基于多标签零样本学习的滚动轴承故障诊断EI北大核心CSCD

近年来,数据驱动的方法在滚动轴承故障诊断领域发展迅速,但面对工程实际中没有历史记录的故障类型,仍存在故障特征学习不充分、误诊率高等不足。针对上述问题,提出了多标签零样本学习(multi-label zero-shot learning,MLZSL)故障诊断方法。首先,使用短时傅里叶变换(short-time Fourier transform,STFT)对可见类和未见类样本进行预处理,将得到的时频图像输入残差深度可分离卷积神经网络(residual depthwise separable convolutional neural network,RDSCNN)进行特征提取,再使用可见类故障特征训练属性学习网络,依靠属性学习网络预测未见类故障样本的属性向量,最终实现对未见类故障的诊断。设计了零样本条件下的故障诊断试验,结果表明MLZSL能将可见类故障属性迁移到未见类,并有效诊断未见类故障。     

浅析美国ADR制度对我国民事纠纷解决的启示

ADR制度源于美国,并在世界范围内不断扩展开来。我国自古就存在着非诉讼的文化传统,却是多年来止步不前。伴随着民事案件的积压和法院压力的增大,构建具有中国特色的ADR制度成了解决纠纷的迫切要求。文章将以美国ADR制度为蓝本,结合我国司法的独有特点,细致地阐述ADR制度在我国的理论与实践意义。     

监理工程师对钢筋分项工程质量控制的体会

阐述了钢筋分项工程的质量控制的一些要点及方法。     

废塑料催化热解催化剂的进展

塑料的高消耗量和不可生物降解性,导致其对环境具有潜在的危害。与传统的废塑料处理回收方法相比,催化热解法在较低温度下可得到高品质热解油。基于常用的催化剂类型,从孔结构、酸碱度、比表面积等角度阐述了不同催化剂种类废塑料的催化热解性能;基于聚烯烃的空间结构的差异,分析聚乙烯(PE)、聚丙烯(PP)、聚苯乙烯(PS)和聚氯乙烯(PVC)的催化热解机理;根据不同聚烯烃的特性,重点综述了近年来国内外常用的废塑料催化热解催化剂,基于不同催化剂酸碱性、孔结构等影响因素进行分析,从液体收率、单体选择性评价了催化剂的催化性能,提出未来研究应致力于混合废塑料催化热解催化剂的开发和利用。     

基于损伤模态识别法的复杂采空区群中薄弱单元甄别

为甄别复杂采空区群中的薄弱单元,以某地下石灰石矿山采空区群为工程实例,通过构建离散振动力学模型,和应变改变量相关影响因素分析,创新地提出薄弱单元损伤模态识别法,给出甄别流程,并从算例计算和工程实际应用两方面验证其可靠性。研究结果表明：自振频率和应变模态的甄别指标能准确识别采空区群中的薄弱单元;单体和双体单元损伤都会使采空区群的自振频率甄别指标I_M(k)值大于0,损伤区域的应变模态甄别指标I_N(x)值会明显出现凸起,随着损伤程度增大,I_M(k)值和I_N(x)峰值越来越大;仅顶板B1损伤时,高阶I_M(k)比低阶更灵敏反映损伤变化程度,第四阶指标识别效果更优;仅矿柱Z6损伤时,第二、四阶I_M(k)识别效果更优;B1和Z6共同损伤时,I_M(k)对B1损伤程度变化较于Z6更为敏感,第二阶I_M(k)识别效果更佳。研究成果为地下采空区群安全定量评估开辟了一条新方向。     

环氧乙烷与甲胺合成N-甲基二乙醇胺的热力学分析

使用ABW法、费多斯基团加和法等,计算了N-甲基二乙醇胺(MDEA)的基础数据及其热力学数据,对环氧乙烷(EO)与甲胺合成MDEA的化学反应进行系统的热力学分析,提供了理论上该合成工艺所需条件。建立了该反应的反应焓变、Gibbs自由能变以及反应平衡常数对反应温度的变化关系。得出结论为该反应为自发放热反应,降低温度,反应有利于向MDEA合成的方向进行;若温度过低,反应速率减慢,目标产物产率下降。在工业生产中,该合成反应一般控制温度在100—150℃,反应器内的压强一般为3—6 MPa。     

浅析民用建筑中的楼面裂缝问题

根据现在浇钢筋混凝土楼板裂缝出现的问题,从其类型和特征入手,找出其原因并提出具体措施。     

超临界流体技术与化工过程强化

化工过程强化是通过减小设备体积、简化工艺或提高设备生产能力达到提高效率、减少废弃物的排放、降低成本、降低物耗等的目的。与传统方法相比,超临界流体技术作为一种新兴的技术提高了效率、简化了工艺、节约了材料、无二次污染,达到了过程强化的目的。介绍了超临界流体技术的优势,从而得到过程强化的效果。     

基于VAE-GAN和FLCNN的不均衡样本轴承故障诊断方法EI北大核心CSCD

针对滚动轴承故障诊断中样本分布不均衡引起的模型泛化能力差、诊断精度低的问题,从两个方面展开研究:(1)故障样本增广,提出结合变分自编码器(VAE)和生成对抗网络(GAN)的VAE-GAN样本增广模型;(2)改进分类算法,提出基于焦点损失(FL)和卷积神经网络(CNN)的FLCNN(focal loss and convolutional neural network)样本分类模型。在此基础上,将VAE-GAN和FLCNN融合,构建VAE-GAN+FLCNN轴承故障诊断模型。首先,将样本量少的故障类输入VAE-GAN模型,通过交替训练编码网络、生成网络和判别网络,学习出真实故障样本的数据分布,从而实现故障样本的增广;然后用增广后的数据样本训练FLCNN分类模型,完成轴承故障识别。试验对比结果表明,所提方法能够有效提升样本不均衡条件下的轴承故障诊断效果,拥有更高的Recall值和F1-score值。     

基于CEEMDAN和AR模型的岩体声发射信号特征提取方法研究

针对岩石声发射信号因非平稳、复杂性特征而难以有效提取特征参数的问题,提出了一种基于自适应完整集成经验分解算法(CEEMDAN)和AR模型的特征提取方法,以红砂岩为研究对象,用CEEMDAN对其破裂阶段的信号进行分解,利用相关系数法选择有效IMF分量,并进行能量归一化处理,以消除其他因素对模型的影响。通过计算各阶段信号AR模型的AIC值,建立最佳阶次模型AR(5),并通过对比试验验证了模型的准确性,并将提取的5阶AR模型系数作为特征向量,为后续预测岩石失稳现象提供了依据和方法。