MHSACAE-CNN在噪声下的电机轴承故障诊断

电机的运行情况复杂,实际运行工况下会有大量的噪声,导致其轴承故障诊断精度下降。为了改善这一问题,提出了一种基于多头自注意力机制的一维全卷积自编码网络（One-dimensional Fully Convolutional Autoencoding Network Basedon Multi-head Self-attention,MHSACAE）与卷积神经网络（Convolutional Neural Network,CNN）结合的轴承故障诊断方法。该方法先采用MHSACAE网络进行降噪,再通过CNN进行故障诊断。其中MHSACAE去噪网络采用无监督训练的方式,充分考虑了实际工况和序列数据内在联系,在实现对噪声的滤除效果的同时,最大限度地保留下了原始的故障信息,使得CNN可以实现在噪声情况下对电机轴承故障的高精度诊断。通过与其他轴承故障诊断方法在噪声情况下进行对比,证明提出的方法具有更好的效果。     

改进的生物地理学优化算法在混合流水车间调度中的应用

调度问题是将有限的资源分配给各项不同任务的决策过程,其目的是优化一个或多个目标,它广泛存在于当今大多数的制造和生产系统中。混合流水车间调度问题是一般流水车间调度问题的推广,更接近实际的生产过程。采用一种新型的算法--生物地理学优化算法求解混合流水车间调度问题,通过引入改进策略,增强了算法的全局搜索能力和局部搜索能力,并提高了算法的收敛速度。通过10个标准调度算例的仿真研究,并与遗传算法进行对比,验证了改进后的生物地理学优化算法在求解混合流水车间调度问题方面的优越性。