非色散红外气体传感器稳态扩散高斯分布浓度校正方法

流程工业中气体浓度测量至关重要。非色散红外传感器是一种基于不同气体对红外光吸收强度差异性测量气体浓度的传感器,气体浓度测量精度高,广泛用于流程工业中CO₂和N₂O气体浓度测量。非色散红外传感器内气体不均匀扩散使气体浓度测量会产生原理性误差,需要得到气体在传感器气室内达到稳态扩散时间降低浓度测量误差,提高测量精度。本文提出一种非色散红外传感器高斯分布扩散模型预测气体稳态扩散时间计算方法,14组不同条件下CO₂和N₂O的仿真实验得到本文提出高斯扩散模型的拟合度分别为0.82和0.80,验证所提出高斯模型预测气体稳态扩散时间的鲁棒性。本文所提方法非色散红外传感器浓度测量不均匀扩散产生误差补偿提供保障。     

边缘计算生成式对抗网络差分进化滚动轴承特征识别方法

滚动轴承是旋转机械系统中保障安全运行重要组成部分之一。开展滚动轴承特征识别具有重要理论实际应用价值。通常采用的深度学习滚动轴承特征识别方法，需要有监督标记数据或无监督故障数据参与训练，标签和故障数据不易获取，无法满足滚动轴承特征识别需求。本文提出了一种边缘计算生成式对抗网络差分进化滚动轴承特征识别EC-DE法。该方法训练过程采用健康数据训练生成式对抗网络，通过学习健康数据分布规律进行滚动轴承健康特征识别。边缘端对比输入样本与生成式对抗网络生成样本差异性进行识别，根据输入样本健康置信度提前退出，提高系统实时性；云端采用差分进化算法搜索生成式对抗网络生成器输入潜空间，获得输入样本对应生成器输入潜变量，提高识别精度。本文方法在CWRU滚动轴承公共数据集上的识别正确率达99.8%且对超参数不敏感，推理阶段耗时降低，具有实际生产应用价值。