针对当前工业企业厂区规模大、能耗监测点数量多且分布范围广等问题,设计基于物联网的能耗智能监测系统。系统由以STM32F103C8T6为核心的采集终端与以i.MX287为核心的智能网关组成,实现能耗数据的分布式采集、传输、解析和计算要求。设计基于GA-LSTM算法的云雾融合模型对企业能耗值进行预测,进而发现能耗节约空间,指导企业制定生产和调度计划,从而更好地实现节能减排的目的。测试结果表明,系统具有良好的稳定性和实时性,能耗预测准确性较高,有一定的应用与推广价值。

为解决齿轮箱故障振动信号信噪比低、故障特征提取难的问题,提出了基于参数优化变分模态分解(VMD)的齿轮箱故障特征提取方法。首先,以分解结果的局部极小包络熵最小为目标,利用果蝇算法搜寻VMD分解参数K和α的最优组合;将原始信号分解成若干IMF分量,从中选择包络熵较小的分量进行信号重构,并对重构信号进行包络解调运算,从重构信号的包络谱中提取故障频率特征。结果表明,利用此方法对实测信号进行处理,成功降噪、提取齿轮箱故障特征,并且比利用经验模态分解方法降噪效果更好,提取的故障特征更加明显。

针对机械设备故障诊断大多采用有监督学习提取故障特征，而有标签数据难以获取的现状，提出一种在稀疏自动编码器中嵌入卷积网络的深度神经网络。利用希尔伯特和傅里叶变换实现机械设备振动时间序列向Hilbert包络谱的转换，通过卷积网络中多组卷积核自动学习谱空间数据的不同特征，保证了特征提取的自动化、全面性和多样性，稀疏自动编码器搜索具有正交性数据特征的低维表示，并使得编码后的数据具有很强的聚类特性，实现设备的自动故障诊断。通过对滚动轴承振动信号进行分析实验，证明该方法在设备故障诊断中具有去标签化、自动化、鲁棒性等特点。