应用于齿轮箱故障诊断的小样本图像生成方法

行星齿轮箱是一种广泛应用于工业领域的关键传动装置,其在复杂工况和长期负荷下易出现故障。传统的故障诊断方法依赖于专家经验和昂贵设备,存在数据稀缺和诊断效率低的问题。针对这一挑战,近年来生成对抗网络（GAN）的发展为图像生成和数据增强提供了新的解决方案。然而,现有GAN模型在处理小样本数据时,常出现语义错位和伪影问题,限制了其在智能故障诊断领域的应用潜力。为此,提出了一种基于多尺度渐进式特征融合的生成对抗网络（MSA-PF-GAN）模型,通过引入渐进式解码器结构与多尺度注意力模块,有效提升小样本条件下的图像生成质量及故障诊断精度。实验基于两个独立的行星齿轮箱故障数据集进行验证,结果显示,该方法显著降低了生成图像的FID分数,提升了诊断准确率（分别提高35%和20%）。在多种评价指标上,MSA-PF-GAN均优于其他主流方法。进一步分析表明,该模型通过渐进式特征融合和多尺度注意机制,不仅在生成图像的多样性和真实感上表现优异,还能有效增强对复杂故障特征的捕捉能力。因此,该技术在行星齿轮箱故障诊断领域具有有效的应用潜力和实际价值。     

基于声信号识别的焊后残余应力处理质量检测方法

焊后残余应力处理过程的非线性程度高且参数耦合性强,导致处理质量不稳定。而现有检测方法仅做抽样检测,存在检测精度低、周期长等问题,且无法进行实时在线检测。为此,提出一种新的基于声信号识别的焊后残余应力处理质量在线检测方法。该方法先实时采集焊后残余应力处理过程中的声信号并提取其特征,然后构建基于多权值神经网络的焊后残余应力处理质量检测模型,以实现在线识别。实验结果表明,相比于传统检测方法,所提出方法可实现焊后残余应力处理质量的在线检测,可为焊后处理过程中的参数优化和质量控制提供参考。     

一种碳纤维复合材料异形构件一体化成型工艺分析

碳纤维复合材料具有比强度高、热膨胀系数低、热稳定性良好、可一体化成型等诸多优势。本研究以一种用于某产品中的碳纤维复合材料异形构件作为研究对象,在对该碳纤维复合材料异形构件的结构特点、工况条件和使用寿命分析的基础上,充分发挥碳纤维复合材料一体化成型优势,对其工艺进行分析,希望为类似碳纤维复合材料异形构件的制备提供参考。     

基于先验信息的河流糙率广义反演方法

在河流糙率反演过程中,由于水文观测信息比较稀缺,一般都是欠定或混定模型,容易由于观测噪声造成反演计算不稳定或反演结果偏离实践经验较大的问题.针对该问题,以糙率估计值作为正则化条件,构造了一个兼顾水文观测信息和糙率经验信息的反演模型,用来改善反演结果合理性、提高数值计算稳定性.应用河网数值仿真和实例分析了模型的数值稳定性、解的唯一性和结果可靠性等特征.结果表明:基于先验信息的河流糙率广义反演方法,能够有效地进行河流糙率的率定,较好地解决了信息量不足所引起的数值稳定性问题,且率定结果接近真实解.     

基于集合卡尔曼滤波的河网水情数据同化

为了解决河网非线性动态系统的数据同化问题,采用基于集合思想的集合卡尔曼滤波来实时校正河网水力模型状态变量,以提高河网水情仿真与预报的计算精度。集合卡尔曼滤波的关键在于状态初始集合的设置,本文采用Box Muller方法生成一组服从正态分布的随机集合,通过一个由14条河段组成的河网水力仿真算例系统分析了集合大小、集合标准差对数据同化效果的影响,并将得到的初步结论应用到实例计算中,获得了良好的数据同化效果。结果表明：集合卡尔曼滤波算法,应用简便,适用范围广,能够有效地进行河网非线性动态系统的数据同化;在设置水位状态变量初始集合时,建议取集合规模50~100、标准差0.001~0.005m。     

一种稳健的河流糙率反演方法

为了提高河流糙率反演的数值稳定性及结果合理性,以糙率空间分布平滑性作为反演正则化所需的先验信息,建立一个兼顾水文观测信息和糙率分布平滑性的河流糙率反演的目标函数,利用广义逆理论和敏度矩阵的概念进一步确定目标函数的下降方向,并采用拟牛顿法来逐步寻优.通过一个由14条河段组成的河网算例,系统分析模型解的唯一性、数值稳定性和结果可靠性等特性.结果表明：引入河流糙率空间分布平滑性可以有效抑制噪声,提高计算的稳定性,且计算精度较高,结果可靠.     

基于逆向概率密度函数的污染云团空间重构

利用逆向概率密度函数与浓度的关系,对逆向概率密度函数与初始浓度场进行卷积即可得到观测点的浓度值。建立了通过逆向概率密度微分方程求解观测点浓度值的数值模型,并通过算例验证了该方法的正确性。在此基础上,建立了基于逆向概率密度函数的污染云团空间重构模型,并采用扫描法进行最优解的搜索。该方法效率高,且得到的解是空间内的全局最优解。通过2维空间重构算例的仿真,对比研究了不同监测点数量时污染云团空间重构性能,发现两个及以上测点情况下,计算结果可靠性高,抗噪能力强。     

社交网络中一种快速精确的节点影响力排序算法

在大规模在线社交网络中,通过对用户影响力进行排序找出其中最具影响力的节点（集合）是一个很重要的研究方向,对于有效控制信息扩散、舆情分析和控制、精准营销等均有重要的作用。已有的节点影响力排序算法或者需要网络的全局拓扑信息来计算单个节点影响力（如基于介数中心性的算法）而时间开销过大,不适用于大规模网络;或者基于传统的网页排序算法（如PageRank）而不能很好地处理社交网络中存在着大量“末梢”节点的问题以及不同用户之间的联系强度不同的问题。在传统的PageRank算法的基础上做出了两点改进。首先,通过在PageRank算法的权值回收步骤中考虑对不同的连接赋予不同的权值,有效避免了末梢节点带来的影响。其次,在PageRank算法的投票过程中考虑邻居个体的差异性,提出了一种基于半邻域信息的节点权值分配方法,有效提高了节点排序的准确度。在一个包含大约15 000个用户的样本网络中,我们所提出的改进算法能够找出前1 000个最有影响力的节点中的40%以上的节点,而传统的PageRank算法仅能找出其中11%的节点。同时,相比于基于介数中心性的算法,所提出的改进算法以小得多的时间开销达到了相近甚至更好的排序准确度。     

一种基于无监督深度迁移学习的地铁车轮退化状态智能评估方法

随着国内城轨列车普遍加装轴箱振动传感器, 基于振动信号的车轮退化状态检测成为地铁运维的新需求. 受路基病害、变载荷及测量误差等因素影响, 振动信号易受不规则噪声干扰, 导致退化状态识别精度较低; 同时, 新列装车辆数据不足, 退化趋势表征困难, 检测模型鲁棒性不足. 鉴于此, 提出一种鲁棒无监督张量域适配网络, 通过跨车辆车轮退化信息迁移提升状态评估效果. 首先, 利用深度卷积自编码网络提取源域与目标域的深度特征, 采用张量Tucker分解获得核心张量, 通过最小化两域核心张量间的最大均值差异损失及张量化趋势性损失来进行领域适配; 然后, 建立交替优化算法, 交替进行张量分解与领域适配, 得到最优核心张量及公共退化特征表示; 最后, 基于退化特征的第一主成分构建健康指标(HI), 并根据HI曲线的凹凸性识别退化拐点. 实验基于国内某地铁6号线的实测数据, 结果表明, 所提出方法能够有效实现车轮退化信息迁移, 且鲁棒性强、识别精度高, 可以为地铁跨线跨车运维提供新的解决方案.     

城市火灾自动报警监控管理系统浅析

为了有效避免重、特大恶性火灾的发生 ,提高城市抗御火灾的整体能力 ,建立城市火灾自动报警监控管理系统已势在必行。简单介绍了城市火灾自动报警监控管理系统的基本组成、主要功能和作用 ,同时指出了该系统在实际运用中存在的问题和今后努力的方向