吊车梁粗丝CO_2自动焊

某工程中有一批单腹板工字型吊车梁,其翼缘板宽度为400～600mm,厚度为18～22mm,腹板厚度均为1.4mm。上翼缘板与腹板的T型接头要求全部焊透。吊车梁长6～12mm。梁高1～1.5m,其材质均为16Mn。对于这样的工字型吊车梁,四条腰缝若采用埋弧焊,为了焊透腹板必需开坡口,正面根部焊道焊完后反面还要用气刨清根、打磨,而且每道焊缝要焊两遍,不但劳动强度大,而且生产效率低。我们经过认真分析,认为对于腹板厚度14mm的T型接头,在腹板不开     

可见光通信中自适应空间调制研究

针对可见光通信中MIMO系统的信道干扰问题,采用自适应空间调制技术,即发送端任一时刻只有一个发光LED处于工作状态来传输数据,接收端采用最大似然算法恢复原始信号,同时为优化误码率性能,加入自适应Fischer算法,发送端能够根据信道状态信息对各个子载波分配不同的比特,降低误码率.实验结果表明:在传输速率和发送功率一定的情况下,结合Fischer算法的空间调制技术能有效降低系统误码率,改善可见光通信系统的通信性能.     

用冷油喷射泵吸收胶液罐丁二烯尾气

我厂顺丁橡胶装置原设计采用列管式换热器,通入-7℃盐水冷凝回收胶液罐(以下简称胶罐)丁二烯尾气。由于装置设计不合理,使胶罐尾气达不到冷凝回收的目的,造成胶罐超压,被迫放空,污染环境,危及安全,增加单耗。我们参考了兄弟厂的经验,根据本厂工艺特点,采用了冷油喷射泵吸收胶罐丁二烯尾气的回收装置。     

基于增强迁移卷积神经网络的机械智能故障诊断

现有的基于深度迁移学习的智能诊断方法通常对源域和目标域特征对齐来减少两者分布差异,没有考虑源域类别决策边界对目标域特征匹配的影响,针对此不足,提出了一种增强迁移卷积神经网络（Enhanced transfer convolutional neural network,ETCNN）来改进机械设备在变工况下的诊断精度和泛化能力。为充分利用标签信息和提取高维特征,构建卷积神经网络和两个独立的分类器对源域数据分别训练,用于检测远离决策边界的目标域样本。为有效减少不同决策边界处样本的误匹配,进一步构建分类损失函数和分类器判别损失函数,并引入对抗训练策略,最大两个分类器的分类差异,同时最小化源域与目标域特征分布差异,实现目标域样本与源域样本自适应匹配,从而有效改进故障的分类性能。在滚动轴承数据集上对所提方法进行充分评估,并与其他三种深度迁移学习方法：域适配网络（Domain adaptive network,DAN）,多层域适配网络（Multi-layer DAN,MLDAN）,以及深度对抗卷积神经网络（Deep adversarial convolutional neural network,DACNN）进行充分比较,结果表明,所提方法不仅具有良好的分类能力和泛化能力,同时明显优于其他方法。     

粗丝CO_2自动焊的工艺研究及在钢结构制作中的应用

本文叙述了 CO_2保护焊的特点,介绍了φ3.2mm 粗丝 CO_2自动焊工艺研究成果及在钢结构制作中的各种应用。其中较详细地阐述了腹板厚度14mm 的吊车梁在腹板不开坡口的情况下,用φ3.2mm 粗丝CO_2自动焊解决 T 型接头焊透的工艺,阐述了厚板 H 型钢梁用粗丝 CO_2自动焊时,焊缝凝固裂纹产生的条件、工艺因素的影响、防止措施和合适的焊接工艺,为钢结构制作中进一步推广应用粗丝 CO_2自动焊提供了可靠的依据。     

一种用于故障分类与预测的多任务特征共享神经网络

智能故障诊断与预测技术在工业实际中得到了广泛地应用,但仍存在以下局限性:1)将不同退化程度的同类型故障作为多种不同的故障模式进行分类识别,脱离了工程应用的实际; 2)基于特定数据训练的诊断模型工况泛化能力差。针对上述问题,提出一种多任务特征共享神经网络,并将其应用于轴承的智能故障诊断与预测。首先,利用卷积神经网络(CNN)构建自适应特征提取器,从原始振动信号中提取深层次特征;其次,同时建立分类与预测的多任务特征共享诊断模型,实现故障类型分类以及故障尺寸预测。最后,通过凯斯西储大学轴承数据集验证了所提方法。试验结果表明:所提方法不但能同时实现对故障类型的分类以及故障尺寸的预测,而且具有较强的工况泛化能力。     

一种用于主轴轴承故障诊断的深度卷积动态对抗迁移网络EI北大核心CSCD

迁移学习智能故障诊断方法已经成为了机械设备故障诊断领域的一个研究热点。然而,大多数相关方法在迁移学习过程中未能合理地评估源域样本和目标域样本的相似性,且数据分布的差异会造成迁移诊断的结果不同。针对此问题,提出深度卷积动态对抗迁移网络用于主轴轴承智能故障诊断。该网络首先利用一维卷积神经网络从处理过的振动信号中自动提取特征集,然后利用动态对抗学习策略动态地调整条件分布和边缘分布在迁移学习过程中的重要程度,有效地提高迁移诊断的精度。通过数控机床主轴轴承故障诊断实验,验证了所提方法的有效性。实验结果表明,所提方法能够有效挖掘故障特征信息,实现不同工况之间的知识迁移,具有较好的应用价值。     

基于对称式对比学习的齿轮箱无监督故障诊断方法

针对跨工况下无监故障诊断特征提取难、模型泛化性弱的问题,提出一种基于对称式对比学习策略的齿轮箱无监督故障诊断方法。首先,利用原始信号构建正负样本集,通过加噪声、序列倒转等数据增强后,分别输入两个结构相同的卷积神经网络提取高维特征;其次,度量正负样本的相似程度进行编码学习数据的隐藏表示,通过对称式自监督对比学习优化正负样本的对比估计损失函数,从而有效利用样本自身标签信息,提升网络从无标签样本中学习判别特征的能力;最后,在齿轮箱数据集上对所提方法开展试验验证,通过聚类准确率、分类系数和划分熵进行综合评估。结果表明,所提方法聚类精度可达98%以上,相比其他方法,呈现了更强的聚类能力和泛化性能。