基于卷积双向长短期记忆网络与混沌理论的滚动轴承故障诊断EI北大核心CSCD

针对传统滚动轴承故障诊断方法在大噪声与变载荷环境下诊断困难的问题。基于混沌理论,通过卷积神经网络(CNN)与双向长短期记忆网络(BiLSTM)提出CCNN(Chaotic CNN)-BiLSTM智能故障诊断方法。采用相空间重构法将一维时间序列转化为二维混沌序列,学习并提取混沌序列中有效非线性信息,并输入Softmax层中完成分类。结果表明,较之现有方法,所提CCNN-BiLSTM方法在变载荷和大噪声(信噪比为-8 dB)环境下的准确率分别至少高出3.76%与5.21%,表明该方法具有良好的鲁棒性和泛化性能。     

浅谈富邦乡作物病虫害防治

玉米是富邦乡三大粮食作物之一,栽培历史悠久。2011年全乡玉米播种面积13560亩,平均单产180千克,各种病虫害危害950亩,减产47500千克,损失率达到27．8％,如不进行防治减产可达100000千克。根据近三年的调查发现,主要病害有大斑病、小斑病、病毒病、青枯病和丝黑穗病等;主要虫害有玉米螟、蚜虫、红蜘蛛、地下害虫等。笔者结合多年工作经验,总结了玉米主要病虫害的症状、发病规律及其防治方法,为提高玉米产量提供参考。     

基于深度学习与混沌特征融合的滚动轴承故障诊断EI北大核心CSCD

本文针对现有滚动轴承智能故障诊断方法在面向大噪声背景下鲁棒性能差的问题.基于混沌理论,提出采用相空间重构方法还原并丰富轴承振动的动力学特性,通过卷积神经网络(CNN)提取混沌序列中的高级抽象特征,又考虑故障信号具有长程相关性,将低维抽象故障特征引入长短期记忆网络(LSTM),以灰狼算法优化的支持向量机(OSVM)作为分类器,提出CCNN (Chaotic CNN)–LSTM–OSVM智能故障诊断方法.试验结果表明,在处理信噪比为-6 dB信号时,该方法仍具有89.96%的准确率,相比以Softmax作为分类器的CNN–LSTM和CCNN–LSTM方法分别高出15.36%和5.21%,且在收敛速度方面亦有较大优势.     

浅谈快速凝固合金的焊接性试验方法

本文以异质合金为实验对象,采用快速凝固技术制备两种合金箔带。在实验急冷合金相接构及组织特征的基础上,分别对异种箔带进行储能点焊实验的方法进行了探索。     

多重分形的海上漂浮式风力机系泊状态特性分析

漂浮式风力机因长期受风浪流作用，系泊极易发生蠕变导致腐蚀加速，增加失效概率，影响平台稳定性。为保证海上漂浮式风力机的安全运行，在系泊蠕变早期阶段实现预警，提出了基于多重分形的漂泊式风力机系泊故障诊断方法。首先，通过变分模态分解(variational mode decomposition, VMD)方法提取了系泊故障非线性信息，分析了系泊蠕变和不同位置系泊失效对漂浮式风力机稳定性的影响；其次，针对非线性信号具有多测度性特征，采用多重分形去趋势波动分析法提取故障信号特征，并判断系泊是否发生蠕变以及系泊蠕变的位置；最后，对不同位置系泊蠕变下的平台响应数据进行了对比分析。结果表明：原始信号经VMD处理，并采用分形盒维数筛选特征信号，可有效滤除噪声，提取出具有代表性的非线性特征；系泊故障信号呈多重分形特征，通过奇异指数α₀可有效判断系泊蠕变及其位置；通过多重分形去趋势波动分析法分析VMD提取的非线性特征，可根据数据复杂度判断系泊状态。研究结果能够为海上漂浮式风力机系泊的信息提取和故障判断提供理论方法。     

基于IVMD-MCKD的滚动轴承故障诊断研究

针对强噪声环境下滚动轴承微弱信号易被淹没，其识别缺乏数学理论基础的问题，基于分形理论提出一种改进变分模态分解(Improved Variational Mode Decomposition, IVMD)与最大相关峭度解卷积(Maximum correlated kurtosis deconvolution, MCKD)相结合的轴承早期故障识别方法。采用灰狼算法(Grey Wolf Optimizer, GWO)优化VMD参数，分形筛选最优分量，MCKD算法突显信号中的冲击成分，对其进行包络谱分析实现故障诊断。与其它方法相比，IVMD-MCKD方法可较好突显故障特征频率及其倍频，实现滚动轴承早期微弱故障诊断。     

开采浅层水 增雨水入渗 引河水补源 水可持续用

南皮县淡水资源严重短缺,制约工农业与经济社会的发展。春季开采浅层地下水包括微咸水和半咸水抗旱灌溉,腾出地下含水层空间；汛期增加降雨入渗,减少径流流失,防渍防涝,把时空分布不均的天然降雨转化为地下水资源；秋冬利用河道沟渠引蓄河水补源,淡化地下水质,增加地下水可采量。地上水地下水联合运用,保持水资源采补平衡。实现旱涝碱咸综合治理、水资源可持续利用与经济社会可持续发展。     

基于优化CEEMDAN-CNN的轴承故障诊断研究

针对滚动轴承振动信号易受环境噪声干扰及浅层学习模型依赖人工经验难以准确提取故障特征的难题,提出了一种优化自适应白噪声平均总体经验模态分解(OCEEMDAN)与卷积神经网络(CNN)联合的故障诊断方法。采用自适应白噪声平均总体经验模态分解(CEEMDAN)算法对原始信号进行分解,分形维数筛选最佳分量,奇异值(SVD)降噪优化,输入CNN实现故障诊断,分别与EMD-CNN、EEMD-CNN及CEEMDAN-CNN方法进行对比。结果表明：该方法在不同工况下均具有较高的识别率,突显了良好的鲁棒性与泛化性。     

基于深度学习风力机齿轮箱的故障诊断

风力机齿轮箱因长期处于多噪声、高转速工况下运行，振动信号呈现非线性特性，致故障信息难以准确有效提取。基于此，提出自适应白噪声平均集成经验模态分解（CEEMDAN）与卷积神经网络（CNN）联合故障辨别与诊断方法。利用CEEMDAN较强的非线性特征分解能力将振动信号分解，多重相关系数筛选有效故障特征分量组并剔除冗余分量，再将最佳分量组输入CNN实现故障诊断。结果表明：不同故障状态和信噪比下，较EMD-CNN与EEMD-CNN方法，均突显了所提方法良好的鲁棒性与泛化性。     

基于CEEMDAN模糊熵CNN轴承故障诊断研究

为较好地提取强噪声覆盖下滚动轴承振动信号的故障信息，提高故障诊断识别与分类精度，基于模糊熵(Fuzzy Entropy, FE)理论，提出了一种自适应白噪声平均总体经验模态分解(Complete Ensemble Empirical Mode Decomposition with Adaptive Noise, CEEMDAN)模糊熵与卷积神经网络(Convolutional Neural Network, CNN)结合的故障诊断方法，充分利用了模糊熵数据独立性、相对一致性以及模糊性与随机性优势。通过循环抽样求取原始信号模糊熵，利用CEEMDAN方法分解，再由皮尔森相关系数筛选最佳分量组，最终将其输入CNN进行故障诊断，并采用t-SNE流行学习算法进行聚类可视化。其结果证实了不同工况下，相比经验模态分解模糊熵、集合经验模态分解模糊熵方法，所提方法具有更强的鲁棒性与泛化性，且t-SNE可视化使结果更直观。