基于信息融合与CNN的齿轮箱故障诊断方法

齿轮箱在实际生产中面临复杂多变的工况,其部件的故障特征随工况发生改变,常规方法在变工况下难以有效识别故障。针对该问题,提出一种基于信息融合和卷积神经网络(IFCNN)的故障诊断方法。IFCNN使用多传感器信息融合和多域特征融合改进卷积神经网络(CNN),首先将不同位置的加速度传感器采集到的振动信号转换成频域、时频域信息,将来自不同传感器的信息融合,然后用CNN对故障信号的频域、时频域信息分别进行特征提取和多域特征融合,结合注意力机制选择重要特征进行故障分类。多组实验结果表明,IFCNN在变工况场景下,可有效提取齿轮箱振动信号的故障特征,12组变工况实验平均识别准确率为98.38%,明显高于所提出的对比方法。     

基于Lagrange法的金属切削加工过程数值模拟

利用Lagrange法在SuperForm软件中对金属切削加工过程及加工过程中的切削热、切削力耦合问题进行了数值仿真。模拟结果与实验结果非常接近，可以为实际加工过程的控制提供参考和依据。     

基于瞬时频率估计的自适应Void-Kalman阶比跟踪研究

结合旋转机械启停阶段振动信号的特点,提出了一种基于Viterbi算法和短时傅里叶变换（STFT-VA）的瞬时频率估计算法,STFT-VA算法在高噪声、临近阶比和交叉阶比情况下有较高的精度。实现了基于STFT-VA算法的自适应Void—Kalman阶比跟踪（AVKF—OT）,和传统的以硬件实现的Vold—Kalman阶比跟踪（VKF—OT）相比,此方法具有无需转速计等硬件、用纯软件的方法实现。实验结果表明,该方法能够在时域中准确地提取幅值和复杂频率变化的阶比,适合于复杂旋转机械振动响应特征提取。     

三网融合下的视听新媒体内容监管策略研究

随着信息技术及网络技术的发展以及三网融合的推进,一方面极大地促进了新媒体的发畏,为国家政治、经济、军事、文化发展提供了良好的宣传作用,另一方面也为非法内容的传播提供了土壤.从法律法规、信息技术两个角度阐述了新媒体的监管方法和策略,为管理者制定合理政策提供了参考.     

火电厂锅炉补充水软化系统的改进研究

针对火电厂原设计为氢钠串联软化水系统 ,由于地下水质较差 ,致使锅炉经常发生腐蚀爆管　　　　事故 ,造成汽机调速系统卡死 ,极大地威胁生产安全。研究改进软化水为一级除盐系统 ,不仅　　　　消除了安全生产的隐患 ,同时还改变了外水水质 ,取得了良好的经济效益和环境效益。     

聚硅氧烷嵌段共聚物中微相分离的计算机模拟

通过RIS Metropolis Monte-Carlo方法建立了PDMS、PDPS以及嵌段共聚物PDMS/PDPS的模型,并用COMPASS力场和智能最小化方法对模型进行了能量最小化计算。采用共混相图、红外光谱和X射线的方法研究了PDMS/PDPS嵌段共聚物的微相结构,结果表明PDMS和PDPS存在微相分离现象;在PDMS/PDPS共聚物结构中,稳定的螺旋结构在与具有无规线团结构的PDMS共聚后,受到部分破坏,形成了新的无规线团区,具有特定的微相结构。     

叠前双相介质属性反演技术在塔中碳酸岩储层预测中的应用

双相介质包括固体骨架与流体两部分 ,二者的物理力学性质存在差异性 ,它们对纵波、横波的波速及频散指数、储层滤波特性都会产生影响。依据双相介质和地震波场微观波动的理论 ,采用叠前双相介质反演来研究碳酸盐岩地层中流体性质的敏感参数 ,进而开展对塔中地区有利的碳酸盐岩储层的预测。应用结果表明 ,属性反演技术能突出碳酸盐岩储层中的缝洞区带 ,指出古岩溶缝洞的分布规律。     

基于卷积神经网络的异步电机故障诊断

由于电机内部结构的复杂性,使得其故障特征与故障类型之间存在较强的非线性关系;目前用于异步电机故障诊断的方法都是人工手动提取特征,这需要大量的先验知识、丰富的信号处理理论和实际经验作为支撑,诊断效率不高;同时用于模式识别时的样本量过少,会导致网络过拟合等问题。针对以上问题,提出了基于短时傅里叶变换(short-time fourier transform,简称STFT)和卷积神经网络(convolutional neural networks,简称CNN)的电机故障诊断方法。该方法以单一振动信号为监测信号,使用STFT将故障信号转换成时频谱图,构建大量不同故障样本,以确保样本多样性,提高网络鲁棒性。将预处理后的样本作为CNN的输入,有监督地调整网络参数,以实现准确的电机故障诊断。将所提出的STFT+CNN算法分别与传统的电机故障诊断方法及堆叠降噪自编码进行比较分析。试验结果表明,该方法能够更有效地进行电机故障诊断。     

产品流转动态跟踪系统

较为全面的对产品流转动态跟踪系统进行了详细介绍。以产品流转过程最为复杂的某钢铁厂产品跟踪管理系统项目为实例,阐述如何实施企业产品流转动态跟踪,以及与生产进度计划之间的集成。     

一种新的旋转机械升降速阶段振动信号的瞬时频率估计算法

传统的短时傅里叶变换(Shorr-time Fouriertransform,STFT)峰值搜索法对高噪声、强干扰信号进行瞬时频率估计的结果往往偏离真实值误差较大,且对复杂的旋转机械设备产生的振动信号不能实现参考轴的瞬时频率估计.针对旋转机械升降速阶段振动信号的特点,提出一种新的旋转机械升降速阶段振动信号瞬时频率估计算法--STFT Viterbi拟合法(STF_TViterbi algofithm fit,STFT_VF).该方法采用STFT对振动信号进行时频分析,从而得到时间离散点和频率离散点组成的网格面,然后运用Viterbi算法实现对参考轴信号的瞬时频率估计.STFT VF方法极大地降低了噪声和干扰对瞬时频率估计结果的影响,实现了对复杂旋转机械振动信号的瞬时频率估计,且结果精度高.仿真和实际测试试验验证了本方法的正确性.