期刊文献+
共找到3篇文章
< 1 >
每页显示 20 50 100
基于ISSA-Transformer的电梯制动力矩预测研究
1
作者 苏万斌 江叶峰 +2 位作者 李科 周振超 易灿灿 《机电工程》 北大核心 2025年第10期2027-2036,共10页
实现电梯制动器力矩的精确预测对确保电梯安全运行和实现预测性维护具有重要的意义。针对曳引式电梯在制动力矩预测方面存在准确性与可靠性不足的问题,以及现有Transformer存在计算复杂度高和训练时间长的局限性,提出了一种基于改进鲸... 实现电梯制动器力矩的精确预测对确保电梯安全运行和实现预测性维护具有重要的意义。针对曳引式电梯在制动力矩预测方面存在准确性与可靠性不足的问题,以及现有Transformer存在计算复杂度高和训练时间长的局限性,提出了一种基于改进鲸沙虫群算法优化Transformer网络(ISSA-Transformer)的电梯制动力矩预测方法。首先,为了提高Transformer的预测精度,在Transformer模型中添加了特征融合门(FFG)以提高模型的特征提取能力,使其能够更有效地捕捉制动力矩的全局与局部特征;然后,利用拉普拉斯交叉算子、混合对立学习方法以及高斯扰动对鲸沙虫群算法(SSA)进行了改进,以增强SSA的搜索能力和全局最优收敛性。并采用ISSA算法优化了Transformer的迭代次数、批次大小和学习率,以提高模型的计算效率并减少训练时间,从而建立了电梯制动器制动力矩的预测模型;最后,对曳引式电梯制动器数据进行了分析,将所得结果与LSTM、Transformer和SSA-Transformer模型进行了比较。研究结果表明:ISSA-Transformer的均方根误差(RMSE)较LSTM、Transformer和SSA-Transformer模型分别降低了0.0318、0.0144和0.0133,用于电梯制动力矩预测的准确率达到了98.7%,相较传统方法具有更高的精度和稳定性。该方法可为电梯的安全评估和预测性维护提供更可靠的技术支持。 展开更多
关键词 曳引式电梯 升降台 电梯制动器 改进鲸沙虫群算法 Transformer网络 特征融合门 均方根误差 长短期记忆网络
在线阅读 下载PDF
一种电梯超载保护装置检测仪 被引量:4
2
作者 庞涛 祝新伟 +1 位作者 朱建新 陈建伟 《现代制造工程》 CSCD 北大核心 2018年第2期140-143,149,共5页
提出了一种电梯超载保护装置检测仪,该仪器包括试验载荷、光栅测微装置及位移检测系统等。给出了检测仪的设计原理、结构组成、测控原理及检测流程等,最终研制出了检测仪的样机。试用结果表明,该仪器操作简单,检测精度高,可靠性好,无需... 提出了一种电梯超载保护装置检测仪,该仪器包括试验载荷、光栅测微装置及位移检测系统等。给出了检测仪的设计原理、结构组成、测控原理及检测流程等,最终研制出了检测仪的样机。试用结果表明,该仪器操作简单,检测精度高,可靠性好,无需搬运相应超载载荷的砝码即可检测出电梯超载保护器装置是否有效,提高了检测效率,降低了检测成本及劳动强度,应用前景广阔。 展开更多
关键词 电梯 超载保护装置 检测仪 微控制器
在线阅读 下载PDF
基于ForGAN的高速电梯制动器失效预测方法 被引量:9
3
作者 苏万斌 陈伟刚 +1 位作者 易灿灿 陈启锐 《机电工程》 CAS 北大核心 2023年第4期615-624,共10页
针对高速电梯制动器失效率及维护决策方面的研究目前仍存在明显的不足。为了解决目前高速电梯在制动器失效率预测上存在结果准确性和可靠性不足的问题,对高速电梯制动器失效模式和机理进行了分析,确定了影响制动器失效的主要原因和相关... 针对高速电梯制动器失效率及维护决策方面的研究目前仍存在明显的不足。为了解决目前高速电梯在制动器失效率预测上存在结果准确性和可靠性不足的问题,对高速电梯制动器失效模式和机理进行了分析,确定了影响制动器失效的主要原因和相关参数,提出了一种经贝叶斯超参数优化后的预测性生成对抗网络(ForGAN)模型。首先,采集了高速电梯制动器工作性能数据,并对其进行了归一化处理;然后,利用主成分分析法进行了理论失效率计算,并采用了基于BO+ForGAN的模型对制动器失效率进行了预测和分析;最后,将所得结果与SVM、BiLSTM等传统预测模型所得结果进行了分析对比,并选取绝对误差、均方根误差、决定系数(R2)对上述各个预测结果的精度进行了评估。研究结果表明:基于BO+ForGAN模型的制动器失效率预测效果最好,泛化能力最高,能适应不同的实验工况,且贝叶斯超参数寻优算法能够找到一组最优的超参数。评估结果显示,高速电梯制动器失效率预测值的准确率达到了98.1%,从而验证了基于BO+ForGAN模型(方法)的有效性。 展开更多
关键词 预测性生成对抗网络 贝叶斯超参数优化 传统预测模型 均方根误差 泛化能力 失效率 维护决策
在线阅读 下载PDF
上一页 1 下一页 到第
使用帮助 返回顶部