具有透明质酸酶抑制活性益生菌的体外筛选及鉴定

通过乳酸菌传统分离技术和益生菌体外评价,并结合透明质酸酶体外抑制实验,快速筛选出具有潜在抗过敏活性的益生菌。结果表明,从牛奶样品中分离的5 株具有酸和胆盐耐受性的菌株表现出良好益生特性,其初步判定为安全菌株,所有菌株有较高透明质酸酶抑制率,结合相关研究表明其能够作为抗过敏益生菌筛选的指标之一。其中菌株L02和L15呈现出较为显著（P＜0.05）的体外耐受性、细胞表面特性、透明质酸酶抑制活性,说明其具备抗过敏的益生潜能;经16S rDNA测序鉴定菌株均为植物乳杆菌。     

基于改进谐波小波和分形的碰摩故障诊断研究

为了提高分形维数提取碰摩故障特征的区分度和稳定性,提出了一种基于改进谐波小波和分形的算法。采用高斯包络改进的谐波小波对旋转机械信号进行处理,运用G-P关联维数计算分形维数。在Bently转子实验台上分别采集正常工况、单点碰摩、不平衡激励的碰摩三种数据,计算得出改进谐波小波处理后的关联维数能够很好的识别出故障,保真性较高,稳定性相比原始信号以及谐波小波处理信号高29.17%、14.81%以上。结果表明,改进谐波小波和分形能够更准确稳定得诊断碰摩故障信息,优于传统的关联维数算法。     

GA-CFS结合案例推理的轴承故障诊断

针对轴承故障诊断中知识难以获取的问题，提出了一种GA-CFS(Genetic Algorithm and Correlation-Based Feature Selection,GA-CFS)结合案例推理的轴承故障诊断方法。利用案例推理技术（Case-Based Reasoning,CBR）建立轴承故障案例库进行故障诊断。又针对案例推理技术中案例检索时遇到的属性冗余问题，以及难以人工确定关键属性及其权重的问题，采取GA-CFS方法对属性集合进行筛选，初步确定特征子集，再根据遗传算法确定各个子集中的特征的权重，最后根据特征子集及其权重选取符合要求的最佳特征子集，再用该特征子集构建轴承故障案例库，并通过实验验证了该方法的可行性。     

基于深度动态密度估计的轴承异常检测

针对传统的机器学习算法在应对工业系统中样本不均衡现象时难以获得较高的异常检测性能的问题，提出一种基于深度动态密度估计的轴承信号异常检测方法(DCEN)。首先，训练该压缩网络时只需要从正常样本中提取特征，得到原始数据的低维表示；接着将其进一步输入到高斯混合模型(GMM)中，对正常数据进行动态密度估计；然后，利用估计网络来促进模型的参数学习，以端到端的方式多次迭代同时优化深度自动编码器和混合模型的参数；最后，采用高斯混合模型的预测能量值作为异常分数，模型在没有学习异常样本分布的情况下将故障样本输入到本文模型中产生更高的异常分数来检测异常。通过在3个不同轴承数据集上的实验和对比分析，验证了该方法的有效性和优越性。     

基于深度动态域适应的轴承故障诊断研究EI北大核心CSCD

针对迁移学习中源域,目标域数据分布差异大,传统学习中边缘分布与条件分布贡献动态变化难以适应的问题,提出了一种基于深度动态域适应的轴承故障诊断方法。在域适应层引入动态分布自适应方法,通过域分类器分别进行边缘分布对齐和条件分布对齐,在根据平衡因子动态衡量条件分布和边缘分布对域的贡献度,进行动态域适应。通过对凯斯西储大学和江南大学轴承数据集变工况下的迁移诊断试验及对比分析,有效地提高了跨域诊断的精度,验证了所提方法的有效性与卓越性。