基于深度残差网络的滚动轴承故障诊断方法

在实现滚动轴承故障诊断的过程中,需要通过时频分析方法对原始信号进行特征集构建,期间包含大量计算且对于人工经验有着很强依赖性.针对滚动轴承故障诊断中依赖特征集选取这一问题,提出了基于深度残差网络的故障诊断方法,凭借深度学习的自主学习及强泛化能力以实现故障特征的自我获取和训练,消除故障诊断中人为特征集选取环节,从而简化故障诊断的流程.主要内容包括:首先,构建残差网络模型,通过建立多组卷积层、池化层及残差块,共同组成深层次网络模型;其次,通过滚动轴承故障实验台获取不同类型的故障样本,对信号进行分组并构建训练样本和测试样本;进而,对网络进行初始化设定后,将训练集输入深度残差网络模型,利用多层卷积和池化运算实现对原始信号抽象化表征;最后,在网络模型末端集成Softmax分类器,实现对两类轴承故障样本的分类诊断.所提出方法在两组诊断实验中均达到了 100％的准确率,对于不同类型、转速和损伤程度的滚动轴承故障都具有很好效果.研究说明所建立模型能够自主地挖掘故障信号的特征集,可在一定程度上简化故障诊断研究中的预处理和特征计算环节,避免人工提取特征的主观盲目性和经验依赖性,具有广泛的工程应用前景.     

包装印刷设备的烘干风嘴分布参数规律研究

目的为了提升包装印刷设备烘干性能,针对风嘴分布进行研究。方法依据实际包装印刷设备风嘴为参考,建立风嘴分布模型并进行非结构网格划分,根据实际情况建立适用于其工况的边界条件和控制方程;控制风嘴间距和承印物距离这2个关键参数,建立风嘴分布参数与热风场性能之间的数学模型;依据所建立数学模型估算不同参数模型的烘干效果。结果根据多组仿真实验得到了风嘴间距和承印物距离等参数对热风场分布的影响,相应经验公式为v (=-0.007×L+2.568)x~(4.311/L+0.056)。风嘴间距对于烘干风嘴影响效果明显,增加风嘴间距离可以提升烘干风嘴风速和热风场的均匀性;同时发现随着承印物不断前进和风嘴作用效果的叠加,其表面风速将持续呈现上升。结论经过研究分析,掌握了不同参数下的热风场分布规律,这对指导实际生产对于烘干风嘴设计具有重要参考价值。     

大学音乐欣赏教学的新思考

音乐欣赏教学是大学人文教育的重要部分,大学阶段的音乐欣赏教学有普遍性,也有特殊性.本文试图对大学音乐欣赏教学进行一些新思考.文章联系大学精神和目标阐释了音乐欣赏在大学阶段的教学目标,从同人类生活和大学生生活的关系思考了音乐作品的魅力所在,并探讨了大学音乐欣赏的教学方法问题.