给水泵经济技术比较与方法浅析

本文通过对300MW、600MW火电机组汽动给水泵、电动给水泵运行情况和配置标准的调研以及对给水泵各种不同配置方案的综合分析,确定了更经济的给水泵配置方案。综合考虑了影响给水泵运行经济性的各种因素,分析以往计算方法存在的片面性及难度,提出相对功效率的概念及理论计算式,简化了计算过程,制定了一份较为全面、简便的计算方案。     

厚煤层全煤巷道单轨吊车的联合锚杆吊挂技术

为解决伊犁一矿厚煤层全煤巷道单轨吊车悬吊问题,研究了联合锚杆吊挂单轨吊技术。该技术采用普通长度锚杆+专用吊挂板的方法在煤巷中悬吊单轨吊车。对运输综采支架时的吊挂点进行最大受力分析和锚杆的锚固力测定,结果验证了联合锚杆吊挂技术的可行性。该研究为伊犁矿区单轨吊车辅助运输方式的改进提供了借鉴。     

基于参数跳动和扰动的混沌保密系统的理论设计

提出一种基于参数跳动和扰动的混沌保密方法．通过随机改变混沌映射的参数来提高混沌映射的复杂性；同时在有限精度实现时，通过引入随机扰动序列使得输出的混沌序列具有良好的自相关性、均匀分布特性和随机统计特性等．理论研究和模拟结果表明，该混沌序列加密方法具有较好的保密性并且便于软硬件实现．     

交流电阻焊动态功率因数的实时解析算法

基于对交流电阻焊焊接变压器初级回路电压、电流信号的建模分析,提出电流过零导数比法测量电阻焊动态功率因数.采用微型Rogowski线圈直接检测电流过零导数,并在以DSP为核心的点焊质量实时监控系统中实现了动态功率因数的实时计算.电流导数信号实时检测技术和数学模型的简洁解析表达形式同时保证了该算法良好的实时性.试验结果证明,该算法是有效的.     

RV12L-6R焊接机器人动力学分析及计算机仿真研究

提出用Lagrangian方法与递推的Newton-Euler方法相结合求解机器人逆动力学问题,以满足实时控制的要求.结合IVECO汽车横梁的焊接,给出了实用的机器人动力学算法,并对6自由度机器人各关节力矩进行了动态仿真,仿真结果表明不同的关节初始值,有时会出现关节力矩突变,引起系统振动.因此,可以通过计算机仿真的方法在选择关节初始值时避开不稳定的情况.     

随机丢弃和批标准化的深度卷积神经网络柴油机失火故障诊断

针对已有的柴油机失火故障诊断方法需要精细且耗时的时频特征提取过程,且对实际含有噪声的样本诊断准确率低的问题,提出了一种随机丢弃和批标准化的深度卷积神经网络柴油机失火故障诊断方法。在不同的转速工况下进行柴油机失火故障模拟试验,将采集到的原始缸盖振动信号作为深度卷积神经网络的输入,并在输入端引入随机丢弃抑制输入噪声,通过一维卷积操作自动提取失火故障模式特征,接着在各卷积输出层对特征信号进行批标准化处理,以减少信号在深度卷积层内部的方差偏移,最后基于多分类函数完成失火故障分类。不同噪声环境和方法的对比试验结果表明,所提方法的分类准确率最高可达100%,同时在保证算法准确率的前提下,其鲁棒性优于依赖时频提取特征的方法。     

同步压缩小波与极限梯度提升树融合的柴油机失火故障诊断

针对柴油机失火故障诊断特征提取分辨率较低和分类评估容易出现过拟合的问题,提出了一种同步压缩小波变换和极限梯度提升树融合的诊断方法。在不同转速下进行柴油机失火性能试验,采集缸盖振动信号,对信号利用时域统计、同步压缩小波提取特征,再采用局部线性嵌入方法进行特征降维,最后利用极限梯度提升树进行失火评估分类。不同工况与评估方法下的对比实验结果表明,所提方法的分类准确率最高可达99.828%,相比小波包特征提取的评估方法提升至少10%。在低模型复杂度下,所提方法具有最小的模型预测均方根误差,证明了方法的鲁棒性和抑制模型过拟合的能力。     

基于蚁群SVDD和聚类方法的旋转机械故障诊断

摘要：
针对典型故障样本缺乏而使常规机器学习方法无法直接应用的难题,提出了一个基于支持向量数据描述（SVDD）新异类检测与基于Davies Bouldin指数（DBI）的K均值聚类方法相结合的旋转机械故障诊断框架.首先,针对正常状态样本建立SVDD模型,并利用蚁群算法对SVDD模型参数进行优化;然后,当拒绝样本数目累积到设定的阈值时,利用K均值聚类方法对其进行处理而获得能够进行标记的类别,其中,K均值聚类的类型数目由DBI辅助确定;最后,针对所标记的各类样本,分别建立SVDD模型并进行训练,将SVDD分类器按照二叉树形式构建系统状态的完整诊断模型.同时,利用滚动轴承多故障模式样本进行训练测试,以验证所提出算法的有效性.结果表明,所提出算法的训练速度为常规网格搜索算法的近10倍,DBI能够有效确定聚类的数目,对样本状态的识别率达到100%. 关键词：
蚁群支持向量数据描述; K均值聚类; Davies Bouldin指数; 旋转机械; 故障诊断 中图分类号： TP 183
文献标志码： A     

基于随机森林与粒子群算法的隧道掘进机操作参数地质类型自适应决策

考虑到隧道掘进机的性能对地质条件比较敏感且其操作依赖于司机经验,提出基于随机森林和粒子群算法的隧道掘进机操作参数地质条件自适应决策方法。利用随机森林(RF)分别建立地质类型、操作参数与推进速度、刀盘转矩的映射关系模型;结合映射关系模型,构建以盾构机推进速度最大为目标,以刀盘转速、螺旋输送机转速、总推力、土仓压力4个操作参数为控制变量的优化方程;利用粒子群算法(PSO)求解各地质类型地层中的最优操作参数决策结果。通过新加坡某地铁工程施工数据验证所提方法的有效性和优越性。研究结果表明：建立的随机森林模型中推进速度和刀盘转矩预测的决定系数R2分别达到0.936和0.961,均大于adaboost、多元线性回归、岭回归、支持向量回归和深度神经网络模型中相应的R2;基于粒子群算法的操作参数决策方法能够准确求解操作参数最优解,寻优用时均比遗传算法、蚁群算法和穷举法的短。本文所提决策方法使隧道掘进机在该施工段的福康宁卵石地层、句容地层IV、句容地层V、海洋黏土地层中的推进速度分别提升了67.2%、41.8%、53.6%和15.0%。