一种GOA优化SOM神经网络的VP型倾斜仪故障智能诊断方法

提出一种VP型倾斜仪故障智能诊断方法。利用经验模态分解(EMD)将归一化故障信号分解为6个本征模态函数(IMF),分别计算其近似熵,构建EMD多尺度近似熵输入矩阵;结合蝗虫优化算法(GOA)对自组织特征映射(SOM)神经网络的参数进行优化,将得到的GOA最优值嵌入到SOM模型中,组建GOA-SOM诊断模型。应用诊断测试集得到诊断目标的聚类标签值,将其与训练集的聚类标签以及真实故障类型进行比对,得到故障诊断结果。结果证明,GOA-SOM模型在100次随机抽样条件下的诊断正确率均值和标准差分别为99.329 7%、1.218 8,优于传统诊断模型。

基于CEEMDAN多尺度模糊熵和SSA-BP神经网络的VP型垂直摆倾斜仪故障辨识

针对现有倾斜仪故障记录的甄别与分类主要依靠人工经验,诊断过程烦琐及诊断精度不高的问题,充分利用信号分解技术的特征升维与机器学习模型的快速自动分类等优势,提出一种结合自适应噪声完备集成经验模态分解多尺度模糊熵和麻雀搜索算法(sparrow search algorithm,SSA)优化反向传播神经网络(back propagation neural network,BPNN)的VP型宽频带垂直摆倾斜仪故障自动诊断方法。该方法首先将故障数据归一化,利用自适应噪声完备集成经验模态分解(complete ensemble empirical mode decomposition with adaptive noise,CEEMDAN)信号得到本征模态函数(intrinsic mode function,IMF)的多尺度模糊熵,然后基于SSA优化BPNN的权值与阈值,得到最佳权值和阈值,最后应用SSA-BPNN模型对倾斜仪故障特征数据进行辨识。实验表明:CEEMDAN多尺度模糊熵判据具有良好的倾斜仪故障特征区分效果;SSA-BP神经网络模型在准确率和召回率上,相比BP模型分别提高4.7581、6.3216个百分点,辨识过程更稳健,弥补了VP型倾斜仪在故障智能识别领域的空白。

襟翼不对称运动和襟翼倾斜的保护逻辑研究

实现高升力系统的故障保护对提高电传飞机安全性具有重要的意义。本文描述了高升力系统后缘襟翼的架构;针对不对称故障和倾斜故障的监控和和保护方式问题,分析了上述两类故障的监控和保护措施及其工作逻辑,在确定工作逻辑的阈值参数时综合考虑了检测和确认故障、襟翼动力驱动装置的制动过程以及系统机械误等因素;建立了故障保护逻辑的Simulink模型,并对不同的失效情况进行了仿真分析,仿真结果表明本文设计的故障保护措施能够很好地监控系统并防止故障蔓延,研究结果对民机高升力系统设计具有一定的借鉴意义。

浅谈某综合楼倾斜加固的措施

以某综合楼的工程为例: 一、工程概况某综合楼工程总建筑面积22400m^2,地上十六层地下一层,总高度为55.90m,通过结构方案的比较,此工程上部为框架结构,基础部分通过对地质情况的分析,主体部分采用了“大直径钻孔灌注桩”且一柱一桩。本工程桩径分别为1.0m和1.2m,桩扩大头分别为2.20m和2.40m,桩长为16.5m,桩端头伸入中砂内500mm,灌注桩孔施工为机械钻孔,人工辘轳扩孔。