针对现代液压支架故障诊断速率较低的问题,以ZY5600/28/56型液压支架为例,介绍一种液压支架故障诊断方法。该方法主要由三大步骤构成,采集到液压支架各方面运行数据后,利用因子分析的方式对数据降维处理,然后以此为基础,通过支持向量机算法对故障分类,利用贝叶斯网络算法诊断出故障的引发原因,以此为故障快速解决提供支持,具有一定应用价值。

研究强分类器ELM-Adaboost模型在滚动轴承故障诊断中的运用。首先,从滚动轴承故障振动信号中提取时域特征参数,并采用因子分析法对变量进行降维处理;其次,对ELM-Adaboost模型中的关键参数进行详细分析,并选择最优的参数对ELM-Adaboost模型进行优化;最后,将ELM-Adaboost模型用于滚动轴承故障诊断中。实验研究结果表明神经元数量和激活函数都能明显的影响到故障诊断准确率;激活函数采用Hardlim()函数的诊断效果比其它函数要好;ELM-Adaboost模型对神经元数量引起的诊断准确率波动性较小;在重复30次实验中,ELM-Adaboost模型对不同类型的轴承故障诊断准确率均在84%以上,而ELM模型则在78%以上,且ELM-Adaboost模型对重复诊断导致的结果波动性相比较低。

考虑到轴承故障难以诊断的问题,提出AdaBoost算法组合遗传算法优化的BP神经网络(GABP-AdaBoost)的诊断模型。利用遗传算法寻优能力对BP网络的权值与阈值进行优化,并用AdaBoost算法进行组合;采用UCI标准数据集对GABP-AdaBoost算法中的关键参数进行分析,并设置最优参数;用最小二乘法和指数平滑法消除轴承振动信号中的漂移和微弱噪声,并用因子分析法选择最优时域参数;使用GABP-AdaBoost算法对轴承故障样本进行诊断,并将GABP、BP、BP-AdaBoost作为对比算法。重复试验30次的结果表明:GABP-AdaBoost算法诊断效果达到90%以上但诊断时间较长;BP-AdaBoost算法诊断效果优于GABP且耗时较少;GABP-AdaBoost算法与BP-AdaBoost算法对重复诊断的波动敏感程度较低。

开展计算机产业发展效率研究,对于促进以计算机产业为代表的高新技术产业的发展具有指导意义,进而实现助推经济增长、优化升级区域产业链、加速人力资本的集聚等经济发展目标。应用因子分析模型实证计算了中国计算机产业发展效率,通过研究发现,2009年-2015年期间,中国计算机产业发展效率呈现出较为显著的上升趋势,进一步分析发现,R＆D机构数、新产品开发项目支出有助于提升计算机产业研发创新效率,而R＆D项目经费阻碍计算机产业研发创新效率的提升。研究结论为有针对性地制定计算机产业发展政策提供了理论依据。

以某型号全液压钻机输出转速为研究对象，以Minitab（16．0）统计分析软件为数据分析工具，运用试验设计的基本理论方法，选取安全阀出口流量、回转油路板泄油口直径、阻尼螺钉开口深度3个质量特征值作为影响因子，按照三因子三水平安排钻机负载试验，通过测定不同因子水平组合对应的输出转速值，分析因子对钻机输出转速的影响规律，寻找提高转速值的最优因子组合。经过因子分析、方差分析和回归分析，确定安全阀出口流量和回转油路板泄油口直径为钻机输出转速的关键影响因子，并建立输出转速回归方程，为钻机液压系统设计和质量管理提供参考依据。