基于深度一维残差卷积自编码网络的齿轮箱故障诊断

一维振动信号常常被用于齿轮箱的监测与故障诊断中,使得能及时地对齿轮箱维护以减少损失。因此,从一维振动信号中提取出关键故障特征决定了故障诊断模型的准确性与可靠性。典型的深度神经网络(deep neural network, DNN),如卷积神经网络已经在故障诊断中表现出良好的性能并得到了广泛的应用,但其监督式训练方式往往需要大量的标签数据而限制了其可应用性。因此,提出一种新的深度神经网络模型,一维残差卷积自编码器(1-dimension residual convolutional auto-encoder,1DRCAE),成功应用于振动信号的无监督学习及故障特征提取,显著提高了齿轮箱的故障诊断率。首先,提出了一维卷积层与自编码器的有效集成方法,形成了深度一维卷积自编码器;其次,引入残差学习机制训练一维卷积自编码器,实现对一维振动信号有效地特征提取;最后,基于编码器提取的特征,使用少量标签数据进行分类微调实现齿轮箱故障模式识别。通过齿轮箱试验台采集的传感器数据进行实验验证表明,这种无监督学习方法具有良好的去噪能力和故障特征提取能力,其特征提取效果好于典型的深度神经网络,如深度置信网络(Deepbeliefnetwork,DBN)和堆叠自编码网络(Stackedauto-encoders,SAE),同时故障诊断效果也优于一维卷积神经网络(1-dimension convolutional neural network, 1DCNN)。     

究竟值几星?钉钉

最近,不少中小学生给《钉钉》打了“一星差评”,这是因为《钉钉》为学生们提供了一个在线学习渠道。而对于“一星差评”,《钉钉》也识趣地“求饶”。但摒除偏见,《钉钉》究竟能值几星?一份完整的线上协同方案,一场全社会的云办公实验作为阿里巴巴旗下的优质产品,《钉钉》本身是一款专为企业打造的工作沟通、协同、智能移动办公平台,它为企业提供了安全高效的即时通讯解决方案,并且为企业量身定制免费OA办公系统,大幅提高了工作效率.     

楼宇型分布式能源系统设备容量和运行策略优化研究

设备容量优化和运行策略优化是分布式能源系统设计，运行的关键问题。为实现分布式能源系统的经济效益，能效水平和环境效益最大化，针对楼宇型分布式能源系统建立了相对普适化的物理模型和数学模型，以粒子群优化算法和线性规划相结合，采用两阶段优化方法计算系统的最优容量配置，并给出运行策略。以某写字楼的分布式能源系统为例，得到最优的系统设备容量和全年逐时运行策略，并采用遍历法验证计算结果的准确性。优化的分布式能源系统与传统供能系统相比，费用年值降低7.79%，年总能耗降低24.18%，污染物排放量减少了62.77 %。     

扩展稀疏表示稳健HRRP目标特征提取方法

为提高低信噪比下高分辨一维距离像目标识别性能，提出扩展稀疏表示的噪声稳健目标特征提取方法。本方法通过对稀疏表示的扩展，实现对目标高分辨一维距离像局部特征与全局特征的提取。其中，在训练阶段利用支持向量理论与字典学习原理，对特征提取字典进行优化提高特征向量的可分性。在测试阶段，利用因子分析模型匹配方法对去噪声字典进行优化，从而实现对噪声的有效抑制，保证了目标识别系统的噪声稳健性。利用实测数据对本方法性能进行测试，结果表明本方法可在低信噪比条件下有效地恢复目标高分辨一维距离像，并实现较高的识别正确率。     

命名实体识别技术综述

命名实体识别是自然语言处理中的热点研究方向之一,目的是识别文本中的命名实体并将其归纳到相应的实体类型中。首先阐述了命名实体识别任务的定义、目标和意义,分析提出了命名实体识别的主要难点在于领域命名实体识别局限性、命名实体表述多样性和歧义性、命名实体的复杂性和开放性;然后介绍了命名实体识别研究的发展进程,从最初的规则和字典方法到传统的统计学习方法再到现在的深度学习方法,不断地将新技术应用到命名实体识别研究中以提高性能;接着系统梳理了当下命名实体识别任务中的若干热门研究点,分别是匮乏资源下的命名实体识别、细粒度命名实体识别、嵌套命名实体识别以及命名实体链接;最后针对评判命名实体识别模型的好坏,总结了常用的若干数据集和实验测评指标,并给出了未来的研究建议。     

分布式发电与智能微电网虚拟仿真实验设计与实现

针对难以开展分布式发电、微电网规划设计、运行控制等物理实验的难题,基于虚拟仿真3D技术构建了海岛和工业园区微电网场景,设计了实例认知、仿真实验、综合设计三层次五模块实验教学方案。通过该虚拟仿真实验,有助于学生掌握微电网规划设计、能量管理、参数设计等原理与方法,全面培养学生分析解决问题能力和研究创新能力。