基于联邦泛化的非平稳船舶横摇运动预测方法

船舶易受到风浪干扰而影响海上风力发电机的安装精度和维护安全性,其中长峰波随机波浪谱下的非平稳横摇运动影响最大。为保证海上作业在复杂海况下的稳定性,需要提高预测模型的泛化性,故本文提出基于联邦泛化的非平稳船舶横摇运动预测方法。首先,利用变模态方法分解非平稳船舶横摇运动为多分量平稳序列,进而采用注意力机制的长短期记忆神经网络建立本地多维多步预测模型,并进行误差校正;其次,为了提高复杂海况下遇到新类型船舶横摇运动时的预测效果,在不共享数据的前提下联合多家船舶横摇运动数据持有方进行择优联邦建模;最后,使用最大均值差异方法选择特征相似度高的数据进行加权平均联邦训练。实验结果表明,经过联邦学习后的模型具有更高的预测精度,以及更好的泛化能力,有助于风电安装时的波浪补偿稳定控制。

基于脉冲涡流监测与Wiener过程的再制造工作辊实时剩余寿命预测方法

再制造工作辊在热轧工作过程中熔覆层易发生复杂的退化行为,而其性能退化会影响轧制产品的质量。为实时监测轧辊退化情况并预测其剩余寿命,构建一套在线脉冲涡流监测方法和系统,采用变分模态分解-希尔伯特变换(VMD-Hilbert)方法提取0~5000 Hz频率边际谱能量和的增量作为轧辊退化特征。基于此,构造考虑个体差异的状态退化空间模型,结合最大期望(EM)算法和Kalman平滑滤波算法联合对模型中未知参数进行自适应参数估计,并利用层次分析法融合监测的历史数据与实时数据,以实现对再制造工作辊实时剩余寿命预测。实验结果表明,所提方法能够准确预测再制造工作辊剩余寿命,具有一定的应用前景。

基于DBO-RBF的无缝钢管张力减径轧制力预测

基于深度学习,提出了一种基于蜣螂优化算法(DBO)优化径向基函数(RBF)神经网络的预测模型,对无缝钢管张力减径过程的轧制力进行预测。同时,以某钢管厂张力减径过程中采集的第4和第10机架轧制力相关数据为样本集,通过学习和训练,将得到的结果与传统RBF神经网络的预测结果进行了对比。结果表明,该模型具有更高的预测精度和稳定性,第4机架轧制力预测结果的均方根误差eRMSE和平均绝对误差e_(MAE)分别为0.53和0.39,第10机架轧制力预测结果的均方根误差e_(RMSE)和平均绝对误差e_(MAE)分别为0.13和0.09,预测值与真实值之间误差均在工业允许范围内。

采用SGCMG的两轮单辙平台自平衡控制技术

针对以自行车、摩托车为代表的两轮单辙平台的自然不稳定问题,采用单框架控制力矩陀螺(SGCMG)为平衡控制机构,研究两轮单辙平台不同工况下自平衡控制算法。分析两轮单辙平台横向力矩,推导横滚转动动力学方程,并根据不同状态误差设计了增益调度PID控制器;建立轮-地接触点模型,修正曲线运动时目标横滚角,减小反馈静差,获得更好的动态响应;以前叉转向趋势预估未来时刻转向角度与目标平衡横滚角度,提前调整姿态以重力矩抵消离心力矩,模拟人骑行时的预判压弯行为。相关算法经仿真验证与实车测试,可在静止与曲线运动等工况下保持动态平衡,效果良好,表明了算法的有效性。

航空发动机轴承钢滚动接触疲劳模拟及寿命预测

主轴轴承是航空发动机中重要的安全部件,由综合性能优良的轴承钢制备,材料须具备高表面硬度、高断裂韧度、耐高温、抗疲劳、抗腐蚀等特点。然而,严苛的运行条件使轴承钢因滚动接触疲劳(RCF)而失效,严重影响飞行安全,因此,准确预测轴承钢的RCF寿命是保证航空发动机可靠性的关键。本文综述了航空发动机轴承钢RCF和寿命预测方面的重要研究成果和进展,并且展望了该领域未来的研究方向。文章首先介绍了轴承滚动体和滚道间赫兹接触导致的特殊应力场,其中剪切应力分量在次表面达到峰值,这解释了轴承钢次表面RCF复杂机理的原因,提出在理想条件下次表面起源的RCF是轴承钢的重要失效模式,同时,随着接触应力的增加,材料的响应方式从弹性向塑性演进;此外,由于航空发动机轴承实际服役环境恶劣,表面起源的RCF也会发生,因此存在两者之间的竞争。接着,总结对比了三种对RCF寿命的理论预测思路,即概率模型、机理模型和数值模型,并分析了这三种模型各自的优缺点:概率模型发展成熟,工业界应用广泛,但本质是一类统计学模型,缺少RCF机理,科学性较低;决定性模型通过对物理过程的描述预测RCF寿命,科学性高但模型过于简化,精确性不高;数值模型兼顾了工程实际和科学性,是针对RCF寿命预测问题的有力手段,但精确性有待进一步提升。最后,基于当前的研究现状,建议在未来从解决RCF过程中关键科学问题、通过嵌入RCF机理优化寿命预测模型和发展人工智能在RCF寿命预测的应用这三个方面进行研究。

建筑结构钢板热轧轧机DBN-PSO振动预报及应用

利用实时监测数据(Real-Time Monitoring Data,RMD)参数分析轧机振动状态,综合运用深度置信网络(Deep Belief Networks,DBN)与粒子群(Particle Swarm Optimization,PSO)算法构建轧机振动仿真模型,实现RMD参数的深度挖掘,并达到轧机振动的预报效果。通过融合处理能够获得非常接近实际振动过程的预测数据,具备优异预测能力。结合现场测试的初始数据预测误差在3.5%范围内,跟轧机振动情况相符。当轧制速率变慢后,振动加速度出现了降低结果;入口张力对轧机的振动加速度具有反向作用;轧机振动加速度相对出口张力表现为正相关特点;以不同宽度的轧件进行测试发现轧机振动加速度保持基本恒定的状态。该研究对提高热轧轧机运行稳定性,对保证建筑结构钢板成形精度具有很好的指导意义,可以拓宽到其它的成形设备优化领域。

基于Transformer-GRU并行网络的滚动轴承剩余寿命预测

为有效描述滚动轴承性能退化趋势和准确预测其剩余寿命,提出一种基于多域特征融合的Transformer-GRU并行网络的滚动轴承剩余寿命预测方法。建立评价指标对滚动轴承振动信号的时域、频域和时频域等多域特征进行筛选,得到评分高的敏感特征,获得退化特征集。利用自编码对退化特征集进行降维,减少数据复杂度和冗余度,得到滚动轴承的退化曲线。最后,利用Transformer-GRU并行网络进行剩余寿命预测,并将该方法运用到公开的轴承数据集分析中。结果表明:Transformer-GRU并行网络不仅可以高效准确地捕捉输入序列中的长期依赖关系,还能更好地处理时间序列之间的特征;该方法可以有效地预测滚动轴承剩余寿命,相比LSTM、GRU等经典方法更具优越性和泛化性。

基于迁移学习的滚动轴承剩余使用寿命预测

为解决轴承剩余使用寿命预测模型预测泛化能力低,不能准确预测出未训练轴承剩余使用寿命的问题,本文提出了一种迁移轴承状态知识的剩余使用寿命的方法。利用计算时域、频域特征以及模糊熵作为预测特征,使用“3σ”准则将轴承全寿命过程划分为正常阶段、退化阶段,以实现对退化阶段轴承剩余使用寿命的预测。构建基于门控循环单元的轴承剩余使用寿命预测模型,并使用某一轴承的全寿命周期数据进行训练,使模型学习到新轴承的状态信息。研究表明:相较于未使用迁移学习的方法,其预测所有轴承的轴承剩余使用寿命平均均方根误差减小了52.53%,平均百分比误差减少了68.87%。本文提出的方法可以有效、准确地预测出轴承的轴承剩余使用寿命。

基于S-MCLSTM和DANN的滚动轴承剩余寿命预测方法

针对在不同工作条件和不同故障形式下,滚动轴承剩余寿命预测泛化能力差和精确度不高的问题,提出一种基于孪生多卷积长短时记忆网络(S-MCLSTM)和域对抗网络(DANN)的剩余寿命预测方法。首先针对不同的工作条件对退化过程的影响,提出基于S-MCLSTM的差异化特征提取器以提取一定时间间隔的两个样本之间的差异化特征。同时,进一步使用工作条件判别器与差异化特征提取器进行对抗训练,减少由于工作条件的原因产生的冗余特征。之后针对故障形式对退化过程的影响,设计了故障诊断器用于和差异化特征提取器对抗训练。最后,考虑到滚动轴承一般退化过程中,不同阶段的退化过程与特征之间的映射关系可能存在的差异,提出了阶段判别器,并在不同阶段应用不同的剩余寿命预测器进行预测。最终在西安交通大学XJTU-SY轴承数据集上的实验表明,该方法在多种工作条件和故障形式下都能较准确地预测剩余寿命,有较为广泛的应用前景。

基于优化VMD-GRU的滚动轴承剩余使用寿命预测

为了提高滚动轴承剩余使用寿命(RUL)的预测精度,提出了一种变分模态分解(VMD)和门控循环神经网络(GRU)融合算法的滚动轴承RUL预测模型VMD-GRU。首先,该模型通过阿基米德优化算法(AOA)优化的VMD算法对原始振动信号进行分解;然后,利用最小包络熵准则选择最佳模态分量进行退化特征提取;再通过核主成分分析进行特征降维;最后,为保证模型准确率,通过鹈鹕优化算法(POA)优化GRU中的超参数,并根据不同故障类型建立GRU剩余寿命预测模型。使用XJTU-SY标准数据集进行剩余寿命预测验证,实验结果表明:与传统未结合故障类型提取退化特征和建立预测模型方法相比,VMD-GRU模型均方根误差和平均绝对误差分别降低了26.28%和27.17%。

基于迁移学习的高速公路交织区车辆轨迹预测

高速公路交织区复杂场景下的车辆轨迹预测对智能汽车的决策与控制具有重要意义.为应对交织区复杂交通流带来的轨迹预测实时性与精确性等挑战,提出一种基于迁移学习的车辆轨迹预测方法,利用已有的高速公路直线段轨迹预测模型进行迁移学习训练,从而实现在交织区场景中更快速精准地轨迹预测.使用NGSIM(next generation simulation)数据集中的交织区轨迹数据,采用长短时记忆神经网络模型,在已充分训练的高速公路直线段模型基础上对交织区进行迁移学习,并采用时间序列滚动预测法逐帧精准预测轨迹.实验结果表明,横向和纵向行为预测准确率可达98.35%和93.01%,轨迹预测值的均方根误差为2.04 cm.交织区迁移学习能够缩短61.1%的模型训练时间,同时提高预测准确率和模型泛化能力.

煤炭超临界水制氢反应器内多相流场智能滚动预测研究

煤炭超临界水制氢技术在高温高压条件下利用超临界水充分气化煤炭,实现了高效低排放的转化和制氢过程。为解决因反应器内复杂多相流行为导致的仿真耗时问题,以及常见代理模型时序预测时间短、精度下降快等问题,提出基于本征正交分解(proper orthogonal decomposition,POD)和Koopman理论的深度学习模型POD-Koopman,用于捕捉和学习反应器内复杂流场的长时时空演变特征,实现数据驱动的长时滚动预测。测试结果表明其能在较小计算开销下准确滚动预测反应器内多相流场时变行为,助力下游制氢反应器工业化设计及优化任务。

基于改进JRD及误差修正的轴承剩余寿命预测方法

目前,风电机组齿轮箱性能发生初始退化时难以识别,现有退化指标易出现剧烈波动、单调性较差,且无法准确预测齿轮箱关键部件如轴承的剩余使用寿命(RUL),针对该问题,提出了一种基于改进杰森-瑞丽散度(JRD)及误差修正的双指数模型轴承RUL预测方法。首先,提取了振动信号样本的多域特征指标,利用高斯混合模型(GMM)与指数型权重JRD,得到了样本的后验概率分布向量,再经归一化处理得到置信值(CV);然后,对轴承从初始健康状态退化至当前检查时刻的CV值进行了相空间重构,提取了CV序列的动力学特征,并将其作为相关向量机(RVM)的训练集,获得了支撑整个退化轨迹的相关向量;最后,利用双指数模型拟合了相关向量,外推趋势至失效门限以计算RUL,并引入了差分整合移动平均自回归模型(ARIMA),对拟合相关向量产生的拟合误差进行了预测,以修正预测的结果。实验结果表明:改进后的退化指标单调性指标提高14.3%;且在不同工况、不同时刻下,经误差修正后的轴承的RUL预测结果较未修正之前有明显提高。研究结果表明:该预测方法可为风电机组齿轮箱重要部件的预测性维护提供参考。

基于MRSDAE-KPCA结合Bi-LST的滚动轴承剩余使用寿命预测

针对现有滚动轴承剩余使用寿命预测方法在提取数据特征时没有充分考虑数据的内部分布,且在构建健康因子时还需要专家经验进行人工提取等问题,提出一种基于流形正则化堆栈去噪自编码器、核主成分分析并结合双向长短时记忆网络的滚动轴承剩余使用寿命预测方法。首先采用无监督的堆栈去噪自编码器网络对原始振动数据进行深层特征提取,并使用核主成分分析法进一步降维,以提高健康因子的指标稳定性;然后在堆栈去噪自编码器中加入流形正则化,最大程度保留编码器隐藏层内部的数据分布结构,提高模型提取数据特征的有效性。最后使用双向长短时记忆网络预测轴承的剩余使用寿命,并采用AdaMax优化算法对网络模型的超参数进行自适应寻优。分析结果表明,提出的滚动轴承剩余使用寿命预测方法具有更高的精度。

考虑稳定边界和侧倾稳定的车辆路径跟踪控制

为了解决无人驾驶车辆的路径跟踪任务中跟踪精度和车辆稳定性之间的冲突问题,提出了一种考虑横向和侧向稳定的路径跟踪控制器.首先以四轮独立驱动智能车为研究对象,设计了一种基于主动转向和电机驱动扭矩分配的整体模型预测控制器,以保证车辆在极端工况下的稳定和跟踪精度.然后通过相位图法和轮胎最大侧偏角设计车辆稳定性约束以优化动力学性能,利用零力矩方法建立侧倾约束,防止侧倾.最后在仿真中对比现有控制器,结果表明,所提出的控制器能够最大化地发挥车辆动力学极限,并在保证车辆稳定性的同时提高车辆的路径跟踪精度.

基于预警控制限自学习的滚动轴承早期故障预测

传统滚动轴承故障预警通常采用固定阈值分级报警,存在较多的误报警和漏报警。如何有效地从振动信号里学习能表征其健康状态的指标,自学习故障预警控制限,是解决该问题的关键所在。因此,提出一种预警控制限自学习的轴承早期故障预测方法。首先,采用短时傅里叶变换提取振动数据的故障特征;其次,提出基于矩阵变量高斯卷积深度置信网络的健康指标构建方法,在不破坏二维样本空间内部结构的同时将故障特征组合抽象成高层特征,通过全连接层构建健康指标;再次,拟合正常运行状态健康指标的概率分布的及检验拟合优度,并以上侧分位数作为故障预警控制限;最后,以国际标准轴承数据集验证了所提方法的有效性。

基于GRA-GPR的滚石运动特征参数敏感性分析及预测模型

针对滚石运动特征参数间关系模糊等问题,在开展其敏感性分析的基础上,构建准确、快捷的滚石运动特征参数预测系统。首先引入灰色关联法(grey relation analysis,GRA),以水平运动距离、弹跳高度和碰撞能量等滚石运动特征为目标参数,研究了初始速度、边坡摩擦角、滚石质量、法向恢复系数和切向恢复系数等滚石运动影响因素的敏感性和显著性。随后,使用高斯过程回归模型,建立水平运动距离、弹跳高度和碰撞能量等滚石运动特征参数的预测模型,避免了传统的滚石运动数值模拟软件繁琐的建模计算过程。研究表明,高斯过程回归(Gaussian process regression,GPR)模型对滚石的水平距离和总动能的预测精度最高。因此,文中所构建的滚石运动特征参数敏感性分析及预测模型能够快速得出滚石运动特征参数,对支挡结构的设计和施工有重要的参考价值。

基于数据驱动的热连轧终轧温度预测

终轧温度是热连轧生产过程中主要控制的工艺参数,是确保带钢质量的重要前提。带钢在精轧阶段经历复杂的换热过程,现场采用的半机理模型很难提高预测精度。针对此问题,从数据驱动角度出发,建立一种基于多策略改进鲸鱼优化算法(IWOA)与极限学习机(ELM)相结合的终轧温度预测模型。融入柯西变异提升鲸鱼算法跳出局部最优的能力;借助余弦控制因子平衡鲸鱼算法全局搜索与局部开发能力;引入翻身觅食策略降低鲸鱼算法陷入局部最优的概率和提升算法的收敛速度。实验结果表明:建立的IWOA-ELM终轧温度预测模型在预报精度方面优势明显,预测终轧温度在±6℃以内的命中率为94%,具有广阔的应用前景。

基于并行SDAE-Seq2Seq模型的轴承寿命预测方法

基于数据驱动的轴承寿命预测方法大多需要人工提取退化特征,而且对于不同工况下的轴承需要进行针对性优化,也是依赖专家知识和经验进行特征提取。为此,提出一种并行堆叠降噪自动编码器算法(PSDAE)来提取轴承退化特征,并结合Seq2Seq模型预测轴承剩余寿命。通过PSDAE直接对原始振动信号进行降噪、降维,得到退化特征,通过神经网络的学习和训练自动获得不同工况下的轴承退化特征。其次,引入注意力机制,将提取的特征输入Seq2Seq模型进行训练,并在PHM2012数据集上验证模型的预测效果。实验结果表明:PSDAE通过并行集成方式降低了模型的训练参数和整体误差,提取的退化特征在单调性和可预测性方面优于堆叠降噪自动编码器(SDAE),使用该退化特征有效减少了Seq2Seq模型的预测误差,提高了预测得分,具有更好的预测效果和稳定性。

基于广义Wiener过程的滚动轴承剩余寿命预测

为解决传统滚动轴承剩余寿命预测方法忽略随机误差项非线性的问题,提出一种基于广义Wiener过程的滚动轴承剩余寿命预测方法。为确定轴承初始退化点,利用3σ准则进行变点识别;针对退化阶段演化特征,建立基于广义Wiener过程的退化模型,根据首达时概念,推导出轴承寿命分布模型和点估计近似解析式。融合同类型轴承历史性能退化数据,提出退化模型未知参数极大似然估计方法;其次,结合轴承在线监测数据,建立基于贝叶斯理论的退化模型随机参数在线更新方法,实现滚动轴承剩余寿命在线预测。最后,通过滚动轴承工程实例分析,验证了所提方法的有效性和适用性,与现有文献方法相比,所提方法的预测精度提高了50%以上。