基于动态HMM和离散SPC的空调机组的故障诊断

为了精确诊断暖通空调机组的故障,提出了一种动态隐马尔可夫模型。该模型可以精确且高效地描述设备状态的动态变化以及设备间的故障传递,因此可以通过估计设备的离散状态来诊断故障。为了滤除由于测量噪声和模型误差引起的错误状态估计,提出了一种适用于离散情况的统计过程控制方法。仿真数据以及真实数据被用来验证提出的故障诊断方法。实验结果表明,与其他方法相比,该方法能以较低的误报率和漏报率诊断出故障。     

基于MHA与LSTM的滚动轴承性能退化趋势预测

滚动轴承是机械传动设备的重要组成部件,对其进行性能退化趋势预测是保障设备安全稳定运行的关键。为了提高滚动轴承性能退化趋势预测的准确性,提出一种多头注意力机制（Multi-head-attention, MHA）与长短期记忆网络（long short-term memory, LSTM）相结合的滚动轴承性能退化趋势预测方法。首先构建时域、频域、时频域和威布尔参数的多域特征,并根据综合性能退化指标对多域特征进行筛选。其次,采用注意力机制增强关键特征的权重,并采用PCA进行特征融合,进一步采用LSTM模型预测滚动轴承性能退化趋势。最后,采用NSF I/UCR中心的轴承疲劳寿命实验数据对本文所提出的方法进行验证,并与其他几种模型进行对比分析,表明本文所提出的方法可以更加准确地预测滚动轴承性能退化趋势。     

基于卷积神经网络的高速列车抗蛇行减振器故障诊断

由于抗蛇行减振器在服役过程中发生故障会严重威胁到列车的运行安全，提出一种基于卷积神经网络的抗蛇行减振器故障诊断方法。采集的阻尼力信号通过短时傅里叶变换得到时频图谱，并将其划分为训练集和测试集；然后将训练集输入卷积神经网络模型中，进行训练样本信号的特征提取工作，通过前向传播和反向传播方式得到卷积神经网络的具体模型，并通过多次迭代更新网络参数；最后，将训练好的模型用于测试集，获得蛇行减振器故障诊断的准确率。为了验证模型的有效性，选用正常状态、启动不良和锯齿波故障数据作为实验验证，结果表明：该方法不仅避免了传统诊断方法需要人工提取特征带来的问题，且具有较好的诊断效果。     

多传感器融合和 MHA-LSTM 的电机轴承剩余寿命预测

轴承作为电机的核心部件, 主要起到支撑引导轴、 减小设备摩擦、 连接不同设备等作用, 其剩余寿命预测对系统健康 管理起着十分重要的作用。 针对单一传感器信号通常难以全面描述系统的潜在退化机制, 论文提出一种基于多头注意力机制 和长短时记忆神经网络的电机轴承剩余寿命预测模型。 首先, 基于马氏距离确定轴承性能退化起始点, 将滚动轴承全寿命周 期分为正常阶段与退化阶段; 其次, 使用自编码器自动提取振动信号特征, 并将其与电机电流、 轴承温度融合, 构成多源信息 特征矩阵; 然后基于多头注意力机制和长短时记忆网络模型动态选择相关度较高的特征, 提高寿命预测的准确性。 最后, 采 用实验数据进行验证, 结果表明所提出的模型具有更高的准确性。     

农田土壤汞污染修复技术研究

对揭阳市某农田土壤重金属污染现状进行了研究,提出深翻混合、深翻置换和分层置换3种不同的汞污染修复技术,并在现场分别开展试验研究,对修复技术的方法、应用、效果进行了介绍.研究结果表明,采用深翻置换和分层置换技术可以达到修复目标,为今后开展农田汞污染修复治理提供借鉴意义.     

基于AELSTM 模型迁移学习的滚动轴承剩余寿命预测

滚动轴承是机械设备中的重要零件,其工作状态直接关系着设备的运行,一旦发生故障会引起整个设备的正常运行,甚至引发重大的安全事故,因此,对其剩余寿命预测对设备的健康管理具有重要意义。提出了一种基于自编码-长短时记忆网络(autoencoder-long short term memory, AELSTM)迁移学习(transfer learning, TL)的滚动轴承剩余寿命预测方法,首先采用自动编码器自动提取源域中原始振动信号中的特征,再构建双层LSTM模型对剩余寿命进行预测,通过源域中训练获得AELSTM模型,再用目标域中的数据对AELSTM模型训练,完成对模型参数的微调,最后用调整好的模型对目标域中的数据进行预测。通过参数共享和微调两种方法,大大简化了模型在目标域上的训练过程。试验结果表明,在同轴承不同工况下,所提出模型相比于其他4种迁移学习方法的均方根误差分别降低了45.9%、58.9%、42.8%以及83.8%;在不同轴承不同工况下,所提出模型的均方根误差分别降低了16.9%、18.9%、11.7%以及8.9%。