(P>0. 05;n =9);移栽处理的Shannon-Wiener多样性指数是CK的1.03倍,Pielou均匀度指数是CK的85. 33%, Margalef物种丰富度指数是CK的1.33倍.Simpaon多样性指数是CK的1.03倍,均无明显差异(P > 0. 05;n = 9).因此退化草地经移栽封育短期恢复后,其抗牧能力并没有改观,西藏高寒地区重度退化草地应采取长期的恢复措施.

基于VMD-LSTM的滚动轴承退化状态识别

针对滚动轴承退化信号的非平稳、非线性特点以及全寿命退化状态难以有效识别的问题,提出一种基于变分模态分解(VMD)和长短时记忆神经网络(LSTM)相结合的滚动轴承退化状态识别方法。该方法首先采用麻雀搜索算法(SSA)对VMD的两个参数(模态分量个数和惩罚因子)进行优化;然后将滚动轴承振动信号分解成若干个本征模态函数(IMF),再根据皮尔逊相关系数选择VMD分解得到的敏感IMF分量,对其重构后进行特征提取;最后将多维退化特征输入LSTM模型训练,建立退化状态模型。实验结果表明该方法能够准确识别轴承的退化状态,验证了该方法的优越性。

聚合物发光二极管中可逆的不稳定行为

研究了存在于聚合物发光二极管 ( PL ED)中的一种可逆的“负阻”现象及短期衰退行为 .当加在 PLED上的正向偏压大于 1 0 V之后 ,其电流和发光强度将在某偏压下出现突然的转折 ,即电流或光强骤增而器件上压降减小 .“负阻”现象将随测量次数的增加而逐渐消失 .采用 CCD摄像头摄取发光象素上发光的变化情况的图像 ,发现光强的突变与电流的突变是相对应的 .对以不同极性脉冲偏置观察发光光强的短期衰退情况时发现 ,反向偏置有助于抑制正向的发光衰退行为 .我们初步认为这些现象可能与

基于CNN-BLSTM网络的轴承性能退化预测

轴承作为旋转机械设备的重要部件之一,利用监测数据对其开展性能退化评估及剩余寿命预测,对于提高设备可靠性、降低维修成本至关重要。针对传统数据驱动方法在特征提取中过度依赖先验知识和专家经验,未能有效利用时间序列数据中的中长期依赖关系进行建模等问题,提出了一种基于卷积神经网络(CNN)和双向长短期记忆(BLSTM)网络的端到端深度模型进行轴承性能退化预测。该模型采用3层结构,首先,采用CNN直接从原始数据中提取特征向量;然后,将特征向量以时间序列方式重新构造,引入BLSTM网络捕获数据的时序特征;最后,利用一个全连接层和线性回归层来输出模型的最终预测结果。轴承加速寿命实验结果显示所提方法的RMSE和MAPE相比传统方法分别降低了12.7%和17.1%,说明该方法能够有效提高轴承性能退化的预测精度。

基于FCM-LSTM的滚动轴承多阶段寿命预测

针对滚动轴承逐渐呈现多阶段退化的退化特性,文中提出基于模糊C均值聚类(Fuzzy C-Means Clustering, FCM)和长短时记忆神经网络(Long Short-Term Memory, LSTM)的滚动轴承多阶段寿命预测方法。该方法的步骤是:使用小波包分解提取时频域特征,构建滚动轴承的健康指标;采用FCM将滚动轴承的退化过程分为多个阶段;使用LSTM对其在不同阶段的使用寿命进行预测,其预测结果可用于维修决策的制订与执行;利用开源试验数据集验证了该方法的合理性,表明了分阶段的寿命预测能有效提高预测精度。

基于PEDCC性能退化指标及MCRNN的滚动轴承寿命状态识别方法

针对滚动轴承退化性能难以评估、寿命状态难以识别的问题,提出一种基于相空间欧式距离相关性(phase Euclidean distance cross-correlation,PEDCC)指标和多通道卷积长短时记忆网络(multichannel convolutional neural long short term memory network,MCRNN)的状态识别方法。首先将正常轴承样本信号进行相空间重构,计算样本内重构后相邻数据之间的欧式距离,并将样本内的所有欧氏距离构成距离向量;然后利用互相关函数计算其余样本距离向量与正常样本距离向量之间的相关性,并将其作为轴承退化指标;最后利用所建立的PEDCC退化指标对轴承状态进行划分,将其输入到MCRNN网络中进行退化状态识别。其中MCRNN网络在不同通道中分别采取了不同卷积核,不同激活函数,以便于提取轴承振动信号的多尺度特征。通过轴承全寿命数据集对所提退化指标及网络模型的实用性进行验证,试验证明所提出的方法能更精确的实现轴承的退化状态识别。

基于动态长短期记忆网络的设备性能退化预测方法

针对目前基于数据驱动的旋转机械退化状态预测中时序列信息考虑不充分、寿命标签制定不合理、退化模型累计误差大等问题,提出一种融合趋势滤波、模糊信息粒化、动态长短期记忆网络(LSTM)的旋转机械退化趋势与退化区间预测方法。以振动信号为例,首先提取表达设备退化信息的特征指标,然后通过趋势滤波与模糊信息粒化提取主要退化趋势与模糊退化边界,其次利用动态LSTM进行综合性能退化预测;最后,利用网络公开的轴承训练数据集验证了本文方法的可行性与有效性。

基于时域特征与LSTM-Attention的IGBT退化预测方法

绝缘栅双极晶体管(IGBT)在可靠性分析任务中时间信息难以充分利用,导致预测精度不高。文中提出一种基于多维时域特征和注意力机制的深度学习方法,该方法结合主成分分析(PCA)技术、长短时记忆网络(LSTM)和注意力(Attention)机制。首先,采用时域分析来手动提取原始数据中的多维时间特征,并利用PCA技术对其进行特征融合处理;然后,利用LSTM网络从样本数据中自动学习序列特征,引入的Attention机制能够对更重要的特征和时间步长赋予更大的权值。最后,使用NASA Ames实验室加速老化数据库进行实验,结果表明所提方法优于最新方法。手动提取的时间特征在经过特征融合后,可以作为序列数据预测任务中的有效退化特征,并结合Attention机制大大提高预测精度。

短期围封对辽西北退化草地群落牧草品质的影响

围封对退化草地牧草品质的影响是评价围封效果的重要方面。以辽西北退化草地为研究对象,研究3年间(2017-2019年)围封和自由放牧处理下群落特征和牧草品质各项指标的变化。结果表明:围封区群落高度、盖度、地上生物量、枯落物量以及牧草粗蛋白、非纤维性碳水化合物、产奶净能、奶吨指数显著高于放牧区(P<0.05),具有较高的营养成分以及饲喂价值,而放牧区牧草粗灰分、粗脂肪、木质素、酸性洗涤纤维、体外干物质消化率、中性洗涤纤维消化率、可消化中性洗涤纤维、钙、镁以及磷元素含量极显著高于围封区(P<0.01),具有较高的消化率和更为丰富的矿质元素,但适口性较差。2019年牧草粗蛋白、非纤维性碳水化合物、钾元素、维持净能以及总可消化养分含量相比围封初年(2017年)均得到显著提高(P<0.05),且中性洗涤纤维含量最低(P<0.05)。结果表明退化草地经短期围封后群落特征指标和牧草品质均得以提高,这为退化草地短期围封提供理论参考,对草原管理和利用具有重要意义。

考虑多性能指标相关性的退化设备剩余寿命预测

针对一类监测数据呈现高维化且多个性能指标存在耦合关系的多元退化设备,本文提出了一种考虑多性能指标相关性的多元退化设备剩余寿命预测方法。采用信息熵和互信息筛选出含信息量丰富且能有效表征设备健康状态变化的性能指标;通过Copula函数刻画不同性能指标之间的两两相依关系,并在此基础上通过条件抽样得到考虑多性能指标相关性的健康指标;将其输入到融合注意力机制的双向长短期记忆网络,通过注意力机制自动调节不同时刻隐藏状态的权重,优化预测网络,并通过航空发动机数据集验证了所提方法的有效性和实用性。