基于声成像与卷积神经网络的轴承故障诊断方法及其可解释性研究EI北大核心CSCD

常用的振动诊断技术一般采用接触式测量,在测量受限的场合具有一定的局限性。该研究提出一种具有非接触测量优势的基于声成像与卷积神经网络的滚动轴承声学故障诊断方法。首先,利用传声器阵列获取滚动轴承辐射的空间声场;然后,用波叠加法进行声成像,重建后的声像能够描述声场的空间分布信息;最后,建立卷积神经网络(convolutional neural network,CNN),使用不同轴承运行状态下的声像样本对CNN模型进行训练用于故障诊断。同时,针对深度学习模型的诊断结果缺乏可解释性的问题,采用梯度加权类激活图(gradient-weighted class activation map,Grad-CAM)算法对卷积神经网络在基于声像的轴承故障诊断中的可解释性进行了研究。轴承试验台的声阵列数据验证了所提方法的有效性及优越性。     

基于变分模态分解与集成深度模型的 锂电池剩余寿命预测方法

锂电池剩余寿命(RUL)预测对于锂电池安全使用至关重要。由于锂电池使用过程中存在容量再生现象和随机干扰等因素,导致单一尺度信号下单一模型的预测精度及泛化性能较差。针对上述问题,提出一种新的基于变分模态分解(VMD)与集成深度模型的锂电池剩余寿命预测方法。首先,采用变分模态分解将锂电池容量数据进行多尺度分解,得到信号的全局退化趋势和局部随机波动分量;然后,分别采用多层感知机(MLP)和长短期记忆神经网络(LSTM)对全局退化趋势和各波动分量进行建模;最后,将各个分量子模型的预测结果进行集成,获得最终的锂电池剩余寿命预测结果。实验结果表明,该方法具有较高的预测精度与稳定性。     

P3/4HB/PBS共混物的物理性能及微生物降解

将不同比例的聚(3-羟基丁酸-co-4-羟基丁酸)共聚酯(P3/4HB)和聚丁二酸丁二酯(PBS)进行物理共混,通过FTIR、DSC、TG和SEM研究了复合材料的力学性能、亲水性能、热稳定性和结晶性。当PBS的添加量为10%时,复合材料的力学性能较好。与纯P3/4HB相比,拉伸强度增加了154%,达到了18.6 MPa;断裂伸长率增加了82%,为638%;弹性模量约下降94 MPa。复合物水溶解性能较小,只有0.34%,抗水性增强。DSC分析表明,2种聚合物的相容性较好。PBS的添加降低了材料的熔点,增加了结晶性能,同时减缓了材料的结晶速率。TG分析结果表明,复合材料稳定性增强,加工窗口拓宽了32℃。采用Pseudomonas.mendocina DS04-T菌株降解复合材料,当降解时间为120 h时,复合材料降解率为92.5%。