基于离散小波变换和变分自编码器的滚动轴承剩余使用寿命预测

针对噪声导致轴承振动信号有效退化信息难以提取的问题,采用离散小波变换对信号进行分解得到细节分量和近似分量,提取多种敏感特征输入变分自编码器进行融合降维来构建综合性能退化指标,从而有效抑制信号中的噪声分量,获得更有单调趋势性的退化指标;引入经过超参数优化的长短时记忆网络构建滚动轴承剩余寿命预测模型,采用分层抽样方法划分数据集并输入预测模型进行试验验证,结果表明：基于离散小波变换和变分自编码器所得深层退化特征能有效表征轴承的退化信息,获得更精准的轴承剩余使用寿命预测结果。     

基于分布式深度神经网络的刮板输送机启停工况故障诊断方法

针对目前基于集中式云计算的深度学习模型在刮板输送机启停工况故障诊断中，因通讯量过大而难以满足实时性需求的问题，提出了一种基于分布式深度神经网络的刮板输送机启停工况故障诊断方法。采用深度神经网络对数据融合、数图转化后的刮板输送机监测数据进行特征自提取；在深度神经网络模型上添加引进卷积特征袋的分支结构，利用分支点将深度神经网络分为可以部署在边缘端的浅层部分和云端的深层部分；通过云边协同的推理方式，实现刮板输送机启停工况故障诊断。选用某矿刮板输送机真实运行数据进行了验证，结果表明，与经典的集中式云计算深度学习模型相比，该方法在保持99.5%最高精度的同时，通讯成本降低85.3%。