电动汽车IGBT剩余使用寿命预测

引入一种基于贝叶斯优化(BOA)的双向长短时记忆网络(Bi-LSTM),同时结合注意力机制,应用于绝缘栅双极型晶体管(IGBT)剩余使用寿命预测,所提方法可有效提高IGBT剩余使用寿命预测的准确性.通过IGBT加速老化试验收集V CE-on,验证了其作为失效特征参数的可行性,并将其作为实验数据集对所提方法进行仿真验证.实验分析结果表明,所提的混合预测模型与经典LSTM及其他预测模型相比,有更低的退化预测误差,具备较高的理论意义和实践价值.

优化堆叠降噪自动编码器滚动轴承故障诊断

针对深度堆叠降噪自动编码器(SDAE)网络超参数采用经验枚举获得时存在的泛化能力较弱,且选参过程与设计人员经验有关,效率低等问题,利用新设计的人工变性天牛算法(ATLA)对SDAE网络超参数进行自适应选取,并确定网络结构,训练得到故障状态的特征表示,最后输入到Softmax分类层进行故障检测,并确定故障类别。通过变工况下滚动轴承故障诊断仿真实验验证,该文所提出的ATLA-SDAE诊断方法在泛化性能、故障识别率等方面均优于BP神经网络、支持向量机(SVM)以及卷积神经网络(CNN)方法,能够从海量数据中自适应地提取更深层次的故障特征,可避免手动设计和提取故障特征的繁琐过程,更有利于提高故障分类的精度和诊断效率。

液压型风力发电机组调速系统的DMC预测控制方法研究

以液压型风力发电机组调速系统为研究对象,针对变量马达的恒转速控制问题,结合动态矩阵控制(DMC)原理,提出一种基于DMC的液压型风力发电机组调速系统预测控制方法,并通过Simulink-AMESim联合仿真技术分析预测步长与控制步长对转速控制的影响规律。研究结果表明,与经典PID控制方法相比,基于DMC的预测控制方法提升了液压型风力发电机组调速系统的控制性能,可为后续工程实际应用提供理论指导。

基于单神经元PID自适应的液压型风力发电机组恒转速控制

以新型液压型风力发电机组为研究对象,针对风速随机变化引起变量马达转速恒定困难的问题,提出一种基于单神经元PID自适应控制的方法,深入研究单神经元PID自适应控制器参数对变量马达恒转速控制性能的影响。利用AMESim仿真软件建立定量泵-变量马达液压模型,联合MATLAB/Simulink仿真软件进行了仿真研究。仿真结果表明:相比于经典的PID控制方法,单神经元PID自适应控制方法对变量马达恒转速控制具有良好的效果,增强了系统的抗扰动能力,提高了变量马达恒转速输出精度。

ADCS-ELM算法滚动轴承故障诊断

针对滚动轴承的故障信息难以从复杂噪声背景下的非平稳振动信号中提取且传统方法分类精度低等问题,提出一种基于集合经验模态分解(EEMD)能量特征提取和优化极限学习机神经网络(ADCS-ELM)分类诊断相结合的轴承故障诊断方法。利用EEMD对非线性和非平稳信号的自适应分解能力,将待检测轴承故障信号分解为包含故障特征的固有模态函数集(IMFs),并提取能量特征向量;利用自适应动态搜索步长改进布谷鸟搜索算法(ADCS)优化ELM网络连接权值和隐层阈值;将提取的故障特征向量用于训练极限学习机神经网络,得到最优权值和阈值;利用ADCS-ELM进行轴承故障诊断实验。实验结果表明:与BP,LVQ和ELM网络轴承故障诊断方法相比较,所提方法能够有效提高故障识别准确率,并且具有更快的计算速度。

基于图形特征的双输入卷积神经网络风力机轴承剩余寿命预测

提出一种基于图形特征的风力机轴承剩余使用寿命(RUL)预测方法。首先,基于连续小波变换(CWT)对时域振动数据样本集进行预处理,得到用于预测的时频图形数据集。然后,采用双输入卷积神经网络(DICNN)从图形数据集中提取特征映射,用于构造高性能健康指数(DICNN-HI)来表征轴承各退化阶段的状态。最后,结合DICNN-HI,采用基于高斯过程回归(GPR)的分析方法进行RUL预测,并用PRONOSTIA滚动轴承数据集进行验证。结果表明,该方法具有较高的健康指数预测精度,能有效反映滚动轴承的劣化状态,有助于实现风力机轴承的RUL预测。同时,也可为其他旋转机械设备的剩余寿命预测提供重要的理论参考,具有一定的实用价值。

“自动控制原理”课程思政研究与实践

立德树人作为高校的根本任务,全面推进课程思政建设是开展立德树人的重要举措之一。以自动化及相关专业的重要专业基础课“自动控制原理”为例,在一流课程建设背景下,从课程特点与定位、课程思政内涵分析、课程思政元素提炼等几个方面,进行了专业课中开展课程思政的探讨,并以课程中“负反馈控制原理”为例,进行了实施路径探索与实践研究。

变频变异粒子滤波算法

针对粒子滤波算法中的粒子退化及重采样所引起的粒子多样性减弱问题,将自适应变频策略应用于免疫理论的变异操作中,并与粒子滤波相结合设计了一种新的变频变异粒子滤波算法.算法引入自适应变频算子实时调节当前时刻的变异频率,控制了变异粒子的数量;再采取不同策略对粒子进行变异操作,以提高粒子对系统状态变化的适应性;最后,对新产生粒子进行权值计算,选择权值较大粒子构成新粒子集,以提高滤波精度.研究结果表明,该方法能够用更少的粒子完成高精度的估计任务,具有更高的滤波精度、粒子多样性、运算速度综合性价比.同时粒子分布更合理,在高似然区外仍然存在一定数量的粒子,为系统发生突变时保持较好的估计精度提供了条件.

基于优化A-BiLSTM的滚动轴承故障诊断

为提高超参数设置的效率及其与模型的适配性,改善人工设置模型参数的高成本和低效率问题,提出一种基于蜜獾算法(Honey badger algorithm,HBA)优化注意力双向长短时记忆网络(HBA-A-BiLSTM)的滚动轴承故障诊断方法。首先,通过HBA对A-BiLSTM模型进行最优超参数组合搜寻,然后基于最优超参数下的A-BiLSTM模型进行故障诊断性能测试。最后,基于不同工况的数据集进行模型泛化能力测试。采用CWRU数据集对所提方法的故障诊断效果进行验证,利用诊断精度以及混淆矩阵进行评价。实验结果表明,与其他群智能优化算法相比,蜜獾算法搜索全局性能好,收敛速度快,优化后的最终模型的故障诊断准确率达到了99.5%,具有良好的效果,且在不同工况下能够实现稳定、准确的故障诊断性能,泛化能力强。