基于VMD与IFWA-SVM的滚动轴承故障诊断研究北大核心

为有效提取非平稳性、复杂性的滚动轴承振动信号特征,提出一种基于变分模态分解、改进烟花算法(IFWA)优化支持向量机(SVM)的滚动轴承故障诊断方法。利用VMD对原始信号进行分解,计算得到各IMF的样本熵,将原始信号的时域特征与其结合组成特征矩阵。为提高故障诊断效率,采用IFWA优化SVM,建立IFWA-SVM模型。使用训练集特征矩阵训练诊断模型,实现滚动轴承的故障诊断。利用实测信号验证该方法,并与粒子群算法优化进行比较。结果表明:利用该方法进行诊断,正确率提高了3.33%、训练时间缩短了21.55 s,验证了该方法的可行性。     

基于DPSO-BP的机械转子故障诊断北大核心

信号特征提取的方式直接影响故障诊断的结果,因此提出一种新的特征向量组合方式从而进行有效故障模式识别,以从原始信号中提取出能够最大程度地表征其所包含信息的信号特征。将经过经验模态分解后得到原始信号的有效IMF分量的能量以及信号的能量熵相结合作为特征向量。由于机械转子故障诊断缺失情况时有发生,提出采用DPSO算法优化BP神经网络的方法。该方法主要通过优化神经网络的初始权值和阈值的方式对BP神经网络进行改进。结果表明:与传统的BP神经网络模型相比,改进后的BP神经网络模型迭代次数大幅度减少,训练时长也相应缩短,模型的训练精度以及故障诊断的正确率也得到提高。     

基于Cournot寡头竞争模型的煤矿安全精细化管理

鉴于煤矿安全生产的重要性,从煤矿安全精细化管理的必要性出发,基于库诺特(Cournot)寡头竞争模型和安全服务市场化理论,对平煤集团一矿、二矿联合实施安全精细化管理的必要性进行了相关的博弈分析和定量分析。根据分析结果,提出了相关建议:为了达到最优产量组合和最大利润,同一煤矿集团下属的煤矿企业之间要加强合作,联合实施安全精细化管理。     

基于HGWO-MSVM的采煤机滚动轴承故障诊断方法

针对采煤机滚动轴承故障特征向量提取较困难、多分类效果不理想等问题,提出了基于HGWOMSVM的采煤机轴承故障诊断方法。对轴承故障信号进行小波降噪处理,利用经验模态分解算法对降噪后信号进行分解,并提取能量特征值,作为MSVM的训练集和测试集。采用MSVM进行故障状态识别,并用HGWO算法对MSVM的参数进行优化。试验结果表明,相比于GWO、GA和PSO优化MSVM模型,基于HGWO-MSVM的采煤机轴承故障诊断模型可明显提高故障识别精度和效率。     

动态联盟收益分配问题的博弈研究

借鉴委托-代理理论建立了动态联盟的收益分配模型,分析了动态联盟收益分配过程应考虑的因素,并以此为基础利用博弈论的相关模型分析动态联盟的博弈行为,其中包括两种非合作策略下的博弈和一种合作策略下的博弈,并通过实例论证了动态联盟进行合作机制设计和应用的必要性.     

基于神经网络集成的第三方物流客户满意度测评

针对第三方物流企业客户满意度评价中的动态、多输入、非线性等问题,从第三方物流服务的视角出发,在分析客户满意度各影响因素的基础上,采用神经网络集成的方法,构建第三方物流客户满意度神经网络集成模型;运用华润物流公司的客户满意度评价数据对模型进行训练和测试,并将训练好的模型应用到公司制定改进客户满意度方案中.实例研究结果表明:该模型对于第三方物流客户满意度测评的精度较高,且具有较好的泛化能力,能够应用到研究影响企业客户满意度的主要因素中,为公司制定改进客户满意度保障方案提供依据,具有较高的实践应用价值.     

数据包络分析法在QFD中的应用

在分析质量功能配置的基础上,提出了一个基于数据包络分析法的质量功能配置模型.该模型充分利用了质量屋的输入、输出信息,权衡、优化质量屋中存在的各种矛盾和冲突,通过分析各决策单元的生产有效性来判断和评价新产品开发或老产品改造中的技术特性,从而帮助产品开发人员做出有效的决策,使其所设计的产品最大程度地满足顾客的需求.实例研究表明,该模型是可行的和有效的.     

基于HGWO-MSVM的齿轮箱故障诊断研究

针对齿轮箱多类故障信号非线性、不确定性难以进行有效识别的问题,提出了一种混合灰狼优化算法(Hybrid Grey Wolf Optimizer,HGWO)优化多分类支持向量机(Multi-class Support Vector Machine,MSVM)的齿轮箱故障诊断方法。首先利用小波包对齿轮箱故障信号进行降噪处理,并通过信号中各频带的能量,提取能量特征值,再将获取的特征值输入优化后的MSVM模型进行故障模式的识别。实验结果表明,相对于传统的诊断模型,基于HGWO-MSVM的齿轮箱故障诊断模型能够更有效地诊断齿轮箱的实际运行状态,提高识别效率和精度。     

基于G-DPSO算法的决策树轴承故障诊断方法

针对机械设备状态监测与故障诊断技术中特征提取对诊断准确性的局限,从原始故障信号数据中提取出尽可能多的有用信息。提出通过最佳特征数据集对轴承故障进行诊断分析,分别从幅域和频域对故障数据进行特征提取。采用一种改善的粒子群(G-DPSO)算法对提取的特征数据集进行筛选,对传统粒子群算法权重系数进行优化,同时和故障诊断需要的决策树模型的信息熵增相结合,可以达到将最适合故障诊断的特征向量提取出来的目的。用5种轴承故障数据对所提方法进行实验分析,诊断正确率能达到97%之上,证明所提出的方法是有效、可靠的。