针对100公斤级涡喷发动机,为了提高斜流压气机性能,利用编码搭建的BP神经网络-遗传算法平台,对叶轮入口轮毂半径、叶轮叶片数、扩压器轴向长度和扩压器叶片数进行压气机级的多目标优化。结果表明优化后的压气级总压比提高了3.2%,等熵效率提高了7.9%,工作稳定性大幅度提高;优化后的斜流压气机叶轮出口处的泄漏流得到明显的改善,扩压器转弯段逆压梯度和附面层影响减小。

为了提高传统机器学习模型在盾构推进参数方面的预测精度,提出了基于粒子群优化(PSO)的混合模型算法。以推进油缸推力和位置预测为例,阐述了PSO优化的混合模型构建流程。以粒子群优化模型为基础,分别建立混合多层感知机(MLP)油缸推力模型、混合长短期记忆(LSTM)人工神经网络油缸推力预测模型,以及混合LSTM油缸位置预测模型。以实际工程数据为例,完成多种混合预测模型的构建,并与RF、XGBoost等传统模型对比,验证所提方法和模型的有效性和先进性。实验表明经过PSO优化的模型准确率均有不同程度的提升,本文提出的基于粒子群优化模型对指导掘进参数调控、辅助操作人员掘进等具有一定的工程价值。

这篇文章主要讲了煤矿里的一个叫液压反铲平衡阀的设备有多么重要。如果它出问题,煤矿的工作就会受影响,所以我们要知道如何找出和修理问题。文章介绍了一个叫做"故障模式和机器学习"的新方法来找出设备的问题,并告诉我们如何修复和预防这些问题。文章还通过一些实验和数据分析来证明这个新方法的有效性,并提出了一些改进措施。最后,文章还列举了一些例子,解释了经过改进后的方法如何让煤矿的工作变得更好。

脉冲电磁阀因具有结构简单、成本低、动作快速等优点,被广泛应用于布袋除尘领域,故其元件的健康状态对系统运行安全具有重大的意义。针对脉冲电磁阀常见故障的诊断方法展开深入研究,利用接近开关检测主阀芯开启滞后时间和保持时间作为特征后,构建Bagging-DT(RF)分类器模型进行故障诊断,通过对多种模拟故障的实验结果和多种模型的对比,结果表明,构建的Bagging-DT模型的精确率、召回率、F1值均优于其他模型,且其准确率达到86%,实现了对脉冲电磁阀5种及以上故障更加准确的预测与判断,解决了实际工作中工作人员依靠主观经验,诊断效果可信度较低的问题。

针对多轴联动控制信号同步载入存在偏差导致控制效果较差的问题,设计一种基于机器学习的多轴联动控制系统。选择工控主机作为信息处理平台,设计控制系统硬件结构框架。通过设计DSP2812加密运动控制微处理器为用户提供多个接口。采用交流开环式伺服电机取代直流电机,控制系统负载。采用机器学习算法对数据进行主动学习,并从已知数据中分析出潜在的概率,通过认知回归方程进行同步载入,选择与设置多轴联动信号,通过机器学习算法得到认知回归系数,使多个型号的轴电机开始锁轴运动并同步记录运行速度,从而完成对电机的控制与监测。由实验结果可知,该系统控制效果最高可达99%,属于一种低成本、高性能的控制系统。

针对工况复杂多变而产生数据分布不一致,导致传统机器学习进行故障诊断分析时精度低的问题,提出了选择性集成迁移学习的故障诊断方法,基于相似度原理,将相似度高的源域数据迁移至目标域,增加了有效训练样本的数据量,然后结合集成SVM进行故障识别;并在此基础上,提出了一种基于类内类间数据样本分散度的特征选取方法。轴承故障诊断实验结果表明,选择性集成迁移学习可以有效解决工况多变导致设备故障诊断精度低的问题,而且特征优选后诊断精度会得到进一步提升。

高速开关阀以其结构简单、响应速度快、抗污染能力强、稳定性好等优点得到了广泛的应用。水液压高速开关阀的工作介质黏性低,更容易因性能退化发生故障。提出了一种基于机器学习的水液压高速开关阀性能退化状态识别及退化趋势预测方法。搭建了高速开关阀性能测试试验台,将电流信号的变化作为高速开关阀的性能退化指标。根据高速开关阀性能退化程度,将其退化状态定义为正常期、退化期和严重退化期3个阶段。采用BP神经网络(BPNN)方法对高速开关阀的退化状态进行了识别,并采用粒子群优化长短期记忆模型(PSO-LSTM)方法对高速开关阀的退化趋势进行了预测。使用高速开关阀的性能退化试验数据对提出模型的有效性进行了检验,结果表明该方法具有较高的预测精度。

为提高3D打印技术填充过程中填充路径对填充轮廓几何特征的适应性,提出一种基于SVM的多边形轮廓分类方法。分析与填充轮廓相关的可测变量多边形的圆度、面积/周长比、锐角占比;利用机器学习方法建立SVM模型,对多边形类型进行分类预测。该方法可以避免逐一分析复杂的几何学参数,并且可高效、准确地对待填充轮廓进行自适应路径选择。结果表明:利用该方法可以取得良好的分类效果,模型预测精度达到90%以上,基本满足实际加工要求。

基于机器学习故障诊断方法,针对船用滚动轴承复合故障特征提取多样化的特点,提出一种以振动信号时域指标为特征的随机森林故障诊断方法。将振动时域信号进行清洗转换,构造5个量纲一化指标的衍生特征,并选取以决策树为基本分类器的随机森林算法建立训练模型;通过特征筛选、评估测试和模型优化得到较为理想的故障诊断分类模型;采用滚动轴承竞赛数据集进行模型仿真,并结合实际模拟8种船用滚动轴承故障状态。通过三向振动实验和算法建模,证明特征提取的科学性和故障诊断模型的有效性。结果表明:采用该方法,数据仿真诊断准确率为98.61%,实验诊断准确率为98.85%,且该方法在振动采集方向为轴向时诊断效果最优。

针对伺服系统中常用的比例-积分-微分(PID)控制器的参数手动整定不方便的问题,对机器学习算法和模糊控制进行研究,重点分析反向传播(BP)算法和模糊控制器的设计方法,提出一种基于机器学习和模糊控制的PID参数整定方法。利用BP神经网络的学习能力得到系统模型,结合模糊控制进行预测得到PID参数,并在实验平台上进行验证。研究结果表明:通过机器学习和模糊控制得到的PID参数具有较好的控制效果,该方法能够避免手动整定PID参数,节省大量时间。