TensorFlow中深度前馈网络优化研究及其轴承故障诊断应用

目前在复杂系统的故障诊断中,故障特征与故障类型之间存在较强的非线性关系,且数据量较大,信号处理复杂,诊断效率不高,而深度学习在特征提取与模式识别方面显示出巨大潜力。针对此问题提出基于深度前馈网络的故障诊断模型,将其应用于复杂的轴承故障诊断。该方法直接将原始信号作为模型的输入特征量,然后利用谷歌开源深度学习框架TensorFlow建模,通过相关参数设置、梯度算法优化、正则化处理对网络进行优化设计。构建上万的9种轴承故障类型样本,确保样本多样性,提高网络鲁棒性,最终优化后的模型诊断准确率为98.96%。将该方法与多种传统的机器学习诊断方法进行比较,结果表明该方法能更有效地进行轴承故障诊断,验证了模型的合理性和优越性。     

基于改进Sage-Husa自适应滤波的ADCP船速基准精确获取

针对传统Kalman滤波存在的单一固定的误差协方差阵Q、R及观测粗差均会影响声学多普勒流速剖面仪船速滤波性能这一问题，本文结合自适应抗差滤波原理与Sage-Husa算法，通过构建自适应因子与抗差因子，并对Q和R分别增加Kalman滤波的约束条件，设计了一种改进的Sage-Husa自适应滤波算法。在长江口开展的声学多普勒流速剖面仪走航测量实验结果表明，与传统的Kalman滤波方法相比，本文改进方法受粗差影响明显减小；在底质流动速度为分别为5、10、15 cm/s下的船速精度均提高了约2 cm/s，断面流量相对精度则分别提高了0.9%、3.0%和6.0%。对于年均流量为2.8×10⁴ m³/s的长江口这种大型感潮河段来说，本文方法1%～6%的流量相对精度的提高显得必要且有意义。     

核电厂地震加速度计现场标定振动台的研制

针对现有的核电厂地震加速度计的标定方法无法同时涵盖规范规定参数检定要求，也无法实现核电现场就地标定检测的问题，设计了一种基于柔性金属弹片悬挂结构的便携式振动台，分析了振动台的机械结构，给出了振动台动力学方程；依照实际工程应用需求，选取了合适的参数和材料，进行了振动台的三维建模和有限元分析，制造了振动台样机，并对样机进行了测试，测试结果表明，振动台固有频率在1Hz以下，量程可达到1g，横轴灵敏度小于1%，净重在40kg以内，具备便携式特征，满足核电厂地震加速度计的现场标定参数检测的要求。