识别工况的新型机车轮轨润滑控制系统

轮缘轨侧接触状态决定其磨损情况。将机车视为一个整体,则轮缘轨侧接触状态最终以蛇形波的形式体现在机车上。通过测量机车横向蛇形波,计算输入车-轨系统横向振动能量,并根据其频率及幅值特性,实现轮缘轨侧磨损工况的实时量化判断。由此开发出能够实时判断轮缘轨侧磨损工况并自动选择适当润滑策略的轮轨润滑控制系统。该系统配置简单、安装方便、响应速度快,并具有自适应性。

基于改进三元组网络的回转窑火焰图像工况识别

针对回转窑火焰图像细节特征难以区分导致的工况识别困难的问题,提出一种基于改进三元组网络的小数据集回转窑火焰图像工况识别方法。该方法在原始三元组网络的基础上优化了距离度量方式并引入类内距离损失。首先,将回转窑火焰图像的RGB通道分离后分别进行双边滤波预处理,保留具有火焰边缘信息的特征,并在原始三元组损失中通过引入类内特征距离损失,使其能够在增大类间距离的同时,减小类内距离;然后,通过基于马氏距离的改进三元组网络获取具有细节差异性的火焰图像特征;最后,采用K均值聚类算法对有标签的特征向量进行工况识别。实验结果表明,该方法得到的特征具有更强的判别性,可以有效提高回转窑工况识别的分类精度,指导回转窑操作。

基于随机邻域嵌入的无监督复杂工况识别

现代工业生产设备通常结构复杂并交替运行于不同工况,基于监测数据进行准确的工况识别是对系统进行健康监测的基础,但系统的监测数据通常维度较高、数据量较大。针对设备复杂工况的识别问题,提出了一种基于随机邻域嵌入的无监督工况识别方法。采用随机邻域嵌入算法,能够保留数据的局部和全局结构特性;计算了高维和低维空间中数据点的概率相似性,可实现设备高维监测数据的降维和无监督聚类,在不建立系统模型的基础上达成准确识别系统工况的目的。结果表明:该方法可有效实现高维监测数据的复杂工况识别,是一种有效的无监督聚类学习方法。

基于工况识别的P2.5构型PHEV能量管理策略

合适的能量管理策略能够有效提升混合动力汽车续驶里程,通过Matlab/Simulink搭建整车模型,对P2.5构型的双动力源插电式混合动力汽车(PHEV)工况识别的能量管理策略展开研究。选取19个国内外典型循环工况,根据工况特征用层次聚类分析法将其划分为3类,建立支持向量机工况识别模型,采用鲸鱼算法对其进行优化,仿真结果表明,优化后工况识别模型识别准确率可达97.905%,与优化前相比,提高了21.646%。结合在线工况识别模型,通过神经网络学习不同工况类别下动态规划能量管理策略的功率分配结果,将离线学习结果应用于在线控制中,制定基于工况识别的能量管理策略。仿真结果显示,与电量消耗-电量维持(CD-CS)策略相比,基于工况识别的能量管理策略经济性提升了7.62%。

基于KL散度工况识别的混合动力汽车队列的分层控制

针对混合动力汽车队列行驶过程中工况的适应性问题,提出了一种基于KL(Kullback-Leibler)散度工况识别的分层控制方法。上层控制器利用车—车通信技术,获取队列中前车状态信息,采用模型预测控制(MPC)算法,实现队列纵向控制,并计算出最优跟车车速;下层控制器基于典型工况,离线求解需求功率的转移概率矩阵,并通过Q-Learning算法训练最优Q表嵌入整车模型中;在行驶中以固定时间长度在线更新转移概率矩阵,采用KL散度进行工况识别,根据识别的工况类型,结合当前时刻车速、需求功率和电池荷电状态(SOC),通过在线查表实现转矩分配。结果表明:与未考虑工况识别策略相比,本策略的油耗降低了8.6%;与作为基准的动态规划(DP)相比,增加了4.8%;在与DP油耗基本保持相同的前提下,该策略离线仿真时间缩短21%,不仅能够在线应用,还能实时适应工况变化。

基于CAE-TSNE的成品油管道运行工况识别

成品油管道运行工况变化频繁,难以精准判断管道运行状态,依靠现场人员进行识别监控易造成误判。本文为实现管道运行工况的准确识别,考虑管道的物理空间特性,分析整理各站运行参数(压力、流量、密度);考虑管道运行的时间序列特性,基于SCADA管道数据构造运行数据矩阵,以克服单一时刻的瞬态扰动。针对管道运行数据高维度、非线性的特点,利用卷积自编码器(CAE)强大的特征压缩及重构能力对管道数据做降噪处理;利用T分布邻域嵌入算法(T-SNE)对管道数据做降维聚类处理,最终建立了基于CAE-TSNE的管道运行工况识别模型。以某两条成品油管道为例,对比主流的非线性分类模型(ANN、DT、RF),结果表明基于CAE-TSNE的工况识别模型精度最高,对降噪后的运行数据识别准确率可达到99%以上,可用于指导现场管道的运行管理。

基于算数优化算法的VMD-BiLSTM模型的松土装置工况识别

当对滚筒式残膜回收机的关键装置松土齿耙的应力应变进行实时监测时,所获得应力应变信号易受外部环境的干扰,难以从信号中识别壅土故障。针对该问题,通过ANSYS分析确定松土齿耙的应变监测部位,利用应变片对松土齿耙不同工况进行应变监测试验。基于监测数据,提出一种基于算数优化算法(AOA)的变分模态分解(VMD)—双向长短期记忆网络(BiLSTM)神经网络模型工况识别方法。首先,利用AOA对VMD模态分量的k值和惩罚因子α进行参数优化;然后,使用VMD对松土齿耙应变信号进行自适应分解;最后,根据皮尔逊系数将分解并重构后的信号输入BiLSTM网络中进行特征学习,实现松土齿耙的工况识别。结果表明,该方法实现对松土齿耙空载、正常工作、轻度壅土、严重壅土4种工况精准识别,且效果优于VMD-LSTM、BiLSTM、LSTM神经网络模型,识别准确率达到99.1%以上,有效提高松土齿耙工况识别的准确率。

基于机器学习的成品油管道运行工况识别

为改善成品油管道系统生产运行监测过程中不能自动识别部分运行状态,以及异常工况识别准确率较低的问题,应用智能工况识别方法,构建具有实时监测能力的成品油管道运行工况识别模型。首先,采用逻辑规则判别方法,并根据成品油管道系统中的事件日志补充数据标签;其次,按照工况的起止时间对数据进行分段,并采用滑动窗口的方式提取不同工况的子序列及其特征;然后构建成品油管道运行工况识别模型,并与随机森林(RF)、自适应提升(AdaBoost)、支持向量机(SVM)、时间序列森林(TSF)、随机区间谱系森林(RISF)和序列学习器(SEQL)等6种机器学习分类模型进行对比,分析其识别效果;最后,以某真实成品油管道为例,进行模型验证。结果表明:TSF模型对阀门开关、阀门内漏、清管和甩泵4种工况的识别精确度最高,且更适合短期内运行工况的识别;而AdaBoost模型的识别精确度在95%的置信区间内所含真实值的概率更高。

基于工况识别的燃料电池电动汽车能量管理策略

为降低燃料电池电动汽车的氢气消耗、降低燃料电池输出功率波动率及维持电池系统的荷电状态,基于工况识别能量管理策略框架提出了一种新型转移过程工况识别方法,该方法相较于传统的工况识别方法具有识别率高、识别速度快等优点。与常见的学习向量量化神经网络工况识别方法进行对比,通过仿真分别验证了所提工况识别算法的优势,同时所提基于工况识别方法的能量管理策略在混合工况下具有更优的性能表现。

基于泡沫图像特征加权K近邻算法的锌矿浮选工况识别方法

浮选工况识别在泡沫浮选工程中起着至关重要的作用,仅依靠人工经验进行主观性识别,准确性和效率都低。为此提出了一种考虑泡沫图像特征间相互作用的加权K近邻(KNN)算法用于实现浮选工况类别的识别。在本研究中,首先,通过信息熵对泡沫图像特征与浮选工况类别之间的相关性进行量化,同时评估该特征与其他特征之间的冗余性。然后,计算该特征与浮选工况类别相关性和该特征与其他特征冗余性之间的差值,将这一差值作为特征的权重。其次,在KNN算法中针对欧式距离进行特征加权,以实现KNN算法的特征加权。然后,将特征选择过程嵌入到特征加权KNN分类算法的训练过程中,并选取分类准确率最高的特征子集作为最优特征子集。最后,基于最优特征子集完成浮选工况的识别。研究结果表明,本方法与其他基准分类算法相比,在分类准确度和时间上都达到了最佳效果,验证了本研究所提出的浮选工况识别方法的有效性。

基于工况识别的PHEV能量管理策略

为提升并联式混合动力汽车(parallel hybrid electric vehicle,PHEV)的燃油经济性,针对等效燃油消耗最小控制策略(equivalent fuel consumption minimum strategy,ECMS)在不同工况下适应性差的问题,以优化整车等效燃油消耗量为目标,设计基于工况识别算法的变等效因子ECMS能量管理策略。选取3类典型工况建立支持向量机分类模型,通过递归特征消除法对样本特征进行选择,采用鲸鱼算法对支持向量机进行参数优化,使用模拟退火算法分别对3类工况的ECMS等效因子进行离线全局最优求解,并分别存储于等效因子库中,通过训练好的支持向量机分类器对目标优化工况进行工况识别,不同类型的工况片段采用不同的等效因子进行转矩分配。仿真结果显示:相比于逻辑门限能量管理策略,基于工况识别算法的变等效因子ECMS能量管理策略的电池荷电状态(state of charge,SOC)变化量减少8.67%,节油率为13.11%;相比于优化前的ECMS策略电池SOC变化量减少3.47%,节油率约为6.63%。本文提出的基于工况识别算法的变等效因子ECMS能量管理策略可以有效地减少燃油消耗量,提升PHEV的整车经济性。

复合多尺度注意熵在旋转机械多工况损伤识别中的应用

针对传统旋转机械损伤识别方法存在模型精度低和抗噪性差的问题,提出了一种基于复合多尺度注意熵(CMATE)和随机森林(RF)的旋转机械多工况损伤识别方法。首先,提出了一种新的测量时间序列复杂度的非线性动力学工具——复合多尺度注意熵;然后,利用CMATE提取旋转机械振动信号的损伤特征,其表征了旋转机械不同工况下的损伤特性;接着,将损伤特征输入至基于随机森林构造的多类别分类器中,进行了损伤识别;最后,采用滚动轴承-齿轮箱、齿轮箱和离心泵3种旋转机械数据集,并分别构造了9种工况和20种工况的多工况损伤数据集,对该损伤识别方法进行了实验研究。研究结果表明:该旋转机械损伤识别方法分别取得95%、97%和100%的识别准确率,在准确率和特征提取效率两方面优于其他的非线性动力学工具;并且在0 dB、1 dB、2 dB和3 dB这4种不同信噪比的噪声干扰下,依然取得了不错的损伤识别结果,证明了该模型具有可观的抗噪性;同时,该损伤识别方法能够稳定地识别旋转机械的不同负载和转速下的损伤,平均识别准确率分别达到了97.2%和93.5%,具有较好的实际应用潜力。

基于工况识别的纯电动汽车2DCT换挡策略研究

为使纯电动汽车具有更好的经济性,同时保持较好的动力性,针对自主研发的纯电动汽车两挡干式双离合变速器(2DCT),提出一种基于工况识别的实时换挡策略。通过径向基神经网络预测车速,利用动态规划提取7种循环工况的最优换挡点,并搭建基于相似度比对的工况识别模型,对车辆行驶工况进行识别,实现实时换挡。基于MATLAB/Simulink进行仿真并完成2DCT台架实验。结果表明,提出的基于工况识别的实时换挡策略能同时兼顾车辆的经济性和换挡频率。

基于泡沫纹理信度分配SVM的矿物浮选工况识别

针对矿物浮选过程中泡沫纹理各向异性、纹理特征信度差异以及类间样本数分布不均等问题,提出一种浮选工况的自动识别方法。首先基于多角度融合的空间灰度共生矩阵计算角二阶矩、熵、惯性矩、逆差矩和相关性等二阶统计量描述泡沫纹理特征,然后引入信息熵的概念,以二阶统计量的信息增益分配各种纹理特征对分类器的信度,再通过类间样本数加权策略消除样本分布的不平衡性,最后实现了一对一加权支持向量机的浮选工况识别。工业现场泡沫图像测试结果表明,该方法能够有效降低小样本的错分率,提高整体识别率。

基于泡沫图像特征加权SVM的浮选工况识别

针对浮选泡沫视觉特征的多样性和重要度差异以及浮选工况样本数分布不平衡等问题,提出一种基于在线泡沫视觉表观特征加权支持向量机的浮选工况识别方法.通过色彩空间变换,在CIE-Lab空间计算泡沫颜色,采用多方向融合的空间灰度共生矩阵提取泡沫纹理特征,以视觉特征的信息增益评价该特征的重要度,再利用不同工况的样本数加权策略消除样本数不平衡的影响,采用支持向量机方法实现了浮选工况的自动识别.工业运行数据测试结果表明:该方法能够在线识别浮选工况,自动识别准确率达98%,比人工识别率高6%,比传统灰度共生矩阵方法高2%.

基于多重分形的水泥回转窑工况识别研究

鉴于多重分形理论在定量描述复杂系统非线性运行规律方面具有的独特优势,将多重分形理论引入到工况特征识别研究中来,确认了水泥回转窑窑电流信号的多重分形特性。在此基础上,研究了窑电流多重分形谱参数随工况变化的情况,发现多重分形谱参数的变化趋势与回转窑内工况状态的变化趋势之间具有较强的关联性,进而提出了基于多重分形谱参数进行水泥回转窑异常工况特征提取的新方法,为水泥生产过程中工况状态的在线监控和预报提供了有力支持。

基于支持向量机的钻井工况实时智能识别方法

钻井时效分析通常是依靠人工进行事后分析,具有主观性和随意性,不能及时准确地反映真实的现场情况。为了实时准确地对钻井工况进行自动判别,提高钻井效率,提出了一种基于支持向量机(SVM)的用数据驱动的钻井工况实时识别方法,建立了多个智能识别模型,并对其中的核函数进行分析比较,得出了模型参数的最优值。采用4口井的录井数据验证了模型的准确性,识别结果与实际工况基本一致,6种工况的识别正确率均达到95%以上。钻井时效分析与应用表明,钻井过程中应用工况识别结果,减少了不可见非生产时间。支持向量机实现了钻井工况的实时智能识别,提高了钻井时效,符合油田数字化和智能化发展的要求。

混合动力汽车工况识别自适应能量管理策略

为改善传统等效燃油消耗最低策略(ECMS)在真实复杂路况下的控制效果,以并联混合动力汽车为研究对象,提出了一种依据工况变化在线调整等效因子的自适应等效燃油消耗最低(A-ECMS)控制策略。首先,提取差异化显著的工况特征参数,采用聚类分析方法来完成工况分类,构建典型工况库,计算出各典型工况对应的最优等效因子;然后,采用学习向量量化(LVQ)神经网络设计了工况识别器,经充分训练后识别器准确率达到98.8%;最后,在线采集选定的车辆行驶特征参数,将当前实际工况识别为典型工况库中某一种,采用对应典型工况下的最优等效因子作为当前优化输入,建立了基于工况识别的A-ECMS控制策略。仿真结果表明:与ECMS相比,在单一给定工况下,A-ECMS燃油经济性降低了0.8%,而电池组荷电状态(SOC)提高了0.13%,能取得近似优化效果;在多工况联合工况下,燃油经济性提高了4.18%,且SOC波动减小了43.26%,证明了A-ECMS控制策略的优越性。

基于工况识别的混合动力汽车动态能量管理策略

针对固定循环工况下所制定的混合动力汽车能量管理策略存在一定局限性问题,从ADVISOR软件中选取覆盖车辆实际行驶工况的20个典型循环工况,以整车综合燃油消耗和动力电池寿命为综合优化目标,利用粒子群算法对各工况下能量管理策略中所涉及的关键参数进行了优化,并将得到的优化结果建立数据库,提出了基于行驶工况识别的混合动力汽车动态能量管理策略。最后,通过选择某个随机工况对所制定的能量管理策略进行仿真。结果表明:所制定的动态能量管理策略与未采用工况识别的能量管理策略相比,车辆综合燃油消耗下降10.70%,动力电池温升和平均有效工作电流分别下降2.46℃和1.63 A。

基于工况识别的混联式混合动力客车控制策略研究

为进一步提高新型混联式混合动力客车燃油经济性,根据城市循环工况的特点选定了四种典型的城市工况,采用学习向量量化(LVQ)神经网络模型对各工况特征参数进行训练学习以进行实时工况识别,结合基于动态规划的全局优化结果来提取功率均衡控制规则并存储于控制模块中以供不同工况选择,制定了基于工况识别的控制策略。以MATLAB/Simulink为平台建立基于工况识别的控制策略整车前向仿真模型,仿真结果表明,与普通控制策略相比,采用基于工况识别的控制策略的燃油经济性提高7%。