基于LSGAN-SqueezeNet的轴承故障诊断研究EI北大核心CSCD

在滚动轴承的故障诊断过程中,需要大量的故障样本对模型进行训练,但由于工程实际环境较为复杂,难以采集到足量的轴承故障样本。提出基于最小二乘生成对抗网络(least squares generative adversarial networks,LSGAN)结合SqueezeNet在样本数据量不足条件下滚动轴承故障诊断的方法。该方法首先利用滚动轴承的原始样本训练LSGAN,生成不同状态下的轴承信号样本,采用SqueezeNet对真实样本与生成样本进行模型训练,实现样本数据量不足条件下的轴承故障诊断。通过凯斯西储大学及德国帕德博恩大学的滚动轴承试验数据对所提轴承故障诊断方法进行验证。试验结果表明,真实样本结合生成样本训练模型,对故障的诊断准确率均达到99.7%,该方法具有较高的诊断精度。实现了样本数据量不足条件下故障诊断的可行性及验证其泛化性,且有效提高了故障诊断的准确率、降低了训练成本。     

基于 KL-VMD 和综合特征指标的 滚动轴承性能退化评估

针对滚动轴承早期性能退化点难以检测的问题,提出一种结合改进变分模态分解(VMD)和综合特征指标的滚动轴承性能退化评估方法。首先使用K-L散度优化VMD的参数,用优化后的VMD对轴承振动信号进行分解,通过Wasserstein距离筛选对退化特征较为敏感的模态分量,对其奇异值分解得到奇异值特征;结合信号的熵能比和置信值组成滚动轴承退化综合特征指标,最后构建支持向量数据描述模型计算性能退化指标,实现滚动轴承的早期微弱故障检测及性能退化评估。利用轴承全寿命实验数据验证方法的有效性,对早期性能退化点的检测结果相较于其他退化评估方法有所提前,为滚动轴承性能退化评估提供新思路。     

基于近视筛查数据的近视影响因素分析和近视预测

该文分析了国内外近视检查数据,统计结果显示中国青少年近视发生率远远超过国际水平,其中8～12岁是近视新增的高发时期,平均每年约有20%的非近视学生转为近视学生,而10～14岁是高度近视新增的危险时期。此外,父母近视情况和户外活动时间对近视形成的影响最大,高于电脑使用时间和看电视时间的影响。该文采用5种集成学习方法对未来视力情况进行预测,综合考虑鲁棒性和精确度,随机森林模型预测效果最好,其中近视的预测准确率在70%训练集、30%测试集划分的情况下为92.8%。     

基于双输入深度卷积神经网络的风力机轴承RUL预测

针对轴承剩余寿命预测中常用健康指标泛化性不足的问题，提出一种基于双输入深度卷积神经网络的轴承剩余寿命预测模型。首先使用自适应最大相关峭度解卷积方法处理轴承信号并采用特征融合手段得到信号的时间序列特征；然后，将信号的时频图和时间序列特征同时作为模型的输入，通过已建立的双输入深度卷积神经网络模型来预测轴承健康因子；最后使用门控循环单元网络与健康因子相结合的方法来预测轴承的剩余使用寿命。在公开的西安交通大学公布的XJTU轴承数据集上对所提方法进行验证，并在风力机高速轴轴承历史监测数据上进行应用。试验结果表明：该方法不但显著提升了健康因子的泛化性能，还在预测精度方面有优异表现。