基于核主成分分析BP＿Ada Boost算法的数控铣床故障诊断

刀具是数控铣床加工过程的关键零部件,其长期处于高速加工状态极其容易出现故障。针对数控铣床加工过程中刀具的磨损状态数据少、诊断效率低、维护成本高、缺乏有效的诊断方法的问题,提出了利用小波包分析与核主成分分析提取特征,然后利用BP_AdaBoost算法对刀具磨损状态进行诊断的方法。通过在数控铣床的加工工件与其夹具间安装测力仪及安装加速度传感器,来采集立铣刀振动信号与切削力信号;然后对振动信号与切削力信号进行小波包分析处理,将处理好的信号进行核主成分分析(KPCA),降维以后作为立铣刀磨损状态的特征向量;最后利用得到的特征向量训练和验证BP_AdaBoost分类模型。实验结果表明BP_AdaBoost算法比SVM算法能更有效实现对数控铣床的刀具磨损状态的评估。

基于KPCA-K-means-GRU的短期风电功率预测研究

风能间歇性和波动性的特点给电网的平稳运行造成了很大的挑战,导致电网企业限制风电并网,造成弃风行为。因此,实时有效地预测风力发电情况对风电开发和电网的平稳运行至关重要。在分析当前多种预测方法后,提出了基于核主成分分析-K均值聚类-门控循环单元(KPCA-K-means-GRU)的短期风电功率预测模型。多维数据能够较好地还原实际物理状态,但过高维度的数据会带来维数灾难。因此,利用非线性的KPCA在保留高维数据信息的同时降低数据维度。随后借鉴负荷预测相似日思路,将降维后的数据通过K-means进行无监督聚类以建立不同的预测模型来提高预测精度。最后分别训练不同类别数据的GRU神经网络参数,进行分类预测以获得更合适的网络模型。