径向电磁轴承的灰色系统控制与数值仿真

应用灰色系统去余控制理论，以径向电磁轴承为对象，提出该轴承的灰色系统控制方法，以实现对转子的稳定控制，并进行了数值仿真。建立了径向电磁轴承转子系统的动力学模型与传递函数，按照灰色系统理论设计了控制系统，由数值仿真结果表明，该转子系统能实现稳定良好的控制效果。     

永磁同步直线电机弱磁调速时的设计

从凸极率角度出发，对内部磁极结构电机提出了新的设计方法，为使电机的特性具有可比性，假设电机均运行于相同的基值点，并采取相同的控制策略，着重了研究凸极率（ld/lq)对电机最大可能速度，逆变器功能（VA）和电流控制特性的影响，所得结论对电机及其驱动系统的选择和有积极的参考指导作用。     

纺织锭杆超精机PLC控制系统的设计研究

简要介绍了纺织锭杆超精机的设计思想，给出了自动控制系统的软硬件结构的设计方法，对纺织企业具有一定的参考价值．     

光谱分析仪智能化测控系统的研究

本文介绍了光谱分析仪的智能化检测与控制系统.利用现代计算机智能控制技术,使得从前检测与分析光谱漫长而繁琐的手工操作变得方便而简单,同时大幅度提高了检测精度.     

基于神经网络的无刷直流电机预测控制的仿真研究

在无刷直流电动机高性能速度跟踪系统中，由于PI控制的滞后性，无法根据未来动态行为产生较为理想的PWM波形。针对PWM发生器一无刷直流电动机系统，提出基于神经网络的PWM预测控制方法。采用离线训练和在线修正的方法，通过对PWM发生器-无刷直流电动机系统动态行为的在线估计，建立了系统的神经网络模型。最优控制器根据神经网络模型的输入、输出响应产生合适的PWM波形。在Matlab／Simulink环境建立了模型并进行了仿真，结果表明，较之PI控制器，神经网络预测控制具有更好的动态响应性能。     

滚动轴承疲劳故障的在线监视和诊断技术

本文研究振动诊断方法在滚动轴承疲劳故障在线监视和诊断中的应用。 文中指出:通过在轴承寿命试验机上所作的大量试验发现,当轴承疲劳后,在作为其二次效应的振动信号中,除存在已为国内外学者指出并广为使用的“通过频率(又称冲击振动发生间隔频率)”和“高频冲击脉冲”两种信息特征外,还存在另一种位于中高频段的鲜为人知的重要信息特征——某“高频峰群”。 本文对该高频峰群的形成机理、影响因素及检测方法进行了初步研究,并利用这种新的信息特征研制了“以带通滤波器或以精化信息特征DDS模型谱分析法为主体的两种轴承疲劳故障在线监视和诊断装置。     

三段式Halbach阵列永磁电机解析建模与研究

针对传统子域模型在分析电机电磁性能时无法考虑软磁材料磁导率的缺陷,提出了一种考虑软磁材料磁导率为具体值的三段式Halbach阵列永磁电机多层解析模型。根据内部激励源和媒介的不同,将永磁电机全域划分成Halbach阵列永磁体层、气隙层、定子齿尖层和电枢绕组层4类磁场求解层。利用柯西乘积和复数形式的傅里叶级数来描述磁场求解层中媒介磁导率分布情况。基于麦克斯韦方程组建立了每个磁场求解层的拉普拉斯方程或泊松方程,结合边界条件求解出每个磁场求解层的磁矢位。利用多层解析模型计算了电机的气隙磁密、空载反电动势和输出转矩等电磁特性,并与有限元模型计算结果进行了对比。计算结果表明：多层解析模型和有限元模型计算得到的气隙磁密波形吻合得很好,两者的空载反电动势峰值和输出转矩平均值的相对误差均小于1%,证明了多层解析模型的正确性。最后利用多层解析模型研究了槽开口宽度、磁极宽度和充磁夹角对电机输出转矩的影响规律,给出了输出转矩最优的设计方案。仿真结果表明：优化后的输出转矩脉动削减了75.7%,证明所提出的多层解析模型不仅计算准确而且计算速度快,在电机的初始设计和电磁性能影响规律的探究上具有明显的优势。     

基于频域降采样和CNN的轴承故障诊断方法

在工业领域,设备运行过程中采集的原始故障信号具有强噪声以及多工况的特点,现有的基于数据的轴承故障诊断模型的抗噪能力与泛化能力相对较弱。针对以上问题,提出一种基于频域降采样(down-sampling)和卷积神经网络(CNN)的轴承故障诊断方法 Ds-CNN。频域降采样包含最大偏移降采样和噪声横截断两个部分,可以实现样本增强,降低样本在频域的差异性,同时减弱噪声对频域信号的影响。基于频域信号建立的CNN模型能够自动提取降采样后频域信号的故障特征,并完成对轴承故障的识别分类。实验结果表明,在强噪声环境和多工况条件下,与目前常用模型相比, Ds-CNN具有更高的识别准确率。     

基于无监督学习的智能数据中心电力拓扑系统

在任务关键型云计算服务中,构建准确的数据中心电力拓扑结构对于实现快速准确的故障处理,减轻故障事件对云计算服务质量的损害十分重要。但目前数据中心电力拓扑结构的生成过程具有劳动密集型的特点,其准确性难以得到有效评估和保障。该文设计了一种基于无监督学习的智能数据中心电力拓扑系统(intelligent data center power topology system,IPTS),不仅可为电力系统的运行部分自动生成实时变化的电力拓扑结构,而且可利用电力系统的监控数据对人工构建的数据中心电力拓扑结构进行验证。实验结果表明,IPTS可自动生成准确的数据中心电力拓扑结构,一致性比率(CR)可达到0.978,并可有效地定位人工构建的电力拓扑结构中的大多数错误。     

基于残差卷积自注意力神经网络的铝电解过热度识别方法

过热度是反映铝电解槽当前生产效率的重要指标,由于过热度难以在线实时测量,本文提出一种基于残差卷积自注意力神经网络的过热度识别方法.针对铝电解生产过程数据为时间序列数据且具有多源异构特性,设计异构数据的同构表示方法.在此基础上建立残差卷积自注意力神经网络模型以提取同构时间序列数据的全局与局部特征.针对过热度数据标签少且类别分布不均匀问题,采用基于自动编码器的无监督预训练方法与加权交叉熵损失函数以提高过热度识别任务的性能.在基准数据集上进行仿真对比实验以验证本文所提方法的有效性,然后在只包含少量不平衡标签的铝电解过热度数据集上进行实验验证,结果表明本文构建的过热度识别模型相较与其他现有模型不仅提高了过热度识别准确率,而且在训练样本较少时保证了模型的泛化能力.