基于堆叠有监督降噪自编码的运行状态评价

本文针对非线性和噪声干扰的工业生产数据，提出一种基于堆叠有监督降噪自编码(SSDAE)的过程运行状态评价方法。首先，提出一种有监督降噪自编码模型，将状态等级标签引入到模型训练中，使得有监督DAE学习与过程运行状态密切相关的特征并具备较强的状态等级区分能力。其次，利用由多个有监督DAE模型堆叠而成的SSDAE提取过程数据中与运行状态密切相关的深层特征，并作为SoftMax分类器的输入建立过程运行状态评价模型。最后，将所提方法应用于湿法冶金过程运行状态评价，仿真结果表明，对数据按30%比例随机置零的方式进行损坏后，该方法的评价准确率高达95%,明显优于其他几种比较方法，验证了所提方法在强噪声干扰条件下良好的性能和可行性。     

基于分层分块堆叠状态相关降噪自编码器的流程工业过程运行状态评价

本文针对不同运行状态数据差异度小、数据易受强噪声干扰而且具有多工序的流程工业过程，提出了一种基于分层分块堆叠状态相关降噪自编码器(HMSPDAE)的过程运行状态评价方法。首先，根据工艺特性对全流程进行层次结构划分。然后，提出一种堆叠状态相关降噪自编码器模型，用于提取各个子工序及全流程过程数据中与运行状态密切相关的深层特征，进而建立基于HMSPDAE的全流程评价模型。所提方法可以有效降低模型复杂度、增强模型的可解释性。最后，以湿法冶金过程为背景进行仿真验证，结果表明HMSPDAE在两个不同实验中的评价准确率分别达到99.5%和99.38%,均优于其他方法，验证了所提方法的有效性和优越性。     

基于多信息融合的油液品质评价方法及其实现

提出了多传感器信息融合的油液品质评价方法,建立了基于该信息融合技术的二级融合模型,发展了基于神经网络模型的油液品质评价模型。该模型充分利用多源信息,对油液品质进行综合评价,并给出了一组基于信息融合实现油液品质评价的神经网络训练过程及其结果。研究实例表明,基于多信息融合的评价模型对4种油样的预测结果与实际结果是一致的,运行过程的实测值和趋势预测值的对比结果也证明了油液品质评价模型的正确性。提出的多信息融合技术的油品质量评价方法提高了评价准确率,降低了对工程技术人员分析经验的依赖性。     

基于深度置信网络的大数据制造过程实时智能监控

针对基于浅层学习模型的过程监控方法难以对大数据制造过程运行状态进行实时智能监控的问题,提出了基于深度置信网络的大数据制造过程实时智能监控方法。利用灰度图建立大数据制造过程质量图谱,以精准表达其过程的运行状态;构建用于识别大数据制造过程质量图谱的深度置信网络;应用离线训练好的深度置信网络模型对当前监控窗口内的过程质量图谱进行识别,实现大数据制造过程实时智能监控。最后,应用该方法对某注塑件大数据制造过程进行实时质量智能监控,结果表明：所提方法的识别性能明显优于基于主成分分析与BP神经网络、支持向量机的识别模型,能有效应用于大数据制造过程实时质量智能监控。     

基于自适应网络的球磨机负荷预测方法

鉴于多工况环境下的数据漂移限制了深度学习方法预测球磨机负荷的效果，提出一种基于自适应网络的球磨机负荷预测方法。首先建立基于深度相关对齐的磨矿分级工况划分模型；然后将相对位置编码引入Transformer,对注意力机制进行解耦来将位置信息直接编码进注意力机制，进而提高预测性能；进一步提出一种自适应网络，将分布匹配正则化项应用于Transformer模型的隐层特征，通过减少不同工况之间的分布差异来学习模型隐藏状态的共同参数，提高模型泛化能力；最后采用基于Boosting的方法学习隐藏状态的重要性。试验结果表明，所提自适应预测网络可以明显提高预测球磨机负荷参数的准确性，而且在面对未知工况时预测性能也领先于对比方法。     

基于模糊贝叶斯网络的生产线系统可靠性评价

针对航空结构件柔性生产线的整条线的失效数据或寿命数据具有小样本特点,并且其子系统的性能状态难以精确界定的问题,提出了一种有效的基于部件多维信息融合的模糊贝叶斯网络评价方法。该方法通过层次分析法对子系统实验数据、现场运维数据、相似系统的维修数据进行深度融合,引用模糊集合理论判断部件的多种运行状态,构建了整条生产线多状态的贝叶斯网络模型,突破了贝叶斯网络的以层次为准则的主客观信息的融合。在某航空结构件柔性生产系统中应用表明,正向分析中能充分利用多源融合信息进行高置信度运行可靠性评价,逆向分析能对薄弱部件进行溯源。提高了系统运行可靠性分析的效率,并为维修维护提供参考依据。     

基于多源信息融合的配电网停电风险预警方法研究

:针对现有的配电网停电风险预警方法中多源数据的交换过程耗时较长，造成预警响应的时间 过长，预警效率偏低的问题。提出基于多源信息融合的配电网停电风险预警方法。根据配电网停电风险的 具体情况确定关键风险源大致范围，在其中设置多个传感器监测配电网运行状态，获得传感器阻抗变化信 息，建立配电网停电风险预判模型。利用多源信息融合技术将多个传感器阻抗变化信息融合在一起，以生 成的融合结果为依据判断预警级别，在经过预警模块核实后，通过可视化模块显示出预警结果，实现对配电 网停电风险的预警。测试结果表明，对于相同的停电风险，与现有的预警方法相比，所提的基于多源信息融 合的配电网停电风险预警方法的预警响应明显缩短，预警效率大大提高。     

基于多源数据融合的电力系统故障诊断与评估平台开发

针对当前电力系统故障数据和信息分布在不同安全分区的问题,对符合安全防护规定的跨安全分区数据分类、关联和融合技术进行了研究,提出了基于多源数据融合的电力系统主网和配网故障智能诊断技术。在主网诊断过程中,充分利用故障状态量、电气量和时序信息等数据,并结合气象等外部要素情况,分析了故障原因;在配网评估过程中,综合利用电力生产管理系统(PMS)、调度管理系统(OMS)以及能量管理系统(EMS)的海量数据,发展了基于规则推理的配网故障诊断评估技术。并根据江苏电力系统实际情况,侧重电网运行信息、设备状态信息和环境监测信息深度融合与综合应用,开展了基于多源数据融合的电网故障诊断平台研究以及故障辅助分析系统的研制。研究结果表明:该系统综合利用了多源数据的冗余信息,可更快速和准确地实现故障智能诊断。     

异构系统动态双向融合仿真技术研究

异构的计算机辅助工程软件ANSYS与ADAMS通过模型转化或联合仿真等方法,能协同求解刚弹(柔)耦合等特定问题,但难以准确求解电、热、磁场中的多体动力学仿真问题.根据牛顿插值法基本思想,提出了异构仿真环境动态双向融合法,将连续的仿真过程离散为n个步长足够小的子过程,通过构建数据交互平台,分别独立传递存储模型信息与仿真数据,动态更新边界条件,使得两个异构系统双向融合,实现完整问题的分步求解.该方法克服了传统方法误差大、直观性差等缺点,解决了ADAMS与ANSYS不能双向融合仿真的问题.实例表明,该方法应用效果好,为求解异构环境仿真的融合提供了一种有效途径.     

轴承故障的多源异构数据特征级融合诊断方法

为了实现轴承多源异构故障数据的特征融合,达到提高故障诊断精度的目的 ,提出了基于深度神经网络的多源故障特征融合方法.介绍了堆叠自编码器和卷积神经网络原理;使用堆叠自编码器提取了一维振动数据的故障特征,使用卷积神经网络提取了二维图像数据的故障特征;为了充分发挥多源异构故障数据的关联性和互补性,使用深度神经网络将一维数据特征和二维数据特征进行交替优化和融合,提取更加能够反映故障特性的隐藏融合特征.以凯斯西储大学轴承故障数据为基础设计了三组实验,由实验结果可以看出,基于融合特征的故障诊断精度比单独使用一维数据特征或二维数据特征的诊断精度高10％以上,充分证明了基于多源异构特征融合故障诊断方法的有效性.     

机械产品仿真数据提取技术研究

实现多源仿真数据的协同可视化是产品设计师洞察所设计产品性能的有效途径,针对目前对仿真数据的查看都是基于与商用软件的交互操作来实现的,提出了应用于异构机械产品性能分析仿真软件的数据提取方案。通过研究仿真软件的数据提取方法、固有的数据格式及二进制文件的解析方法,定义了一种可以兼容各种仿真分析数据的统一数据格式,重点研究了统一数据模型的建立及框架结构的设计,论述了数据提取的流程,最后通过Ansys和Abaqus结果文件的数据提取对框架结构进行了验证,实现了在脱离商业仿真软件环境下实时查看仿真数据。     

基于多尺度加权形态网络的燃气流量计健康状态评估

燃气流量计是天然气贸易计量的重要仪器,而其健康状态的改变会造成计量偏差。为了减少燃气企业的经济损失,本文提出了一种基于多模态数据扩充、形态学特征学习和多尺度自适应加权形态学网络的燃气流量计健康状态评估方法。首先,采用基于Wasserstein距离和谱归一化的ACGAN算法进行数据扩充。其次,针对燃气流量计振动信号数据的复杂性和噪声影响,提出了一种基于平均帽变换的形态学方法提取信号的正负脉冲信息。最后,针对非平稳、变工况的工业条件,引入多尺度自适应加权形态学网络,采用具有不同结构元素尺度的多个分量来分别提取脉冲信息,并利用自适应加权融合来增强提供强脉冲分量的尺度。通过实验结果表明,所提出的方法对燃气流量计健康状态评估的准确度超过94%。该方法对实际燃气贸易计量有重要的应用价值。     

面向物联网的复杂产品装配过程监控体系研究

针对离散制造业由于工艺复杂、生产过程信息多源异构等引起的生产过程管理问题,在车间生产管理系统中引入物联网技术,提出了一种基于物联网技术的装配过程监控体系,并对装配过程监控功能的实现方法进行研究。利用物联网技术对生产过程中多源异构数据进行采集、分析、处理达到对生产过程的全面、实时监控。该监控体系在某汽车发动机装配现场应用结果表明,生产效率和装配质量得到明显的改善,验证了该监控体系的有效性和可行性。     

面向云制造协同创新伙伴选择的多源异构VIKOR群决策方法

协同创新伙伴选择是云制造的关键环节。针对云制造中评价指标缺乏,信息来源多、结构形式异样,及其不可公度性等影响协同创新伙伴选择的问题,提出一种基于多源异构评价信息的VIKOR群决策方法。首先,从相容性、研发能力、技术方案和创新效果等维度构建了评价指标体系;其次,对数值、区间数和语言值等多源异构评价信息进行分类转换与处理;然后,综合运用BWM和信息熵进行主客观赋权,借助VIKOR方法对评价信息进行集结排序。最后,通过算例分析和敏感性分析,并与经典方法进行比较,证明了多源异构VIKOR群决策方法是一种有效的云制造协同创新伙伴选择方法。     

快速固有成分滤波特征融合的轴承故障诊断方法

稀疏滤波故障特征增强方法依托故障信息固有的稀疏性可以有效实现轴承微弱故障诊断，但其存在两类弊端：经验地设置其输入、输出维度，引起特征提取效果的不确定性；需要利用先验知识从优化的权重矩阵中严格地筛选出特定成分，造成故障特征信息损失。针对上述问题，提出快速固有成分滤波特征融合方法。首先，引入复杂性测度设计自适应的稀疏滤波维度参数选取准则，并采用稀疏滤波优化目标指数遴选出一簇故障信息丰富的融合源；其次，建立故障特征融合源流形学习融合策略，包括改进流形学习方法融合遴选出的融合源，构造融合分量异常幅值检测策略和给出了最大化故障信息的融合分量加权表示。提出方法可解决稀疏滤波维度参数选择、特征筛选造成信息损失和固有流形幅值异常引起包络谱奇异等问题。仿真和试验结果验证所提出方法相较于现有流形学习和稀疏滤波等方法具有更强的轴承微弱故障特征提取能力。     

基于深度强化学习与有限元仿真集成的拉深成形控制

金属板材拉深过程中的压边力是决定成品质量的关键参数,传统压边力控制方法往往需要对高度非线性的拉深过程进行建模,导致其控制结果与实际存在较大偏差。提出一种基于深度强化学习与有限元仿真集成的金属板材拉深过程控制模型,利用深度神经网络强大的预测能力来提取拉深加工过程中的状态信息并进行可靠预测,结合强化学习的决策能力来进行压边力控制策略的学习优化,避免了精确系统动力学模型的拟合以及先验知识的获取。同时,针对板材拉深加工中常见的拉裂质量缺陷与起皱质量缺陷,建立拉深成形性能评价函数,为深度强化学习提供回报信号来指导学习过程,并利用有限元仿真构成深度强化学习的环境模型。试验表明,深度强化学习模型能够有效地进行压边力控制策略优化,有效提高产品质量。所提出的压边力控制模型利用无模型的深度强化学习,能避免拉深过程的系统模型拟合,可提高压边力控制策略的控制效果,同时结合循环神经网络能解决板材拉深加工过程中的部分可观察性问题。     

An Intelligent Fault Diagnosis Method of Multi-Scale Deep Feature Fusion Based on Information Entropy

For a single-structure deep learning fault diagnosis model,its disadvantages are an insufficient feature extraction and weak fault classification capability.This paper proposes a multi-scale deep feature fusion intelligent fault diagnosis method based on information entropy.First,a normal autoencoder,denoising autoencoder,sparse autoencoder,and contractive autoencoder are used in parallel to construct a multi-scale deep neural network feature extrac-tion structure.A deep feature fusion strategy based on information entropy is proposed to obtain low-dimensional features and ensure the robustness of the model and the quality of deep features.Finally,the advantage of the deep belief network probability model is used as the fault classifier to identify the faults.The effectiveness of the proposed method was verified by a gearbox test-bed.Experimental results show that,compared with traditional and existing intelligent fault diagnosis methods,the proposed method can obtain representative information and features from the raw data with higher classification accuracy.