流形结构化半监督扩展字典学习的旋转设备故障诊断

针对有标签数据不足及传统故障诊断模型判别性差的问题,本文提出一种流形结构化半监督扩展字典学习(MS-SSEDL)的故障诊断方法.首先,为改善缺少有标签数据而导致模型的识别性能较差问题,在MS-SSEDL模型中提出无标签数据重构误差项,利用无标签数据学习置信度矩阵,从而学习得到扩展字典以增强字典学习的表示性.然后,为增强MS-SSEDL模型的判别性,通过保存数据的流形结构,学习数据中内在几何信息的稀疏表示,增强信号表示能力及字典判别性.最后,在数字图像、轴承故障及齿轮故障公共数据集的实验表明所提MS-SSEDL方法比其他先进方法的识别性能更优越.     

基于多元时间序列特征解释CNN的阳极效应识别方法

阳极效应的识别对于保证工业铝电解槽稳定运行和精细化控制具有重要意义。针对阳极分布电流数据高维、变量之间相互影响的特点,以及提高卷积神经网络(CNN)可解释性会影响模型性能的问题,提出一种用于阳极效应识别的多元时间序列特征解释CNN模型。与先进的多元时间序列分类器对比的实验结果表明,该模型能够达到较高的阳极效应识别准确率。