基于STOA-PNN的带式输送机自适应纠偏系统

在散状物料运输过程中,经常出现带式输送机跑偏现象。基于多智能体协同控制思想,采用STOA-PNN方法,设计了带式输送机自适应纠偏系统。通过STOA算法优化概率神经网络(PNN)的平滑参数,将传感器采集到的不同情况下的偏移数据作为输入,PNN控制器根据输送带偏移情况,自适应地输出控制参数,结合调整电机完成输送机运行过程的动态纠偏。现场应用表明,基于STOA-PNN方法的纠偏系统应用到带式输送机上,有效避免了偏移故障的发生,保证了输送机稳定运行,实现无偏移运输。

基于多尺度模糊熵和STOA-SVM的风机轴承故障诊断

针对风机轴承振动信号故障特征提取困难的问题,提出了一种基于多尺度模糊熵(MFE)特征提取,并结合乌燕鸥优化算法(STOA)优化支持向量机(SVM)的风机轴承故障诊断方法。首先采集原始振动信号并计算其多层次模糊熵,其次构造故障特征向量集合作为SVM的输入,最后采用STOA优化SVM对轴承故障进行分类诊断。通过凯斯西储大学轴承振动数据进行仿真,结果显示轴承故障诊断准确率达到了99.3%,证明了所提方法具有较高的准确度和有效性。

欧洲议会STOA开展技术预见研究分析及启示

欧洲议会科学技术选择和评估委员会(Scientific and Technological Options Assessment,STOA)自2014年开展科学和技术预见工作,服务于欧洲议会,以帮助提高MEPs的决策能力和增强公众意识为目标,形成了一套系统的技术预见方法,其主要按照"选择主题—地平线扫描—社会影响的全景展示—探索性场景构建—立法回溯和推衍可能的技术路线—预见结果输出"的流程,已开展多项具有多学科特性的社会前言热点问题的预见研究。本文就STOA开展技术预见的目的意义、具体流程、研究特点进行全面解析,以期为我国的技术预见活动提供参考。

基于参数优化VMD的轴承故障诊断方法研究

针对早期滚动轴承故障诊断准确率低、信号特性不平稳且难以获取大量样本等问题,提出基于最大相关峭度解卷积(MCKD)、乌燕鸥算法优化变分模态分解(STOA-VMD)和粒子群算法优化支持向量机(PSO-SVM)的滚动轴承故障诊断模型。首先使用MCKD处理信号提高信噪比,再通过STOA-VMD对信号进行分解,特征参量选用均方根熵值,输入PSO-SVM实现故障分类,并由实验和仿真验证了该方法可使故障诊断准确率明显提高。

思辩“黑浪潮”新古典派音乐

Darkwave音乐流派众多,＂新古典派＂最为独特,它创作成熟又不断推陈出新,成果分量颇重。思辩＂黑浪潮＂新古典音乐的产生和特点,深层解读其代表作品,可以发现,＂黑浪潮＂新古典音乐独树一帜,蕴含着丰富的文化内涵和独特的美学价值。

基于参数优化变分模态分解的电缆故障点中点行波测距

针对传统的电缆行波测距方法中由计算得到的行波速度与实际速度间存在误差及行波波头标定不准确的问题,提出了一种新的相模变换来获取行波模值分量,并采用了中点行波测量法,使用乌燕鸥优化算法优化的变分模态分解对行波特征进行分解,用Teager-Kaiser能量算子来进行波头标定。在MATLAB/Simulink仿真模型中进行测试,所提方法与小波变换及经验模态分解相比,在一定的噪声范围内均具有优异的准确度。