基于数据增强和卷积神经网络的多轴承剩余寿命预测

轴承的健康状态与设备安全可靠运行息息相关,在现代制造系统中,轴承剩余使用寿命(Remaining Useful Life,RUL)预测已成为研究热点.文中提出了通过数据增强来提取轴承衰退特征并利用卷积神经网络(Convolutional Neural Network,CNN)进行轴承RUL预测的方法.该方法首先将均方根、峰值和峰度作为时域特征,频谱分区求和(FSPS)特征作为频域特征,经过数据增强将18维时域和频域特征增加到108维,从而得到全面反应轴承退化过程的信息.通过搭建卷积神经网络(CNN),利用CNN处理高维特征的能力实现轴承RUL预测.最后,试验结果证明文中所提方法相对DNN模型、SVM模型具有更高的预测精度.     

隐蔽油罐防爆声发射试验研究

为了将声发射技术应用于隐蔽油罐检测中,有必要弄清声发射系统的基本组成和隐蔽油罐的结构特点。按照隐蔽油罐周围环境的防爆要求,对声发射系统进行了防爆设计,在7个储罐上进行了声发射静压检测试验研究。通过对比试验结果,发现不同储罐底板的声发射源活度存在差异,得到储罐定位声速的范围和静压检测声信号的峰值幅度分布,证明了传感器安装位置的罐壁涂层对声发射检测的影响较小,验证了防爆声发射系统检测的可行性和有效性。     

某油库油罐罐底腐蚀特征分析及防腐蚀对策

通过对某油库15个1000m^3的油罐罐底腐蚀情况的观察和分析,剖析了罐底腐蚀区域性较强的原因,并提出相应的防护措施。     

基于SimAM注意力机制的轴承故障迁移诊断模型

针对轴承故障在跨工况迁移诊断时,其域不变特征难以提取,易出现模型过拟合这一问题,提出了一种基于无参数注意力模块(SimAM)的轴承故障迁移诊断方法。首先,以一维卷积神经网络作为基本框架,利用自适应批量归一化(AdaBN)对各输出层进行了归一化处理,经两层卷积层和两层池化层后,对输出特征进行了随机节点失活操作;然后,利用改进后的参数化修正线性单元(PReLU)激活函数自适应提取负值输入权值系数,分别以交叉熵损失函数监督训练有标签的源域数据,以均方对数误差(MSLE)作为损失函数训练无标签的目标数据;最后,利用自制实验台数据和凯斯西储轴承公开数据对模型进行了验证,分别以不同的单一工况作为源域,其余工况作为目标域进行了迁移诊断任务研究。研究结果表明：基于SimAM的轴承故障迁移诊断方具有较好的域不变特征提取的性能,且所提特征具有较好的聚类效果;自制实验台中的平均迁移精度在89.1%以上,最高均值可达97.85%,CWRU数据集中的平均迁移精度达98.68%。该成果可为后续轴承故障由实验向工业现场的迁移诊断奠定基础。     

数字化车间生产现场数据采集与智能管理研究

针对某航天制造企业车间生产现场管控方面的问题,研究开发了一套车间制造过程数据采集与智能管理系统。通过对企业生产车间需求和制造数据类型的分析,构建了车间制造过程数据采集与管理系统架构,并提出车间制造过程异构数据采集技术实现方法,保证能采集到全面、实时和准确的制造过程数据;通过建立的系统功能模型,实现对制造数据全面的分析、应用。该系统实现了为生产车间制造过程管控提供决策分析,提升企业车间生产现场监控和管理水平。     

基于BERT的BiGRU-Attention-CNN混合模型的中文情感分析

在词嵌入层面上,中文情感分析一般是采用one-hot编码或Word2Vec方法生成词向量表征,不能很好解决一词多义的问题;在特征提取的层面上,传统深度学习模型缺少对重要特征的重点关注。针对该问题,提出一种基于BERT的BiGRU-Attention-CNN混合神经网络模型的中文情感分析方法。BERT模型能产生丰富的动态词向量,结合BiGRU对上下文的长期依赖能力和CNN的特征提取能力,并融入Attention机制分配不同的权重值重点关注。在酒店评论、外卖评论、网购评论、微博评论四种公开中文数据集进行情感分类实验,实验结果表明,该模型相较于其它几种常见的模型,情感分类准确率有明显的提高。     

一种改进YOLOv4-tiny的带钢表面缺陷实时检测方法

带钢表面缺陷检测是生产过程智能检测的重要任务。针对目前带钢表面缺陷检测算法效率低、实时性差的问题,本文提出了基于卷积神经网络的轻量级目标检测器。该方法以YOLOv4-tiny模型为框架,针对带钢表面缺陷检测任务的特殊性,结合了多尺度检测与空间注意力机制的优化策略,在保证检测效率的同时提高了轻量级目标检测器的精度。实验证明,所提出的改进的YOLOv4-tiny模型能够精确地检测带钢表面缺陷,平均均值精度mAP(mean Average precision)为73.29%,并且每秒帧数FPS (Frames per second)达到163,满足实际工业落地的实时性要求。     

基于ANN和SVM的轴承剩余使用寿命预测

为了提高现代制造业设备的可靠性和高效性,轴承剩余使用寿命(RUL)的预测已经成为越来越重要的研究方向。提出一种基于人工神经网络(ANN)和支持向量机(SVM)的轴承剩余使用寿命预测方法。该方法首先将获取的18维反映轴承衰退的时域特征和频域特征输入到ANN模型中做特征抽取,再将输出的18维特征向量作为SVM模型的输入,进而对轴承剩余使用寿命进行预测。基于ANN和SVM融合模型方法是结合了ANN基于数据的强大特征学习能力和SVM处理小数据集的优势。运用多组轴承衰退振动信号对模型进行验证,比较实验结果表明,相比于随机森林(RFR)模型、LASSO模型、SVM模型和ANN模型,基于ANN和SVM的轴承剩余使用寿命预测方法具有更高的预测精度。