基于STM32的新型X荧光在线品位分析仪的研制与应用

矿浆品位的测量一直是选矿行业的研究重点与技术难点，其测量精度的实时在线反馈直接影响了选矿工艺流程自动化控制的效果。为实现对选矿工艺流程中矿浆元素品位更加准确的测量，在上一代有核在线品位分析仪的基础上改进研发了新一代无核X荧光在线品位分析仪。该新型X荧光在线品位分析仪基于STM32F407控制芯片，采用X光管与半导体探测器相结合的测量结构，其技术架构与分析原理是：X光管与半导体探测器组成测量单元，由X光管激发的X射线照射到需要测量的矿浆表面，同时半导体探测器接收矿浆中待测元素被激发出的X特征荧光；主控单元接收处理半导体探测器上传的数据信号，通过串口通讯将所测元素计数率发送给工控机上位软件；最终上位软件调用Matlab数学分析工具同时采用BP神经网络进行数据的建模分析并得出品位数值。绍兴某选矿厂现场工业试验结果表明，相比较于上一代有核品位分析仪，该新型X荧光在线品位分析仪的测量精度与运行稳定性等均有了显著的提高，各项参数均达到了设计要求。     

基于深度一维残差卷积自编码网络的齿轮箱故障诊断

一维振动信号常常被用于齿轮箱的监测与故障诊断中,使得能及时地对齿轮箱维护以减少损失。因此,从一维振动信号中提取出关键故障特征决定了故障诊断模型的准确性与可靠性。典型的深度神经网络(deep neural network, DNN),如卷积神经网络已经在故障诊断中表现出良好的性能并得到了广泛的应用,但其监督式训练方式往往需要大量的标签数据而限制了其可应用性。因此,提出一种新的深度神经网络模型,一维残差卷积自编码器(1-dimension residual convolutional auto-encoder,1DRCAE),成功应用于振动信号的无监督学习及故障特征提取,显著提高了齿轮箱的故障诊断率。首先,提出了一维卷积层与自编码器的有效集成方法,形成了深度一维卷积自编码器;其次,引入残差学习机制训练一维卷积自编码器,实现对一维振动信号有效地特征提取;最后,基于编码器提取的特征,使用少量标签数据进行分类微调实现齿轮箱故障模式识别。通过齿轮箱试验台采集的传感器数据进行实验验证表明,这种无监督学习方法具有良好的去噪能力和故障特征提取能力,其特征提取效果好于典型的深度神经网络,如深度置信网络(Deepbeliefnetwork,DBN)和堆叠自编码网络(Stackedauto-encoders,SAE),同时故障诊断效果也优于一维卷积神经网络(1-dimension convolutional neural network, 1DCNN)。     

基于主成分和神经网络的风力发电机主轴承故障预警

主轴承作为风力发电机组的重要部件,一旦发生故障,会影响风力发电机组整机工作的发电性能,严重时故障甚至会造成停机,不仅影响发电量,更会产生高昂的维修费用。通过运用相关性分析,根据Pearson相关系数矩阵对原有的多个指标进行分析。然后运用主成分分析,首先对数据的原始特征预处理,得到6个主成分,然后将这6个主成分作为BP神经网络的输入,运用神经网络对风力发电机的主轴承进行预警。神经网络模型结果表明,该模型对风力发电机主轴承故障预警具有非常好的识别效果,基于主成分和神经网络对风力发电机主轴承故障预警对实现机组智能故障诊断,提高机组的运行效率具有十分重要的意义。