基于深度迁移学习的矿井通风机轴承故障诊断

针对实际应用中矿井通风机轴承负样本少导致故障诊断率低的问题，提出一种基于深度迁移学习的矿井通风机轴承故障诊断方法。组合卷积神经网络(CNN)与双向门控循环单元(BiGRU),并采用随机森林(RF)分类器替换CNN的Softmax层，构建CNN-BiGRU-RF诊断模型，提取轴承更深层次故障特征以便于故障识别；利用源域数据对模型训练，确定模型结构参数；最后，引入迁移学习将模型迁移至目标域，使用目标域有标签数据微调模型参数，构建目标域诊断模型进行故障分类。实验结果表明：在矿井通风机轴承负样本稀少情况下，所提方法的故障识别平均准确率在94%以上，与其他方法相比，具有更好的诊断精度和泛化能力。     

基于ECA-ResNet与CEEMDAN能量熵的轴承故障诊断

为解决轴承故障诊断中故障分类模型参数多且泛化性能弱、故障识别率低、识别速度慢的问题,设计一种基于深度学习模型ECA-ResNet、完全噪声辅助聚合经验模态分解与麻雀搜索算法优化的支持向量机(SSA-SVM)的故障诊断方法。通过ECA-ResNet对轴承信号进行建模以提取频域故障特征;将频域特征与CEEMDAN提取的能量熵以及传统信号的时域特征共同构成特征矩阵;通过SSA-SVM进行故障类型识别。结果表明：与传统故障特征提取方式相比,所提出的轴承故障诊断方法能得到良好的诊断效果,轴承故障识别率和分类速度较高。     

Numerical simulation and experimental validation of powder flux distribution in coaxial laser cladding

In this research work a numerical model which simulates the powder flux distribution on a coaxial nozzle is presented. CFD fluent code was used to solve the model equations. The geometry of the domain was obtained using a reverse engineering process of a coaxial nozzle. The model required a deep study of the powder size distribution and feed rate because of their importance as input parameters. The simulation for the discrete phase model was carried out using both, the turbulence k–? model and the Euler–Lagrange approximation. During the model validation a technique based on the selective weight measuring on planes perpendicular to the nozzle axis was used. The powder flux model validation results showed coherence between the estimated and measured particle flux values, particularly when the powder stream presents a Gaussian profile. A simple geometrical model was presented as an application example of the flux distribution model to estimate the clad height.     

基于堆叠GRU的伺服电机滚动轴承剩余寿命预测北大核心

针对基于浅层学习的轴承寿命预测模型非线性学习能力差、预测精度低的问题,提出一种基于堆叠门控循环神经网络(SGRU)的伺服电机滚动轴承剩余寿命预测方法。首先对轴承振动信号进行时域和时频域特征提取,将常用的时域特征参数和经过集合经验模态分解得到的时频域特征参数作为原始特征集,然后采用相似度度量方法选取最能反映轴承退化性能的特征。之后通过堆叠两层GRU隐层来构建一种深层的寿命预测网络,并以训练集的退化特征参数为输入对网络进行训练,不断优化网络参数。最后在FEMTO数据集上与单层长短期记忆网络(LSTM)方法进行对比。结果表明,该方法相比于单层LSTM方法具有更高的预测精度。     

基于多模态集成卷积神经网络的数控机床齿轮箱故障诊断

针对数控机床齿轮箱在实际工作环境中负载多变且噪声干扰大、传统神经网络难以充分提取信号中的故障特征等问题,提出一种多模态集成卷积神经网络（MECNN）用于数控机床齿轮箱故障诊断。该方法将多模态融合技术与多个卷积神经网络结合,利用快速傅里叶变换方法将时域信号转换成频域信号;利用时域信号和频域信号对2个卷积神经网络进行训练,使模型能够分别从时域和频域2个角度提取特征,再将浅层特征融合;最后,将融合后的特征输入到卷积神经网络中进行故障特征的深度挖掘,并进行故障诊断。使用东南大学的齿轮箱数据集进行验证,设计了2种特征融合的方法并进行了对比。实验结果表明：在噪声下,MECNN模型用于故障诊断的准确性和鲁棒性均优于单一的时域CNN和频域CNN。     

Coarsening dynamics of self-accommodating coherent patterns

The coarsening kinetics of self-accommodating coherent domain structures is investigated using computer simulations based on a continuum phase-field model. The domain structures are produced from coherent hexagonal to orthorhombic phase transformations. It is found that the long-range elastic interactions arising from the lattice accommodation among different orientation domains of the orthorhombic phase dominate the domain morphologies and the kinetics of domain coarsening. It is shown that the long-range elastic interactions result in several new features for the domain coarsening as compared to normal grain growth. For example, the domain growth rate is reduced significantly and the growth exponent becomes a function of the relative contribution of the elastic energy reduction to the total driving force. In general, the elastic interaction is in favor of fine domains. Although triple junctions are dominant in the microstructure, a significant amount of quadrojunctions exist throughout the domain coarsening process. The average number of sides of the domain is also reduced.     

融合轧制机理和深度学习的带钢精轧宽度预测

宽度精度是热轧带钢成形过程的重要指标,准确预测精轧宽度有助于及时修正粗轧宽度设定模型,提高成品带钢的宽度精度。然而,依据轧制机理建立的宽度预测模型偏离实际工况从而精度较低,依据神经网络建立的模型由于过程黑箱导致可信度低。为此,提出了一种融合轧制机理和人工神经网络的热轧带钢精轧宽度组合预测模型,以基于Hill公式的机理模型计算精轧宽度的预测基准值,以基于深度置信网络(DBN)的深度学习模型预测精轧宽度的修正值。选取实际生产的2 730组数据中的49个特征值作为试验数据进行建模分析,结果表明:该组合模型预测精度高、稳定性好且预测时间短,其均方根误差为0.428 15 mm,相比机理模型降低了79.6%,相比神经网络模型降低了6.2%,实现了精轧宽度的高精度预测。     

一种多尺度估计和自适应响应融合目标跟踪算法

针对相关滤波跟踪框架中深度特征跟踪优势受限和计算存储存在冗余等问题,提出一种多尺度估计和自适应响应融合目标跟踪算法。该算法通过调整高斯标签参数,充分发挥手工特征准确性和深度特征鲁棒性优势,并学习连续域卷积算子融合多分辨率特征;为了减少计算和样本的冗余,通过分解卷积操作对特征进行有监督降维来减少模型参数,采用基于高斯混合模型的动态样本融合,并使用模糊稀疏的模型更新机制提高模型有效性;根据预测质量评估标准,进行自适应响应融合。实验结果表明：该算法在目标发生遮挡、形变和快速运动等多种情况下,具有较好的跟踪有效性。     

基于ADASYN和Swin Transformer的滚动轴承故障诊断研究

针对实际工况下,正常样本丰富、故障样本稀缺的类别不平衡情形,导致基于深度学习的故障诊断模型诊断能力较差这一问题,提出一种基于自适应综合采样方法(ADASYN)和Swin Transformer的故障诊断模型。使用自适应综合采样方法,改善数据分布,解决实际工况中故障样本与正常样本类别不平衡问题;使用Swin Transformer网络模型代替CNN网络 ,并使用深度迁移学习方法,使Swin Transformer网络模型掌握判别滚动轴承故障所需的浅层权重,深层权重通过反向传播方法训练获得;之后,将模型用于轴承故障测试,并对其进行调试;最后,将模型用于轴承故障实测,检验其实际工况下的诊断能力。实验结果表明：所提模型具有97%的诊断准确率,能够很好地适用于类别不平衡情形下的滚动轴承故障诊断。     

盒形件智能化拉深过程中材料性能参数的识别

智能化拉深过程中材料性能参数实时识别是关键技术之一。盒形件拉深难以用精确的力学模型来描述,文章引入基于LM算法的神经网络模型对材料参数进行识别,并仔细研究了在盒形件拉深过程中的适用性。针对盒形件提出了拉深初期采用恒定压边识别的方案,并采用平均值和去除奇异数据的方法大幅度地减小了识别误差,在该文的样本数据范围内,4种材料性能参数的最大识别误差在2%以内,为实现整个拉深成形过程的智能化控制奠定了基础。     

充液拉深装备中压边压力闭环控制系统调节器的设计

根据作者近年来研制充液拉深装备控制系统的经验,对该装备压边压力闭环系统的控制规律进行了从理论到实践的较系统的研究：首先建立了被控对象的数学模型,然后应用频率特性法对系统进行校正分析,从而得出系统的控制规律。在实际装备上应用此控制规律时,根据系统的实际响应,对控制规律进行了调整和改进。实验结果表明,改进后的控制算法简单、实用,而且可取得良好的控制效果。     

Evolution of compatible laminate domain structures in ferroelectric single crystals

The electromechanical properties and behaviour of ferroelectric single crystals are dominated by their domain structures. The domain structure can evolve according to the applied electrical and mechanical boundary conditions, but typically maintains a low energy state by adopting compatible configurations of microstructure in the form of multi-rank laminates. In this work, a model of domain structure evolution is developed, using a variational method to capture the dissipative nature of domain wall motion. The model describes the evolution of domain patterns with the constraint that they remain in low energy, compatible configurations. The electromechanical behaviour, such as microstructure evolution and hysteresis response, of periodic compatible laminate domain patterns in the tetragonal crystal system is studied. Estimates of the material response based on uniform field approximations are developed, and compared with a numerical model in which finite element analysis is used for accurate computation of the free energy. Microstructural transitions from one type of laminate domain pattern to another are included in the model by considering “pivot states”, which are the limiting states shared by more than one laminate pattern. The transition between distinct microstructural patterns at a pivot state is modelled as a bifurcation in which a material element notionally evolves along multiple paths simultaneously, representing sub-regions of the element evolving in different ways. The model is applied to study the hysteresis responses, such as dielectric hysteresis loops and butterfly strain loops, and switching mechanism of barium titanate (BaTiO₃) single crystals subjected to a variety of loads. The relationship between domain patterns and the behaviour of ferroelectric switching is discussed. The results show good general agreement with experimental data in the literature, reproducing several features such as the effect of stress on electrical hysteresis.     

大切深磨削温度场的理论解析

本文推导了基于半无限体表现移动倾斜面热源模型的大切深磨削非稳态温度场，通过计算，结果表明：缓进给磨削温度达到似稳态温度所需时间比高效大切深磨削温度达到似稳态温度所需时间长得多，切深对工件已加工表面磨削温度和磨削弧区内工件表面磨削温度分布有重要的影响。     

基于构件/构架的模具CAM软件体系结构研究

文章通过对计算机辅助制造(CAM)领域的需求分析,将问题域向解域进行合理映射,得到通用的领域框架.针对模具CAM软件,设计了一个基于构件/构架的增量式软件体系模型DCACAM.在构件库的建构时采用了享元-策略设计模式,从而使软件资源能得到全面复用,以降低开发成本,提高软件生产率和软件质量.     

基于本体元模型的锻造知识管理系统建模与工艺推理

知识管理系统的首要问题是知识建模,知识模型直接影响着整个系统知识的获取、共享、重用和推理。文章运用领域本体思想对锻造知识进行分类、总结,提出一种基于本体元模型驱动的锻造知识管理模型,初步构建了锻造知识领域本体,采用框架概念图表示锻造知识。文章还结合锻造工艺知识,给出了本体元模型驱动和概念图框架知识表示模型在锻造知识管理中的具体应用,并提出一种适合于本体元模型的推理方法,并将该方法用于锻造工艺知识推理。本体元模型驱动的知识库构建方法在组织锻造知识时,具有构建速度快、良好的互操作和知识共享等优点。     

基于深度信念网络和多信息融合的复杂机电装备故障诊断方法

针对复杂机电装备故障诊断中存在的数据量大、提取故障特征困难等问题,结合深度学习理论强大的感知与自我学习能力,提出一种基于深度信念网络和多信息融合的复杂机电装备故障诊断方法。将多个传感器的原始时域信号数据输入深度信念网络进行训练,通过反向微调学习对深度信念网络进行整体微调,提高分类准确性,同时在训练过程采用ReLu激活函数和加入Batch Normalization,减少过拟合出现概率的同时提高了网络收敛的速度。将此方法运用到复杂数控加工中心刀具的故障诊断中,结果表明该方法相比传统BPNN算法和采用Sigmoid激活函数的深度神经网络算法准确率更高。     

基于压铸模领域本体构建研究

以压铸模领域本体构建为例,借鉴现有本体理论并深入分析压铸模领域知识特点,提出一种基于螺旋模型的本体进化构建方法,相应地建立了压铸模领域本体框架,实现了压铸模领域本体的有效开发,为构建模具本体提供理论和实践依据,并为模具企业知识管理奠定基础。     

基于深度森林的热轧带钢凸度预测模型

在热轧现场轧制规格切换或工况异常的情况下板凸度控制模型偏差较大,为了提高模型精度,提出了一种基于深度森林的热轧带钢凸度预测模型。深度森林模型融合了集成学习和深度学习的思想,采用了多粒度扫描增加数据特征多样性,采用级联森林逐层处理,使得模型具备强大数据拟合能力。将热轧数据经前期预处理导入模型,并对模型参数进行了网格搜索寻优,对比随机森林模型,深度森林模型的效果更优。基于深度森林的热轧带钢凸度预测模型得到了MSE值为6.537,MAE值为1.587,MAPE值为2.903%和R值为0.985的预测性能。     

汽车主动悬架系统的有限频域输出反馈控制

为进一步提升汽车悬架系统动力学性能，提出一种基于启发式两步法的静态输出反馈控制方法。为了更好地研究悬架动力学行为，建立一种经典的1/4车主动悬架系统模型用于控制分析与设计。考虑到人体对4~8 Hz频内的垂直振动异常敏感，给出一种有限频域下的性能判据作为控制设计的指导。同时，在控制设计中考虑了悬架行程和轮胎动位移两种机械硬约束，以保证悬架系统的动力学稳定性。由于难以在线获取实际悬架系统中所有状态信息，提出一种新的基于启发式两步法的有限频域输出反馈控制方法。数值仿真及台架试验结果表明：与传统的全频域输出反馈方法相比，该方法具有更好的控制性能。     

基于特征融合与HPO-RVM的滚动轴承剩余寿命预测

为准确预测轴承的剩余使用寿命,提出基于特征融合与猎食者-猎物优化(HPO)算法优化相关向量机的轴承剩余寿命预测方法。提取时域、频域和时频域特征准确描述轴承的退化状态,利用综合评价指标对提取的特征进行筛选得到敏感特征集;采用核熵成分分析对敏感特征进行自适应融合,得到轴承的退化特征;构建混合核函数作为相关向量机的核函数以提高模型预测性能;最后,利用HPO算法得到混合核函数的参数,将寻优得到的参数用于寿命预测模型的训练。通过对轴承加速退化数据集进行实验,结果表明：所构建的寿命预测模型优于BP、ELM、SVM等模型,构造的混合核函数模型优于高斯核函数模型,采用的优化算法优于粒子群、遗传算法等。