基于动态加权卷积长短时记忆网络的滚动轴承剩余寿命预测方法EI北大核心CSCD

现有数据驱动方法在滚动轴承剩余使用寿命预测中,因不能有效提取对轴承退化过程敏感的特征信息而导致预测精度不足。为此提出一种基于动态加权卷积长短时记忆网络(DW-CNN-LSTM)的滚动轴承剩余寿命预测方法。对滚动轴承振动信号进行小波包分解,将获得的小波包系数矩阵通过可训练参数动态加权层进行动态加权,来实现对轴承退化的表征信息进行有效筛选,以增强轴承振动特征学习能力;利用卷积神经网络的自适应挖掘数据深层特征能力,从动态加权后的小波包系数矩阵中提取对轴承退化过程敏感的特征集;借助长短时记忆网络(LSTM)预测时间信息序列的优势,由双层LSTM进一步提取其高维退化特征,来提高滚动轴承剩余寿命预测精度。对XJTU-SY轴承数据和IMS轴承数据的试验结果表明,所提DW-CNN-LSTM方法相比于经典的长短时记忆网络方法,其均方根误差指标平均降低了61.08%,预测准确度平均提高了9.95%,模型训练时间平均减少了44.14%,获得了较满意的寿命预测精度和鲁棒性。     

一种新的近重复监控视频检测算法

设计了一种使用视频镜头时序特征来实现级联式检测近重复视频的算法.首先在进行关键帧特征提取之前,直接在镜头层次上提取时序特征,初步滤除完全不相同的视频,然后对剩下的视频帧提取全局颜色特征和SURF特征进行逐步检测,最终获得与查询视频近重复的视频.对实验室的监控视频进行小范围的验证实验,实验结果表明,该算法与不用时序特征的方法相比有一定的有效性和准确性.     

一种基于随机交叠策略的多突变点在线检测方法

传统的突变点检测方法多以离线为主,无法对大规模的时序数据进行在线检测。针对这一问题,文中基于缓冲区模型和滑动窗口随机交叠策略,提出一种多突变点在线检测方法。该方法以TSTKS算法和滑动窗口模型为基础,通过缓冲区模型实时接收在线时序数据流,并将数据转移到数据接收器中;随后,在数据接收器中使用滑动窗口随机交叠策略对数据流进行切分;最后,在子数据流中用TSTKS算法对数据进行多突变点在线检测。仿真数据和癫痫病人的肌电数据等实验结果表明,文中所提方法具有时耗较短、准确率较高等优点,可作为大规模时序数据流的在线分析备选方案。     

大规模图像集中的代表性图像选取

针对传统图像检索系统通过关键字搜索图像时缺乏语义主题多样性的问题,提出了一种基于互近邻一致性和近邻传播的代表性图像选取算法,为每个查询选取与其相关的不同语义主题的图像集合. 该算法利用互近邻一致性调整图像间的相似度,再进行近邻传播（AP）聚类将图像集分为若干簇,最后通过簇排序选取代表性图像簇并从中选取中心图像为代表性图像. 实验表明,本文方法的性能超过基于K-means的方法和基于Greedy K-means的方法,所选图像能直观有效地概括源图像集的内容,并且在语义上多样化.     

修井机PLC失电后大钩高度清零故障分析处理

PLC是自动化控制系统中关键部分,其正常运行对整个自动化系统的稳定运行有着重要影响。在钻井工况中游车位置智能控制至关重要,游车电子防碰系统功能就是钻井行业常说的防止"上碰下砸",它主要通过PLC采集绞车滚筒编码器的脉冲信号,精确计算出游车的高度位置,将计算的游车位置与设定的"上碰下砸"位置进行比较分析,与绞车变频控制系统和绞车的机械部分有机的结合,具有减速-刹车-报警的功能。本文将具体阐述一下PLC失电后大钩高度清零的故障分析处理。     

一种基于模板匹配与隶属度解析的时序异常快速检测方法

传统的数据检测技术在处理大规模医疗数据时,耗时较高且抗干扰能力较弱。针对这些问题,文中应用模板匹配与隶属度解析技术,给出了一种时序数据异常状态的快速检测与分析方法。该方法采用TSTKS算法与滑动窗口理论实现时序数据多突变点快速检测,提取连续多窗口波动特征,构建时序数据的归一化波动向量,对大规模病变信号进行异常状态检测与分析。仿真数据与脑电病变信号分析等实验表明,此方法是一种较为快速、准确的大数据分析与检测方法。     

教学能力大赛视域下“PLC控制技术”课程教学改革研究

“三教”改革是深化职业教育内涵建设的必由之路,而教学能力比赛则是“三教”改革的重要支撑,二者在服务于新时代职业教育高质量发展的过程中,实现了完美联结。本项目基于变电站高压隔离开关的远程控制实例,根据“1+X”运动控制系统开发与应用证书要求和行业标准（DL/T 575.5-1999）共同设计项目内容,通过以任务驱动的“八步闭环教学法”实施灵活的教学应变,在学生具备了理论基础和项目化编程能力的基础上,培养学生PLC组态编程能力和职业岗位素养能力,并为后续课程打好基础。