针对旋转机械故障诊断中传统方法依赖人工特征提取、泛化能力弱的问题，本文提出一种融合短时傅里叶变换（STFT）与卷积神经网络（CNN）的智能故障诊断方法。该方法通过STFT将一维振动信号转换为二维时频图，保留信号的时变频率特性，再利用CNN的自动特征学习能力实现故障特征的高效提取与分类，构建端到端的故障诊断模型。为验证方法有效性，在齿轮箱、滚动轴承等典型旋转机械数据集上开展多场景实验，结果表明：完备

随着工业4.0的深度推进，旋转机械、电力系统等核心工业设备朝着高转速、高精度、复杂化方向发展，其运行状态的稳定性直接决定了生产效率与作业安全。据统计，40%-50%的旋转机械故障由轴承失效引发，而电力系统故障中约30%与设备异常信号相关，此类故障若未能及时诊断，可能导致设备停机、生产中断，甚至引发重大安全事故与经济损失。

为解决风电功率受气象因素影响呈现的强随机性、波动性问题，提升电力系统调度的可靠性与经济性，本文提出一种融合卷积神经网络（CNN）、双向长短期记忆网络（BiLSTM）与注意力机制（Attention）的深度学习模型，用于风电功率多变量输入单步预测。该模型通过CNN提取多变量数据中的局部非线性特征，借助BiLSTM捕捉时序数据的双向长期依赖关系，利用Attention机制动态聚焦关键时间步与特征信息，

针对传统径向基函数（RBF）神经网络在时序预测中易陷入局部最优、收敛速度慢，且标准麻雀搜索算法（SSA）存在后期搜索精度不足等问题，提出一种融合柯西变异和反向学习的改进麻雀搜索算法（ISSA）优化RBF神经网络的时序预测模型（ISSA-RBF）。该模型首先采用Sin混沌映射初始化种群，提升初始解的遍历性与均匀性；其次在发现者位置更新机制中引入上一代全局最优解与自适应权重，平衡全局探索与局部开发能力

时间序列预测作为数据挖掘与智能计算领域的核心研究方向之一，在经济金融、环境监测、工业生产、气象预报等诸多领域具有广泛的应用价值。其核心目标是通过对历史时序数据的规律挖掘，实现对未来数据趋势的精准预判。随着实际应用场景的复杂化，时序数据往往呈现出非线性、非平稳性、高波动性等特征，传统的线性预测模型（如ARIMA模型）已难以满足精准预测的需求。径向基函数（RBF）神经网络作为一种经典的前馈型神经网络，

随着工业自动化水平的不断提升，机械设备的复杂度日益增加，其运行状态的稳定性直接关系到生产安全、效率及经济效益。在各类工业设备中，滚动轴承、电机等核心部件的故障极易引发连锁反应，导致设备停机甚至安全事故。因此，实现对设备故障的早期、精准诊断，是保障工业系统可靠运行的关键支撑。传统故障诊断方法多依赖人工经验或传统信号处理技术，如傅里叶变换（FT）结合支持向量机（SVM）等机器学习算法。

滚动轴承作为旋转机械的核心传动部件，广泛应用于工业电机、轨道交通、航空航天等关键领域，其运行状态直接决定设备的可靠性与安全性。据工业故障统计数据显示，轴承故障占旋转机械总故障的30%以上，由其引发的设备停机、生产中断及安全事故，每年造成全球数百亿美元的经济损失。因此，实现轴承故障的精准、高效诊断，对保障工业生产连续性、降低运维成本具有重要的工程价值。

智能优化算法凭借其无需依赖问题梯度信息、鲁棒性强等优势，在工程优化、机器学习、资源调度等多个领域得到广泛应用。本文聚焦9种典型智能优化算法——CGO（混沌分形优化算法）、SCA（正弦余弦算法）、GWO（灰狼优化算法）、CSA（簇类搜索算法）、SSA（麻雀搜索算法）、HHO（哈里斯鹰优化算法）、WOA（鲸鱼优化算法）、PSO（粒子群优化算法）、TSO（瞬态搜索优化算法），从核心思想、优缺点、应用场景

为解决传统BP神经网络在风电功率预测中存在的易陷入局部最优、收敛速度慢及预测精度不足等问题，提出一种基于鳑鲏鱼优化算法（Bitterling Fish Optimization, BFO）优化BP神经网络的风电功率预测模型（BFO-BP）。首先，分析风电功率的随机性、间歇性及非线性特性，明确预测任务的核心挑战；其次，引入新兴的鳑鲏鱼优化算法，利用其模拟鳑鲏鱼繁殖护卵、群体协同等生态行为所具备的强全

负荷预测是电力系统规划、运行与管理的核心环节，其预测精度直接决定了电网调度的科学性、能源利用效率及运营成本控制水平。随着智能电网建设的推进与电力市场化改革的深化，电力负荷受气象条件、用户行为、经济活动、节假日安排等多因素耦合影响，呈现出显著的非线性、时变性与复杂性特征。传统负荷预测方法（如时间序列分析、回归分析、支持向量机等）在处理高维复杂时序数据时，难以充分捕捉数据中的局部关联与长期依赖关系，预