摘要：轴承故障诊断对于降低旋转机械的损坏风险,进一步提高经济效益具有重要意义;深度学习在轴承故障诊断中应用广泛,但是深度学习模型在训练与测试时容易受到噪声的干扰导致性能下降;并且轴承的工况变化频繁,不同工况下的数据采集困难;对此,提出了一种基于迁移QCNN的孪生网络轴承故障诊断方法,先预训练QCNN获取具有较强判别性的模型参数,将预训练的参数迁移到QCNN作为子网络的孪生网络中,然后正常训练孪生网络获取模型,最后将测试数据与故障数据组成数据对输入模型,即可得到测试数据的故障类型;该方法将QCNN与孪生网络相结合,QCNN中的Quadratic神经元具有强大的特征提取能力,孪生网络共享权重和相对关系的训练方式,使得模型可以缓解噪声和工况数据不平衡问题的影响;实验结果显示,相较与传统机器学习模型和QCNN等模型,所提出方法在面对噪声和工况数据不平衡问题表现更好。

摘要：针对锂电池的荷电状态(state of charge,SOC)估计过程中测量值存在粗大误差的问题,以Thevenin等效电路模型为基础,提出了一种粗大误差补偿粒子滤波(particle filter,PF)算法。该算法可以实时地检测锂电池测量数据中可能存在的粗大误差,并对其进行分类与估计,通过补偿机制对异常测量值进行修正,提高算法的抗干扰能力。将该算法应用于锂电池SOC估计过程进行仿真验证,仿真结果表明,该算法具有较强的鲁棒性,在进行锂电池SOC估计时可以有效地抑制粗大误差的影响。

摘要：光伏阵列的模型参数估计在光伏发电系统的仿真、输出功率预测、最大功率点跟踪等方面有重要意义;当测量数据中只含随机误差时,以加权最小二乘(WLS)为优化函数的参数估计方法有较好的辩识效果;但是当测量数据中含有显著误差时,WLS参数辩识的效果较差;为解决此问题,提出了一种以准加权最小二乘法(QWLS)为优化函数的参数估计方法来减小显著误差的影响,采用了赤池信息量准则(AIC)设计QWLS最优参数,将该方法应用于光伏阵列中构造模型鲁棒参数估计问题;最后将WLS和QWLS分别结合序列二次规划(SQP)算法,进行光伏阵列模型的参数估计仿真与实验测试;测试结果显示QWLS参数估计结果更准确,验证了准最小二乘法的鲁棒性与有效性.

摘要：轴承是机械设备主要零部件之一,也是机械设备主要故障零部件之一;轴承故障问题为机械设备的重点,机械设备的使用受到故障轴承的直接影响;针对传统的卷积神经网络算法轴承故障诊断效率低下问题,提出了一种基于信号特征提取和卷积神经网络的优化方法;首先对原始数据信号进行时域和频域的信号特征提取,获得有效的故障特征值;之后,使用卷积神经网络对提取的特征值进行故障诊断,完成故障分类;文章使用美国凯斯西储大学的滚动轴承振动加速度信号作为数据集,对提出的方法进行验证,得到的故障诊断平均准确率为74.37%,准确率的方差为0.0001;传统的卷积神经网络算法故障诊断平均准确率为65.6%;准确率的方差为0.0019;实验结果表明,相比传统的卷积神经网络,提出的方法对轴承故障诊断的准确率有显著的提高,并且该方法的稳定性更佳,计算时间更少,综合性能更佳。

摘要：在孤岛微电网系统中,为降低测量噪声影响从而引入二阶滤波器;然而二阶滤波器的引入,通常使原系统PID控制器的最优参数发生改变,从而导致控制系统性能指标下降;为解决此问题,提出了一种一体化参数整定方法;该方法利用混合粒子群算法,以不同参数下,系统性能指标在Topsis综合评价法中的高得分作为寻优目标,一体化整定PID控制器与二阶滤波器的参数,保证滤波器的引入不会对系统性能指标造成较大改变,从而提升控制器性能;通过孤岛微电网系统仿真实验,验证了该方法的可行性与有效性。