针对工业生产场景下大型轴流风机滚动轴承受强背景噪声干扰影响导致的故障信号特征提取难题,提出一种基于延伸奇异值分解包(extended singular value decomposition packet,ESVDP)的自适应轴承故障信号提取方法。利用自回归模型,引入自...针对工业生产场景下大型轴流风机滚动轴承受强背景噪声干扰影响导致的故障信号特征提取难题,提出一种基于延伸奇异值分解包(extended singular value decomposition packet,ESVDP)的自适应轴承故障信号提取方法。利用自回归模型,引入自回归功率谱,基于信号能量分布分析实现对原算法的分解精度参数的自适应设定。引入峭度指标作为故障特征选择依据,从轴承故障信号本身的特征来更多地保留机械振动信号中的故障信息,结合峭度指标实现递推分解层数参数的设置,自适应分解出故障信号,有效保留包含故障信息的瞬态冲击成分。优化ESVDP分解结构,减少不必要的计算冗余,提升计算效率的同时对故障信号进行筛选,从而准确实现轴流风机轴承故障的诊断。仿真信号和试验结果均表明该方法在强干扰分量下可有效提取轴流风机轴承的故障特征频率,实现轴流风机轴承的故障诊断。展开更多
针对输油气管道的故障种类多、现场数据无法长期有效保存等问题,提出了一种基于边缘计算和改进随机向量函数链接(random vector functional-link,RVFL)网络的输油气管道故障分类方法。该方法扩展了监控和数据采集(supervisory control a...针对输油气管道的故障种类多、现场数据无法长期有效保存等问题,提出了一种基于边缘计算和改进随机向量函数链接(random vector functional-link,RVFL)网络的输油气管道故障分类方法。该方法扩展了监控和数据采集(supervisory control and data acquisition,SCADA)系统的功能,使其可以存储和访问大量的数据。首先,当输油气管道出现故障时,利用基于模糊似然函数的模糊聚类算法对故障发生前一段时间内的管道压力值进行聚类;然后,提取管道压力值密度特征,将其作为RVFL网络的增强节点,利用改进RVFL网络对故障进行分类。将改进RVFL网络部署在边缘计算模块中,对6种故障进行分类,其准确率可达到96.7%。展开更多
锂离子电池健康状态(state of health,SOH)估计对确保能量存储系统的可靠性和安全性至关重要。然而,现有SOH估计方法在单一特征提取和固定充放电条件依赖方面存在局限性,难以适应多变的实际工作环境。为解决这一问题,本工作提出了一种...锂离子电池健康状态(state of health,SOH)估计对确保能量存储系统的可靠性和安全性至关重要。然而,现有SOH估计方法在单一特征提取和固定充放电条件依赖方面存在局限性,难以适应多变的实际工作环境。为解决这一问题,本工作提出了一种基于弛豫电压的并行多尺度特征融合卷积模型(multi-scale feature fusion convolution model,MSFFCM)结合极端梯度提升树(XGBoost)的SOH估计方法。MSFFCM通过多层堆叠卷积模块提取弛豫电压数据的深层特征,同时利用并行多尺度注意力机制增强了多尺度特征的捕捉能力,并将这些特征与统计特征进行融合,以提升模型的特征提取和融合能力。针对XGBoost模型,本工作应用贝叶斯优化算法进行参数调优,从而在多源融合特征基础上实现高精度SOH估计。实验验证基于两种商用18650型号电池的多温度和多充放电策略数据集,结果表明该方法的均方根误差(RMSE)和平均绝对误差(MAE)均小于0.5%,明显优于传统方法。本工作为锂电池健康管理提供了一种不依赖特定充放电条件的有效估计工具,有望在复杂的实际应用中发挥重要作用。展开更多
文摘针对工业生产场景下大型轴流风机滚动轴承受强背景噪声干扰影响导致的故障信号特征提取难题,提出一种基于延伸奇异值分解包(extended singular value decomposition packet,ESVDP)的自适应轴承故障信号提取方法。利用自回归模型,引入自回归功率谱,基于信号能量分布分析实现对原算法的分解精度参数的自适应设定。引入峭度指标作为故障特征选择依据,从轴承故障信号本身的特征来更多地保留机械振动信号中的故障信息,结合峭度指标实现递推分解层数参数的设置,自适应分解出故障信号,有效保留包含故障信息的瞬态冲击成分。优化ESVDP分解结构,减少不必要的计算冗余,提升计算效率的同时对故障信号进行筛选,从而准确实现轴流风机轴承故障的诊断。仿真信号和试验结果均表明该方法在强干扰分量下可有效提取轴流风机轴承的故障特征频率,实现轴流风机轴承的故障诊断。
文摘针对输油气管道的故障种类多、现场数据无法长期有效保存等问题,提出了一种基于边缘计算和改进随机向量函数链接(random vector functional-link,RVFL)网络的输油气管道故障分类方法。该方法扩展了监控和数据采集(supervisory control and data acquisition,SCADA)系统的功能,使其可以存储和访问大量的数据。首先,当输油气管道出现故障时,利用基于模糊似然函数的模糊聚类算法对故障发生前一段时间内的管道压力值进行聚类;然后,提取管道压力值密度特征,将其作为RVFL网络的增强节点,利用改进RVFL网络对故障进行分类。将改进RVFL网络部署在边缘计算模块中,对6种故障进行分类,其准确率可达到96.7%。
