干气密封装置的动态特性会直接影响密封的可靠性,针对具有复杂结构的干气密封装置,实现对其工作模态的研究。基于多参考点最小二乘复频域法(PolyLSCF),分别采用互功率谱函数(Cross Power Spectra)和半互功率谱密度函数(Cross Half PSD)...干气密封装置的动态特性会直接影响密封的可靠性,针对具有复杂结构的干气密封装置,实现对其工作模态的研究。基于多参考点最小二乘复频域法(PolyLSCF),分别采用互功率谱函数(Cross Power Spectra)和半互功率谱密度函数(Cross Half PSD)实现对装置系统的工况模态分析及识别,并通过数学指标:模态置信度(MAC)、平均相位偏差(MPD)、模态相位线性度(MPC)、模态复杂性(MOV)以及模态指示函数(MIF)对两个函数的模态结果进行验证。结果表明:采用半互功率谱密度函数的模态分析结果好于互功率谱函数,半互功率谱密度函数更适用于此类复杂结构系统的工作模态分析;不同操作条件下的模态结果表明:转速对于系统模态的影响大于介质压力;同时建立了一种基于响应面方法的时变模态参数识别模型,以不同的操作条件(介质压力与转速)、方向和模态阶数为响应面变量,通过Box-Behnken试验设计选取合适的变量样本点,建立系统模态参数的完整二次多项式工作模态响应面模型并验证了其有效性,为实现时变模态的辨识提供了新的方法和技术支持。展开更多
以云南省天星站和坡脚站10、20、40 cm 3个土层的土壤含水量观测数据为基础,通过改进时变滤波经验模态分解(TVFEMD)和快速学习网(FLN)方法构建基于多种优化算法的预测模型(TVFEMD-BSLO/AO/IVYA/EGO/PSO-FLN),提升土壤含水量时间序列预...以云南省天星站和坡脚站10、20、40 cm 3个土层的土壤含水量观测数据为基础,通过改进时变滤波经验模态分解(TVFEMD)和快速学习网(FLN)方法构建基于多种优化算法的预测模型(TVFEMD-BSLO/AO/IVYA/EGO/PSO-FLN),提升土壤含水量时间序列预测精度。通过比较各优化算法的模型性能,为土壤水分预测提供更优的建模方法。结果表明,TVFEMD分解效果主要受带宽阈值和B样条阶数2个关键参数影响。采用IVYA算法优化这2个参数可提升时间序列分解质量,进而改善模型预测性能。TVFEMD-BLSO/AO/IVYA/EGO-FLN模型在训练集上表现出卓越的预测性能,其平均绝对百分比误差(MAPE)为0.002%~0.077%,决定系数(R^(2))为0.9997~1.0000;预测集中的MAPE为0.006%~0.459%,R^(2)为0.9966~1.0000。与TVFEMD-PSO-FLN模型相比,TVFEMD-BLSO/AO/IVYA/EGO-FLN模型在拟合性能和预测精度方面均有明显提升。采用BLSO、AO、IVYA和EGO算法优化FLN超参数可有效提升模型性能,其中IVYA算法的优化效果较突出。展开更多
文摘干气密封装置的动态特性会直接影响密封的可靠性,针对具有复杂结构的干气密封装置,实现对其工作模态的研究。基于多参考点最小二乘复频域法(PolyLSCF),分别采用互功率谱函数(Cross Power Spectra)和半互功率谱密度函数(Cross Half PSD)实现对装置系统的工况模态分析及识别,并通过数学指标:模态置信度(MAC)、平均相位偏差(MPD)、模态相位线性度(MPC)、模态复杂性(MOV)以及模态指示函数(MIF)对两个函数的模态结果进行验证。结果表明:采用半互功率谱密度函数的模态分析结果好于互功率谱函数,半互功率谱密度函数更适用于此类复杂结构系统的工作模态分析;不同操作条件下的模态结果表明:转速对于系统模态的影响大于介质压力;同时建立了一种基于响应面方法的时变模态参数识别模型,以不同的操作条件(介质压力与转速)、方向和模态阶数为响应面变量,通过Box-Behnken试验设计选取合适的变量样本点,建立系统模态参数的完整二次多项式工作模态响应面模型并验证了其有效性,为实现时变模态的辨识提供了新的方法和技术支持。
文摘以云南省天星站和坡脚站10、20、40 cm 3个土层的土壤含水量观测数据为基础,通过改进时变滤波经验模态分解(TVFEMD)和快速学习网(FLN)方法构建基于多种优化算法的预测模型(TVFEMD-BSLO/AO/IVYA/EGO/PSO-FLN),提升土壤含水量时间序列预测精度。通过比较各优化算法的模型性能,为土壤水分预测提供更优的建模方法。结果表明,TVFEMD分解效果主要受带宽阈值和B样条阶数2个关键参数影响。采用IVYA算法优化这2个参数可提升时间序列分解质量,进而改善模型预测性能。TVFEMD-BLSO/AO/IVYA/EGO-FLN模型在训练集上表现出卓越的预测性能,其平均绝对百分比误差(MAPE)为0.002%~0.077%,决定系数(R^(2))为0.9997~1.0000;预测集中的MAPE为0.006%~0.459%,R^(2)为0.9966~1.0000。与TVFEMD-PSO-FLN模型相比,TVFEMD-BLSO/AO/IVYA/EGO-FLN模型在拟合性能和预测精度方面均有明显提升。采用BLSO、AO、IVYA和EGO算法优化FLN超参数可有效提升模型性能,其中IVYA算法的优化效果较突出。
