主元分析优化量子神经网络的变压器故障诊断

针对变压器故障检测速率较慢的问题,通过对基于量子神经网络的变压器故障诊断方法的分析,发现该方法有较高的精度,但是速率较慢,不能达到实时性、快速性的要求。因此提出基于主元分析优化量子神经网络的变压器故障诊断方法。利用主元分析进行故障数据降维,选取主成分累计贡献率高于85%的主元代替原有的7个故障气体含量数据,用降维后的数据作为网络的输入,应用量子优势消除数据相关性,最终对变压器的故障做出判断。利用变压器故障实验数据信息库中的故障数据分别对量子神经网络、主元分析优化量子神经网络进行仿真研究,结果表明在故障识别率不变的情况下,所提方法使得诊断速率得到大幅提升。

基于APIT-SA-MEMD和FLLE的齿轮故障识别

齿轮往往处于恶劣的工作环境,其振动信号具有非线性和非平稳性的特点,研究出适用于齿轮的故障诊断方法具有重要意义。针对这一问题,提出了一种基于自适应投影本质变换正弦辅助多元经验模式分解(APIT-SA-MEMD)和Floyd局部线性嵌入算法(FLLE)的智能故障诊断方法。自适应投影本质变换多元经验模式分解存在模态混叠现象,因此,提出自适应投影本质变换正弦辅助多元经验模式分解来减轻传统经验模式分解存在的模态混叠现象。首先,采用APIT-SA-MEMD方法对齿轮振动信号进行分解,获得能够表征齿轮振动信号的IMF分量;在此基础上,提取所选取IMF分量的时域和频域特征,获得高维特征矩阵;最后,利用FLLE对高维特征矩阵进行降维和聚类分析,实现齿轮故障模式的识别。实验结果表明,提出的方法能够准确识别齿轮的不同故障类型。

基于矩阵循环的智能RGV的动态调度策略

本文主要研究一种智能RGV的动态调度问题。针对一道工序的加工作业,通过模拟分析判断出周期循环调度是最优调度。因此建立基于矩阵循环的最优调度模型,将路径规划转化为旅行商问题,利用Lingo、MATLAB求得三组参数条件下工件生产总数分别为384、347、395,系统作业效率均高达98%。针对两道工序,引入时间决定因子y表示两道工序所需时间的比值,分三种情况分析:y近似于1,y大于1和y小于1,分别建立基于时间决定因子的最优调度模型,求解可得三组参数条件下工件生产总数分别为243、226、295,系统作业效率分别达88%、82%、89%。针对故障情况,按照故障点把时间分割成若干片段,建立基于时间分段的故障降维最优调度模型,求解可得一道工序下工件生产总数分别为370、322、378,系统作业效率高达94%、91%、94%;两道工序下工件生产总数分别为212、198、250,系统的作业效率分别达77%、72%、75%。