摘要：风荷载是影响大跨度空间结构安全性和稳定性的关键因素之一,因此研究结构表面风压对煤棚结构设计具有重要意义。风洞试验是获取煤棚结构表面风压的主要方法,但其存在成本较高和耗时较长的问题。利用风洞试验积累的大量数据发展风压快速预测方法是目前的研究热点之一。该文以长短期记忆(Long Short-Term Memory,LSTM)神经网络为基础,建立了煤棚结构风压时序预测模型,该模型利用高斯平滑将实验数据分为光滑数据和脉动数据,进而分别训练大尺度网络和小尺度网络。结果表明:所提出的多尺度网络预测模型可以实现对煤棚表面风压的快速预测,且相比于传统LSTM神经网络,多尺度LSTM神经网络具有误差小、精度高等优势。因此,基于LSTM的多尺度神经网络可以为煤棚等大跨空间结构表面风压提供依据。

摘要：磁致伸缩换能器换能效率不高是锚杆无损检测准确度较低的重要原因,确定合适的线圈结构参数对提高换能效率至关重要。基于Comsol多物理场有限元仿真模拟软件建立锚杆无损检测模型,首先,确定不同线圈匝数和不同提离距离对换能效率的影响规律;其次,将天牛须算法和粒子群遗传算法应用于线圈参数的本体优化问题,提出以提高换能器换能效率为优化目标、以线圈匝数和线圈提离距离为自变量的单目标优化设计模型,筛选出最优的线圈结构参数;最后,搭建锚杆无损检测实验平台,将自变量取值范围内的数值分别进行实验验证。研究结果表明:增加线圈的匝数、缩短线圈提离距离可以提高磁致伸缩换能器的换能效率;天牛须算法和粒子群遗传算法优化参数相同且符合仿真得到的影响规律,相比于粒子群遗传算法,天牛须算法原理简单、参数少、运算量少,在处理低维优化问题时具有更大的优越性;实验得到的线圈参数取值与算法优化结果一样,验证了天牛须算法用于锚杆换能器参数优化可靠且快速。

摘要：针对轴承全寿命周期数据获取困难、训练样本少的问题,提出一种基于关系网络的轴承剩余使用寿命(Remaining useful life,RUL)预测方法.关系网络是一种基于度量的元学习方法,在少量训练样本下,具有快速学习新任务的优点.设计了一种基于关系网络的轴承健康评估模型,利用关系网络的嵌入模块提取轴承状态特征,利用关系模块度量轴承状态特征之间的相似性,基于相似性构建轴承健康指标(Health indicator,HI);对健康指标进行Savitzky-Golay滤波平滑处理,降低振荡对预测结果的影响;最后利用线性函数对健康指标进行拟合,得到轴承RUL预测值.为验证所提方法的有效性,在PHM2012轴承实测数据集上进行实验.结果表明,所得健康指标能够反映轴承的退化趋势,所得RUL预测结果与空间卷积长短期记忆神经网络(Convolutional long short-term memory neural network,ConvLSTM)、Transformer、循环神经网络(Recurrent neural network,RNN)、卷积神经网络(Convolutional neural network,CNN)+长短期记忆网络(long short-term memory network,LSTM)、编码器−解码器(Encoder-decoder)+注意力机制(Attention mechanism)方法相比,误差百分比分别减少了1.67%,3.40%,9.02%,13.71%,30.48%.该方法在少量训练样本的基础上可以取得较好的预测结果,具有一定的应用价值.