基于联合抗噪算法的滚动轴承故障诊断研究

轴承通常工作于复杂噪声环境下,使得时域振动信号容易受到各种噪声的污染,从而误导诊断结果。针对以上问题,提出基于一维卷积自编码(1D-DCAE)和一维卷积神经网络(1D-CNN)的联合抗噪故障诊断算法。为了模拟真实噪声环境,在原始振动信号中添加不同信噪比的高斯噪声,用1D-DCAE对原始信号降噪,再将降噪信号用于1D-CNN进行故障诊断。基于全卷积神经网络搭建1D-DCAE模型,并舍弃池化层以降低信息丢失,以提高联合诊断模型的抗噪能力。结果表明:采用基于全卷积网络搭建的1D-DACE有更好的降噪效果,改进后的模型能自适应诊断各种噪声环境下的故障。     

基于深度强化学习的自动化集装箱码头集成调度方法

针对自动化集装箱码头卸货过程中岸桥、智能运输机器人和场桥设备交互作业, 实际调度环境复杂多变等问题, 以最小化最大完工时间为目标, 构建基于混合流水车间的三阶段集装箱码头集成调度模型, 为解决自动化码头调度环境动态性强的特点, 使用1种深度强化学习算法(DDQN)进行求解。依据码头实际调度情况, 使用神经网络实时拟合动作-值函数, 把各阶段设备状态数据输入模型, 采用经验回放机制训练模型, 把单一启发式规则加复合启发式规则作为设备候选行为, 通过强化学习动作选择与动作评估机制, 得到最优的集装箱-设备组合策略, 并与精确算法和常用的几种元启发式策略进行对比分析。结果表明: 较大规模算例下, 与目前较为先进的粒子群算法相比, 所提方法的总作业时间平均降低了7.84%, 与理论下界值的差距分别为6.0%, 5.6%, 4.6%, 三阶段设备负载较为均衡, 设备平均利用率为89%, 满足实际应用需求; 小规模算例下, 与Gurobi求解器的总完工时间平均误差为1.99%, 且随着算例规模增加, 所提算法在求解时间上显现出一定的优势, 求解时间最大提升59%, 验证了所提方法对于提升自动化集装箱码头运行效率的可行性和高效性。      

基于Adaboost的改进Elman神经网络港口吞吐量预测方法

为提高港口吞吐量的预测精度,建立基于Adaboost算法改进的Elman神经网络预测模型,进行吞吐量的预测.首先对Elman神经网络进行多次训练和迭代,然后将每个Elman神经网络作为弱预测器,基于Adaboost算法将多个弱预测器加权组合,形成Elman-Adaboost强预测器模型.经过Adaboost算法优化的强预测器对误差较大的数据样本有更强的识别能力,可以实现对数据的动态增强学习.以宁波-舟山港2011-2017年的港口吞吐量数据为样本进行仿真,分别使用BP神经网络、Elman神经网络、BP-Adaboost神经网络以及Elman-Adaboost神经网络进行预测,比较四种模型的预测精度.研究结果表明:Elman-Adaboost强预测器模型用于港口吞吐量的预测,预测结果的相对误差最大值1.91％,最小值0.06％,可以将预测误差控制在2％以下,数据拟合效果更好预测精度更高,可以作为港口吞吐量预测的一种方法.     

运用Qt集成的中国标准动车组显示屏模拟操作软件设计

中国标准动车组作为拥有完全自主化知识产权的高速动车组,已经在京沪线进行稳定的载客运营。为使用户在车辆运行期间的应急指挥更高效便捷,也减少主机厂为用户培训投入的人力成本,开发了中国标准动车组显示屏模拟操作软件。文中介绍了该软件整体的设计过程。     

基于扭转角与神经网络的船轴裂纹故障诊断研究

文章利用有限元分析软件对转矩载荷下的船轴裂纹进行分析,以不同裂纹状态下扭转角数据作为输入,裂纹参数作为期望输出,训练出定量诊断裂纹参数的神经网络,实现对船轴裂纹的故障分析。实验结果表明:扭转角可以作为船轴裂纹故障的诊断参量,该研究结果可作为船舶轴系故障诊断的理论依据。     

基于深度学习和监测数据的桥梁损伤识别方法

为了挖掘桥梁健康监测数据蕴含的大量隐藏信息,以及改进传统结构损伤识别方法的不足之处,提出了基于桥梁监测数据的损伤识别方法。从有限元模拟数据和实际监测数据中分别提取加速度响应,并对原始数据进行了预处理。通过卷积神经网络和栈式自编码网络分别对明州大桥监测数据的可视化图像和时间序列进行识别,同时与浅层神经网络方法的识别正确率对比。结果表明:基于深度学习和监测数据的损伤识别方法不论是通过图像识别还是通过时间序列识别,都表现出优秀的性能:识别正确率达85%以上。与浅层神经网络相比,深度神经网络的损伤工况分类能力更强,识别正确率提高20%以上。     

基于粒子群优化的深度随机神经网络

针对传统多层随机神经网络性能不稳定问题,提出了一类利用粒子群优化算法来优化各层权值的深度随机网络方法.该方法利用粒子群优化算法,结合网络的输入输出灵敏度信息,逐层对自动编码器的输入层权值进行优化,通过改善自动编码器的性能来改善多层随机神经网络的性能.最后利用粒子群优化方法,对整个网络的权值作适当优化,进一步提高深度随机神经网络的性能.相对于传统深度学习算法,该方法在保持收敛精度的基础上降低了时间开销;相对于传统深度随机神经网络,该方法在增加时间开销基础上提高了收敛精度,从而较好地平衡了时间复杂度和收敛精度.     

基于BP神经网络的齿爬式升船机横导向装置结构损伤识别*

为了准确有效地实现齿爬式升船机横导向装置的损伤识别，提出以固有频率变化率、应力、位移作为输入特征参数，由损伤结构分类器、损伤位置分类器、损伤程度分类器构成的结构损伤识别模型。以向家坝升船机横导向装置为例，对18种损伤状态下的横导向装置进行模态分析和静力学分析，得到1 646组训练样本和100组测试样本，分别采用BP神经网络、支持向量机和贝叶斯算法进行结构损伤识别模型的训练与识别准确率测试。结果表明：基于BP神经网络算法的横导向装置结构损伤识别模型对损伤结构、损伤位置、损伤程度的识别准确率分别为93%、90%和91%，比基于支持向量机、贝叶斯算法的识别准确率分别平均提高7%、13%，该模型能够有效准确地对横导向装置进行损伤识别。     

地铁闸机扇门机构故障时间序列预测研究

基于CNN+ LSTM混合神经网络构建故障时间序列预测模型，利用某型号地铁闸机扇门机构的故障数据进行实例分析，并与ARIMA、CNN和LSTM 3种单一预测模型对比。结果表明:CNN+LSTM混合神经网络模型的预测准确性较高，具有良好应用前景，研究成果可用于支持地铁闸机维修计划的制定和优化。