课程文献中心 更多>>

关键词： Tunnel boring machine (TBM)   Intelligent decision-making   Multi-objective optimization (MOO)   Control parameters  

摘要： In tunnel construction, tunnel boring machine (TBM) tunnelling typically relies on manual experience with sub-optimal control parameters, which can easily lead to inefficiency and high costs. This study proposed an intelligent decision-making method for TBM tunnelling control parameters based on multi-objective optimization (MOO). First, the effective TBM operation dataset is obtained through data preprocessing of the Songhua River (YS) tunnel project in China. Next, the proposed method begins with developing machine learning models for predicting TBM tunnelling performance parameters (i.e. total thrust and cutterhead torque), rock mass classification, and hazard risks (i.e. tunnel collapse and shield jamming). Then, considering three optimal objectives, (i.e., penetration rate, rock-breaking energy consumption, and cutterhead hob wear), the MOO framework and corresponding mathematical expression are established. The Pareto optimal front is solved using DE-NSGA-II algorithm. Finally, the optimal control parameters (i.e., advance rate and cutterhead rotation speed) are obtained by the satisfactory solution determination criterion, which can balance construction safety and efficiency with satisfaction. Furthermore, the proposed method is validated through 50 cases of TBM tunnelling, showing promising potential of application.

关键词： 故障诊断   解析模型   约束条件   通道异常告警   粒子群算法  

摘要： 为解决故障假说内部变量取值无约束，导致模型求解时可能出现多解、误解这一问题，提出了考虑保护逻辑约束的电网故障诊断解析模型。首先通过主保护与后备保护动作逻辑上的配合关系建立约束条件对故障假说内部变量进行限制，筛选出符合实际故障情形的故障假说；后续引入装置通道异常告警信息，构建故障假说评价函数，对满足约束条件的故障假说进行评价；采用模糊集理论和二进制粒子群优化算法求解，得到满意度最大的故障假说，结合告警信息推算整个故障过程。最后通过故障算例验证了本文所提模型的有效性和通用性。

关键词： 电动机   多源信息融合   连续小波变换   TransXNet   故障诊断  

摘要： 深度学习（Deep Learning, DL）应用于推动智能故障诊断的发展，带来了显著的性能提升。然而，现有方法大多无法捕捉机械设备的时间信息和全局特征，无法收集到足够的故障信息。同时，由于运行环境复杂恶劣，单源故障诊断方法难以稳定、广泛地提取故障特征。因此，本文提出一种基于多源信息融合（Multi-Source Information Fusion,MSIF）的连续小波和TransXNet三相异步电机故障诊断新方法，通过提取和整合丰富的特征来提高诊断性能稳定性。首先，搭建三相异步电机故障实验平台，使用加速度传感器与电流传感器采集电机多种工况下的振动信号与电流信号，获得多源信号。其次，提出一种新的轻量级混合网络模块：双动态令牌混合器（Dual Dynamic Token Mixer,D-Mixer），其可以动态地利用全局和局部信息，同时注入大的感受野和强大的归纳偏差，而不牺牲输入依赖性，提高了特征提取能力。提出多尺度前馈网络（Multi-scale Feed-forward Network,MS-FFN），在前馈网络中进行多尺度特征聚合。通过交替使用D-Mixer和MSFFN，构建了一种新型的混合CNN-Transformer网络：TransXNet。然后，利用连续小波变换将多源信号进行时频变换，提出数据级融合策略获得多源信息图，将多源信息图输入到TransXNet中进行特征分割以及聚合以完成特征提取，以训练并验证所提出的TransXNet有效性。最后，使用多源测试样本来验证所提出方法的诊断性能。结果表明，基于TransXNet强大的特征提取能力，识别准确率达到100%。通过对比调整兰德指数、归一化互信息、F1分数和准确率四个评价指标以及抗噪性分析，得出所提方法优于目前故障诊断领域最先进的方法（State Of The Art,SOTA），在故障诊断领域有很好的前景。

关键词： 质量计量仪器   故障诊断模型   莱维飞行   信号特征提取   信号特征降维   支持向量机   改进粒子群算法优化支持向量机   核主成分分析  

摘要： 针对服役状态下，不易对轴重式动态汽车衡的灵敏度漂移等故障进行在线检测这一问题，提出了一种特征降维下结合莱维飞行改进粒子群算法优化支持向量机（IPSO-SVM）模型以及信号特征提取与降维的动态汽车衡故障诊断方法。首先，提取了输出信号的时域与频域特征，利用核主成分分析（KPCA）将非线性映射函数输入空间变换到高维空间以实现对特征向量的降维与筛选；然后，利用了莱维飞行改进粒子群优化算法（PSO）的寻优能力，并采用改进后的算法对支持向量机（SVM）进行了优化，得到了最优的参数组合，以此构建了全局最优的IPSO-SVM诊断模型；最后，采用建立的诊断模型，对不同车重、不同车速、不同轴型载荷工况下的动态汽车衡进行了故障诊断验证。研究结果表明：采用所提出的动态汽车衡故障诊断方法，其诊断准确率可达98%，证实了引入莱维飞行后的改进粒子群算法可显著改进优化的效率和效果。相比现有诊断方法，IPSO-SVM诊断模型可有效解决PSO算法易陷入局部最优解的问题，准确率得到了较大提升，可实现对汽车衡系统动态故障工况下的全类型高精度诊断。

关键词： 信号处理   故障诊断   随机共振   输出饱和   MCKD-UTSOSR  

摘要： 为解决由高阶项限制引起的输出饱和问题，利用分段势函数抗饱和的优良特性，提出了一种新的非饱和三稳二阶随机共振（UTSOSR）系统。首先，通过仿真实验验证了该系统能够显著改善经典三稳二阶随机共振系统的输出饱和问题。其次，基于绝热近似理论，推导出UTSOSR系统的稳态概率密度，平均首次通过时间和功率谱放大因子（SA）,并通过分析系统各参数对这些性能指标的影响，来更加深入地探究系统的动力学行为。将SA和信噪比增益(Gsnr)作为评价指标，通过数值仿真验证了UTSOSR系统具有更优越的信号增强和抗噪声性能。同时，为了获得更优的输出性能，将最大相关峭度解卷积（MCKD）与UTSOSR系统相结合，提出MCKD-UTSOSR方法对目标信号特征进行提取。最后，联合遗传算法和变步长网格优化算法寻找MCKD-UTSOSR方法的最优参数，并应用于转动体微弱故障信号检测。数据分析结果表明，MCKD-UTSOSR方法相比于其他方法，其信噪比提升了1.128 9～23.585 4 dB,谱峰峰值提升了88.423～7 488.118 133,为实际工程中高效的信号处理和故障检测提供了创新和可靠的解决方案。

关键词： 并网逆变器   开路故障   超螺旋滑模观测器   概率密度函数   自适应阈值  

摘要： 针对并网逆变器开关管单管和双管开路故障，提出一种采用超螺旋滑模观测器的故障诊断方法。首先，引入超螺旋算法设计滑模观测器，通过将滑模控制中的高频切换信号转换为分数次幂和积分项的组合，并将其中的符号函数替换为双曲函数，用来抑制抖振现象、提高收敛速度，从而实现三相电流的快速精确估计。其次，提出正态差异电流法的故障检测方法，以实际电流和估计电流的概率密度函数差为依据，并结合自适应阈值进行故障检测，可有效避免并网波动造成的误检。最后，利用健康运行状态下三相电流的相位信息构造故障定位变量，与故障检测相结合实现开路故障快速有效地诊断。实验表明：面对多种波动情况，所提方法能够准确有效地诊断21种故障类型，最小诊断时长仅19%电流周期。

关键词： 润滑油信息   发动机   故障诊断   蜣螂优化算法   反向传播神经网络   核线性判别分析  

摘要： 润滑油在发动机中发挥作用时携带着大量关于发动机的状态信息，能够对发动机产生的故障进行表征，可利用其对发动机进行故障诊断。以某型装甲车辆发动机为研究对象，提出一种基于核线性判别和改进的蜣螂优化算法优化反向传播(Back Propagation， BP)神经网络的故障诊断方法。对获取的润滑油数据通过核线性判别分析进行降维处理，降维后的数据作为BP神经网络的输入，通过引入最优拉丁超立方、权重因子以及Levy飞行策略对蜣螂优化算法进行改进，进一步对BP神经网络的关键参数进行优化，建立故障诊断模型实现对测试数据的故障预测。实验结果验证了该方法在进行故障诊断预测方面的有效性，为装甲车辆发动机的维护和修理提供了科学依据。

关键词： 故障诊断   马尔可夫变迁场(MTF)   卷积神经网络(CNN)   IGBT  

摘要： IGBT是光伏逆变器的核心部件，其稳定性和可靠性对逆变器的正常运行至关重要。因此通过对光伏并网逆变器的故障诊断来确保发电系统的安全和稳定运行就显得极为重要。针对三相光伏并网两电平逆变器IGBT常见的单管开路故障，提出一种基于MTF-CNN的三相光伏并网逆变器IGBT开路的故障诊断方法。在Matlab2018b/Simulink上搭建三相光伏并网逆变器的仿真模型，模拟几种IGBT的开路故障，采集逆变器输出的故障电流信号作为一维时域信号，利用MTF将其转化为二维图像作为2D-CNN的数据集并进行训练，完成故障的检测与诊断。实验结果表明，该方法具有较强的抗干扰能力，相较于其他传统方法，诊断速度较快，准确性更高。

关键词： 电力变压器   故障诊断   集成学习   极限学习机   互相关熵损失   雪消融优化器  

摘要： 针对基于传统机器学习的变压器故障诊断方法在数据不平衡、训练数据集存在离群值等条件下稳健性弱和泛化能力不强等问题,提出一种稳健集成学习模型用于实现电力变压器的高精度故障诊断。首先针对离群值对模型稳健性的影响,将互相关熵损失(correntropy loss,CL)引入极限学习机(extreme learning machine,ELM)框架并应用梯度法获得最优解,以构建稳健学习模型CLELM,并利用雪消融优化器(snow ablation optimizer,SAO)优化CLELM的隐含层权重和偏差,以进一步改进其性能。其次,为了增强模型的泛化能力,将多个SAO-CLELM进行加权融合以构成稳健集成学习模型。最后,针对变压器故障数据集不平衡问题,采用合成少数类过采样技术对数据进行扩充,并应用平衡化后的数据训练集成SAO-CLELM模型以实现故障诊断。在两种故障测试集下对所提集成SAO-CLELM模型的故障诊断性能进行了验证,实验结果表明所提模型能获得准确的故障分类结果,说明其具有较高的稳健性和泛化性。

关键词： 轴承故障诊断   自监督学习   跨工况   对抗迁移  

摘要： 轴承智能故障诊断应用中,由于实际工况复杂多变,极难获得足够的真实故障数据,且目标域和源域信号存在较大差异,导致深度模型的跨工况迁移识别也出现特征提取及分类困难、模型泛化性弱。考虑到目标域存在大量无标签数据,引入无监督思想,提出基于自监督学习结合对抗迁移的改进方法。首先根据信号本身特点创建辅助任务,对大量无标签数据学习,建立源域与目标域故障类别之间的内在联系;再通过对抗域适应和联合最大平均差异将源域知识迁移到目标域中,结合辅助任务优化两域差异,最终实现目标域准确的故障分类。用2个公开的轴承数据集上验证了所提方法的性能,实验结果表明,所提方法的故障诊断识别准确率在多数情况下均高于98%。