基于1D-DCGAN和1D-CAE的小样本轴承故障跨域诊断方法

充足的故障样本是基于深度学习的故障诊断方法取得良好效果的保证。然而,数据不平衡是工业大数据的典型特征。为了减小智能诊断方法对样本数量的依赖,同时为了解决小样本下同种设备以及不同设备间的故障诊断问题,提出了一种基于一维卷积生成对抗网络(1D-DCGAN)与一维卷积自编码器(1D-CAE)的轴承故障诊断方法。首先,利用一维卷积层构建了1D-DCGAN网络,凭借其强大的数据生成能力扩充了故障数据集;然后,利用一维卷积层构建了1D-CAE网络,通过无监督学习的方式,有效地提取出了故障样本中的潜在特征,实现了对设备的故障诊断功能;基于迁移学习思想,通过对1D-CAE模型参数进行迁移,进一步地对小样本下的轴承故障进行了跨域诊断;最后,为验证基于1D-DCGAN和1D-CAE的轴承故障诊断方法的效果,采用了美国凯斯西储大学(CWRU)以及西安交通大学(XJTU)轴承数据集进行了实验。实验结果表明：基于1D-DCGAN和1D-CAE的方法明显优于其他对比模型,同种设备的故障识别精度达到了99.21%,不同设备之间的跨域故障识别精度达到了98.87%。研究结果表明：即使在样本数量较少的场景下,基于1D-...     

石墨烯纳米复合材料的降阶均匀化方法及其数值实现

对石墨烯纳米复合材料进行三维有限元建模通常需极其精细的网格。在考虑塑性演变的情况下,细观代表性单元体模型的计算效率极其低下。为此,基于非均匀变换场分析理论,提出了石墨烯纳米复合材料的降阶均匀化方法。首先,针对不同加载路径进行预分析,提取细观塑性应变场信息;然后对这些信息进行本征正交分解,从而得到若干个塑性模态,用作降阶模型的基函数;基于宏、细观耗散功的等效原理,导出降阶变量的本构模型。该方法的离线分析部分通过MATLAB编程实现。为了便于工程计算,在线分析部分则由商业有限元软件ABAQUS的UMAT用户子程序接口实现。基于三维算例分析,验证了所提方法的有效性。结果显示,在保证较高精度的前提下,针对三维代表性单元体计算的加速率可达103~104量级。