巷道断面成形是煤矿掘进过程中的重要工序,但目前的巷道断面成形作业多为人工控制掘进机进行往复式截割,制约了煤矿掘进工作面的智能化发展。为此,针对断面成形轨迹规划未考虑煤岩特征、优化目标单一的问题,提出了一种基于改进灰狼优化(...巷道断面成形是煤矿掘进过程中的重要工序,但目前的巷道断面成形作业多为人工控制掘进机进行往复式截割,制约了煤矿掘进工作面的智能化发展。为此,针对断面成形轨迹规划未考虑煤岩特征、优化目标单一的问题,提出了一种基于改进灰狼优化(grey wolf optimizer, GWO)算法的掘进机断面成形轨迹规划方法。首先,根据夹矸位置将待截割断面环境分为4种情况,对相应断面进行栅格化处理并建立栅格地图,同时采用二值膨胀法对不规则夹矸进行膨胀化处理。然后,对GWO算法进行了改进,以提升其寻优性能和收敛速度。接着,开展了仿真实验,利用改进GWO算法实现了4种环境下掘进机断面成形轨迹的规划。最后,利用掘进机样机开展了断面截割实验。仿真结果表明:相较于传统的GWO算法,改进GWO算法的收敛速度更快且收敛精度更高;在4种断面环境下,基于改进GWO算法规划的断面成形轨迹长度最短,欠挖面积最小,转向次数最少,更容易实现高精度、高效率的轨迹跟踪控制,保证了巷道断面的成形质量。实验结果表明,基于改进GWO算法规划的断面成形轨迹既能提高掘进机的截割效率,又能满足巷道断面成形的质量要求。研究结果可为煤矿井下智能掘进技术的发展提供新的思路和方法。展开更多
滚动轴承作为机械设备的重要部件,对其进行剩余使用寿命预测在企业的生产过程中变得越来越重要。目前,虽然主流的卷积神经网络(convolutional neural network, CNN)可以自动地从轴承的振动信号中提取特征,却不能给特征分配不同的权重来...滚动轴承作为机械设备的重要部件,对其进行剩余使用寿命预测在企业的生产过程中变得越来越重要。目前,虽然主流的卷积神经网络(convolutional neural network, CNN)可以自动地从轴承的振动信号中提取特征,却不能给特征分配不同的权重来提高模型对重要特征的关注程度,对于长时间序列容易丢失重要信息。另外,神经网络中隐藏层神经元个数、学习率以及正则化参数等超参数还需要依靠人工经验设置。为了解决上述问题,提出基于灰狼优化(grey wolf optimizer, GWO)算法、优化集合CNN、双向长短期记忆(bidirectional long short term memory, BiLSTM)网络和注意力机制(Attention)轴承剩余使用寿命预测方法。首先,从原始振动信号中提取时域、频域以及时频域特征指标构建可选特征集;然后,通过构建考虑特征相关性、鲁棒性和单调性的综合评价指标筛选出高于设定阈值的轴承退化敏感特征集,作为预测模型的输入;最后,将预测值和真实值的均方误差作为GWO算法的适应度函数,优化预测模型获得最优隐藏层神经元个数、学习率和正则化参数,利用优化后模型进行剩余使用寿命预测,并在公开数据集上进行验证。结果表明,所提方法可在非经验指导下获得最优的超参数组合,优化后的预测模型与未进行优化模型相比,平均绝对误差与均方根误差分别降低了28.8%和24.3%。展开更多
在交通碳达峰和碳中和的背景下,高精度、细粒度、可实施性强的机动车能耗实时预测方法成为交通减碳关键组成之一。针对传统基于回归的车辆能耗模型普适性较差的问题,提出了一种基于径向基函数神经网络(radial basis function neural net...在交通碳达峰和碳中和的背景下,高精度、细粒度、可实施性强的机动车能耗实时预测方法成为交通减碳关键组成之一。针对传统基于回归的车辆能耗模型普适性较差的问题,提出了一种基于径向基函数神经网络(radial basis function neural network,RBFNN)的车辆能耗预测模型。首先分析车辆能耗影响因素并基于Min-Max标准化方法对影响因素矩阵进行归一化处理,然后基于灰狼算法(grey wolf optimization,GWO)优化RBFNN算法隐藏层中心点、高斯函数的宽度和隐含层与输出层连接的权值的训练,最后从横向模型对比和实车实测数据进行模型预测准确度分析。测试结果表明:RBFNN算法预测准确度较传统回归模型提高约12%,整体准确度达到90%以上,能够很好地对城市机动车能耗进行预测。展开更多
为研究车用质子交换膜燃料电池的预测和健康管理问题,提出了一种以相对功率损耗率为健康指标、灰狼优化(grey wolf optimizer,GWO)算法与径向基(radial basis function,RBF)神经网络相结合的方法(GWO-RBF),对车用质子交换膜燃料电池的...为研究车用质子交换膜燃料电池的预测和健康管理问题,提出了一种以相对功率损耗率为健康指标、灰狼优化(grey wolf optimizer,GWO)算法与径向基(radial basis function,RBF)神经网络相结合的方法(GWO-RBF),对车用质子交换膜燃料电池的剩余使用寿命进行预测。首先,通过对初始时刻燃料电池极化曲线的分析,构建以相对功率损耗率为健康指标的计算方法,并采用灰色关联度分析方法验证其可行性。然后,应用GWO算法优化的RBF神经网络预测车用质子交换膜燃料电池的剩余使用寿命。最后,采用两组数据集对提出的方法进行了验证分析。结果表明:与其他方法相比,提出的基于GWO-RBF方法的平均绝对百分比误差、均方根误差最小,决定系数最大,相对误差小于1%。可见本文方法能够以较少的数据集、较高的精度预测车用质子交换膜燃料电池的剩余使用寿命。展开更多
文摘巷道断面成形是煤矿掘进过程中的重要工序,但目前的巷道断面成形作业多为人工控制掘进机进行往复式截割,制约了煤矿掘进工作面的智能化发展。为此,针对断面成形轨迹规划未考虑煤岩特征、优化目标单一的问题,提出了一种基于改进灰狼优化(grey wolf optimizer, GWO)算法的掘进机断面成形轨迹规划方法。首先,根据夹矸位置将待截割断面环境分为4种情况,对相应断面进行栅格化处理并建立栅格地图,同时采用二值膨胀法对不规则夹矸进行膨胀化处理。然后,对GWO算法进行了改进,以提升其寻优性能和收敛速度。接着,开展了仿真实验,利用改进GWO算法实现了4种环境下掘进机断面成形轨迹的规划。最后,利用掘进机样机开展了断面截割实验。仿真结果表明:相较于传统的GWO算法,改进GWO算法的收敛速度更快且收敛精度更高;在4种断面环境下,基于改进GWO算法规划的断面成形轨迹长度最短,欠挖面积最小,转向次数最少,更容易实现高精度、高效率的轨迹跟踪控制,保证了巷道断面的成形质量。实验结果表明,基于改进GWO算法规划的断面成形轨迹既能提高掘进机的截割效率,又能满足巷道断面成形的质量要求。研究结果可为煤矿井下智能掘进技术的发展提供新的思路和方法。
文摘滚动轴承作为机械设备的重要部件,对其进行剩余使用寿命预测在企业的生产过程中变得越来越重要。目前,虽然主流的卷积神经网络(convolutional neural network, CNN)可以自动地从轴承的振动信号中提取特征,却不能给特征分配不同的权重来提高模型对重要特征的关注程度,对于长时间序列容易丢失重要信息。另外,神经网络中隐藏层神经元个数、学习率以及正则化参数等超参数还需要依靠人工经验设置。为了解决上述问题,提出基于灰狼优化(grey wolf optimizer, GWO)算法、优化集合CNN、双向长短期记忆(bidirectional long short term memory, BiLSTM)网络和注意力机制(Attention)轴承剩余使用寿命预测方法。首先,从原始振动信号中提取时域、频域以及时频域特征指标构建可选特征集;然后,通过构建考虑特征相关性、鲁棒性和单调性的综合评价指标筛选出高于设定阈值的轴承退化敏感特征集,作为预测模型的输入;最后,将预测值和真实值的均方误差作为GWO算法的适应度函数,优化预测模型获得最优隐藏层神经元个数、学习率和正则化参数,利用优化后模型进行剩余使用寿命预测,并在公开数据集上进行验证。结果表明,所提方法可在非经验指导下获得最优的超参数组合,优化后的预测模型与未进行优化模型相比,平均绝对误差与均方根误差分别降低了28.8%和24.3%。
文摘在交通碳达峰和碳中和的背景下,高精度、细粒度、可实施性强的机动车能耗实时预测方法成为交通减碳关键组成之一。针对传统基于回归的车辆能耗模型普适性较差的问题,提出了一种基于径向基函数神经网络(radial basis function neural network,RBFNN)的车辆能耗预测模型。首先分析车辆能耗影响因素并基于Min-Max标准化方法对影响因素矩阵进行归一化处理,然后基于灰狼算法(grey wolf optimization,GWO)优化RBFNN算法隐藏层中心点、高斯函数的宽度和隐含层与输出层连接的权值的训练,最后从横向模型对比和实车实测数据进行模型预测准确度分析。测试结果表明:RBFNN算法预测准确度较传统回归模型提高约12%,整体准确度达到90%以上,能够很好地对城市机动车能耗进行预测。
文摘为研究车用质子交换膜燃料电池的预测和健康管理问题,提出了一种以相对功率损耗率为健康指标、灰狼优化(grey wolf optimizer,GWO)算法与径向基(radial basis function,RBF)神经网络相结合的方法(GWO-RBF),对车用质子交换膜燃料电池的剩余使用寿命进行预测。首先,通过对初始时刻燃料电池极化曲线的分析,构建以相对功率损耗率为健康指标的计算方法,并采用灰色关联度分析方法验证其可行性。然后,应用GWO算法优化的RBF神经网络预测车用质子交换膜燃料电池的剩余使用寿命。最后,采用两组数据集对提出的方法进行了验证分析。结果表明:与其他方法相比,提出的基于GWO-RBF方法的平均绝对百分比误差、均方根误差最小,决定系数最大,相对误差小于1%。可见本文方法能够以较少的数据集、较高的精度预测车用质子交换膜燃料电池的剩余使用寿命。
