往复泵作为石油石化行业重要的输送设备,通过振动监测手段来保证系统的安全稳定运行具有重要的现实意义。如何对往复泵的非平稳和非线性信号提取特征并进行准确识别是诊断中的关键问题。针对往复泵故障特征的提取,提出了一种利用ICEEMDAN-GRNN神经网络相结合的诊断方法。首先利用ICEEMDAN对采集的原始信号进行分解得到若干个IMF分量,然后计算IMF分量的奇异谱熵并构造特征向量,再将特征向量输入到GRNN神经网络进行训练和模式识别。研究表明该方法可以有效提取往复泵的故障特征并进行准确的模式识别。

针对产品在设计和开发时无法预测到安装和使用的问题,论文给出了一种基于3DEXPERIENCE平台的PLC虚拟调试解决方案,并通过GA-PSO算法进行多调度流程优化。该方案以立体库流程仿真作为研究对象,实现了在项目实施的早期对PLC程序可行性和完整性的逻辑验证,通过GA-PSO混合算法,优化堆垛机批次作业任务的路径轨迹,最后对优化结果进行3DE仿真实验验证。结果表明虚拟调试技术大大缩短了整个项目的调试周期,而经过GA-PSO混合算法优化的作业任务缩短了堆垛机的运行时间,提高了仓储环节的运行效率。

3D增材制造产品成型过程中,各个关键参数的实时监控具有十分重要的现实意义。这里搭建了3D打印数采分析系统,提出了以ABB机器人、DeviceNet模块等为主体硬件,DeviceNet为实时通讯协议,C#为开发语言及SQL Server为数据库的设计方案,同时通过ARIMA时序机器学习模型,对采集的数据进行自相关函数分析。研究表明,数采分析诊断系统可以对机器人在3D打印过程中的各项数据进行实时监控,通过ARIMA模型的训练可以在焊接过程中对异样参数进行提前预警,从而对工艺参数的优化和产品质量的提升都有实际参考价值。

利用改进的CEEMDAN和RBF神经网络相结合的方法识别压缩机气阀故障。首先利用改进型CEEMDAN对实验采集的振动信号进分解,该方法克服了传统方法在处理模态混叠和虚假分量方面的不足,并提出基于改进型CEEMDAN和奇异谱熵相结合的信号处理手段,对振动信号构造特征向量,最后将特征向量输入RBF神经网络进行模式识别训练。研究结果表明基于改进型CEEMDAN和奇异谱熵的信号处理方法可以有效地提取出往复式压缩机阀片故障的特征,而RBF神经网络算法在对压缩机阀片故障进行模式识别时准确率高达99.58%。

针对管道缺陷的风险评估,预设了工程实际中常见的管道凹坑、孔洞和裂纹典型缺陷特征,构建了实验测试平台,传感器采集信号。针对信号非线性非平稳的处理问题,提出一种基于ICEEMDAN-ICA的管道缺陷多特征融合信号处理方法,对管道的孔洞、凹坑和裂纹缺陷进行多特征提取,提取样本熵、近似熵和奇异谱熵进行特征融合,通过ELM分类器进行模式识别。研究结果表明,特征融合的方法大大提高了识别的准确率,达到了95%。

针对某公司新建智能工厂设备布置和调度优化问题,通过Plant Simulation仿真平台进行流程优化。首先建立整个智能工厂的车间作业调度模型,对工序进行拆分,然后通过遗传算法-粒子群混合优化方式求得最优调度解。由仿真结果可知,与某公司的传统布置方案相比,优化的方法解决了工序排布不合理的问题,提高了车间作业效率,优化了生产节拍,为企业赢得了利润空间。