商业银行数字化转型对中小企业融资的影响研究

中小企业在我国经济发展中占有举足轻重的地位,商业银行数字化转型构建起了数字金融新生态,能够更加有效地服务于实体经济,对于中小企业的融资起着促进作用。数字经济时代,数字化转型已成为银行业转型升级的战略手段。基于此,分析商业银行数字化转型对中小企业融资的影响,探讨商业银行数字化转型助力中小企业融资存在的问题,提出推动商业银行数字化转型的对策建议,以更好地为中小企业提供融资服务。

结合VMD符号熵与SVDD的滚动轴承性能退化评估

针对滚动轴承的早期故障难以检测的问题,提出了一种基于变模态分解(Variable mode decomposition,VMD)符号熵和支持向量数据描述(Support vector data description,SVDD)的滚动轴承性能退化评估模型。首先对振动信号进行VMD分解并提取各个分量符号熵,并采用双样本Z值对各个分量符号熵进行评价,选取双样本Z值最大的特征作为特征向量。特征提取完毕后,采用SVDD模型进行性能退化评估,使用全寿命数据进行模型的验证。实验结果表明,相比于排列熵特征提取方法以及模糊C均值聚类(Fuzzy c-means clustering,FCM)方法,该模型可以更好显示出滚动轴承性能退化规律。

结合DSHDD和模糊评价的滚动轴承退化状态在线识别

提出一种用自适应噪声辅助的集合经验模态分解(CEEMDAN)和能量熵结合提取振动信号的特征的方法,将特征输入到双超球数据域描述(DSHDD)模型中,再将得到的结果输入到隶属度函数中,计算隶属度,以此作为性能退化评估的指标。使用3σ设置自适应阈值,确定轴承早期失效阈值。用CEEMDAN和Hilbert包络解调的方法验证评估结果的正确性。最后利用美国辛辛那提大学的轴承全寿命周期数据验证该模型的有效性和实用性。

数据驱动下的滚动轴承性能退化评估研究综述

随着科学技术的发展、工业技术的不断创新,机械设备越来越重要,机械设备的健康状况也越来越受重视。基于数据驱动理论对国内外滚动轴承的特征提取方法和性能退化评估模型进行综述,分析了各种方法的优缺点,并对滚动轴承性能退化评估技术进行展望。

基于特征优选和GA-SVM的滚动轴承智能评估方法

针对滚动轴承等旋转机械设备零部件的退化状态识别问题,研究并提出一种基于支持向量机(support vector machine,SVM)的智能评估方法。对于在线持续输出的轴承振动信号,采用时域方法和集成经验模态分解(ensemble empirical mode decomposition,EEMD)能量熵提取轴承特征,并基于相关性、单调性和鲁棒性进行特征选择。综合考虑三个指标,计算选择准则,得到最终的退化特征。针对SVM参数选择困难问题,使用遗传算法(genetic algorithm,GA)优化SVM参数,确定参数最优值。定义轴承性能退化指标,用三种不同故障类型的轴承数据训练模型。分别输入不同故障的轴承全寿命周期数据,得到轴承故障的类型和性能退化曲线,确定早期故障点,并对方法进行对比和验证。实验表明,模型故障诊断平均准确率为97.69%,性能退化评估曲线结果准确,早期故障检测能力强。

双通道特征融合CNN-GRU齿轮箱故障诊断

旋转部件是否发生局部故障,关键是判断其振动信号在空间上是否出现周期性冲击以及周期大小。卷积神经网络(CNN)善于挖掘数据空间上的局部重要的信息特征,具有“端对端”的优势,从而克服了人工提取特征的缺陷;由于振动信号在时间维度上也蕴含着丰富的信息,而长短时记忆网络(LSTM)善于从动态变化的序列数据中学习到时间上的关联性;门控递归单元(GRU)属于LSTM的变种,但相对于LSTM结构更加简洁,参数的数量更少,因此将CNN的空间处理能力和GRU时序处理能力的优势结合,提出一种双通道特征融合CNN-GRU齿轮箱故障诊断方法;即采用并列式结构令CNN与GRU双通道同时提取齿轮箱原始振动信号的故障特征,然后将双通道提取的特征向量合并成一个融合特征向量,输入到SoftMax进行故障分类。该方法可以直接从原始振动信号自适应提取到空间和时序的融合特征,实现了“端对端”的故障诊断。用齿轮实测数据和西储大学轴承数据进行验证,试验结果表明,所提方法识别准确率较高,具有实用性和可行性。

基于CEEMDAN和PSO-OCSVM的滚动轴承性能退化评估

为了提高单分类支持向量机(one class support vector machine, OCSVM)在滚动轴承性能退化评估的准确性,提出了一种基于具有自适应白噪声的完备经验模态分解方法(complete ensemble empirical mode decomposition with adaptive noise, CEEMDAN)、粒子群优化算法(particle swarm optimization, PSO)和OCSVM相结合的性能退化评估方法。首先采用CEEMDAN将采集的振动信号计算展开为多个固有模态函数(intrinsic mode functions, IMFs),根据IMFs的能量密度获得典型的特征信号;其次,通过粒子群算法优化OCSVM的参数ν和径向基核函数参数g,增强OCSVM的学习能力和泛化能力;最后,使用3σ设置自适应阈值,确定轴承早期失效阈值并用CEEMDAN和Hilbert包络解调的方法验证评估结果的正确性,采用辛辛那提大学的轴承实验全寿命数据验证所提模型的有效性。结果表明,PSO算法优化OCSVM的模型可以准确地对轴承运行全寿命状态监测,与支持向量描述(support vector data description, SVDD)和参数自选的OCSVM模型相比,该方法的性能退化评估模型更有效和优越。

基于AR能量比和SVDD的滚动轴承性能退化评估

滚动轴承在长期工作过程中存在不同程度的性能退化。如果能够识别滚动轴承的退化状态,就可以采取维修措施。针对滚动轴承性能退化评估问题,提出了一种基于振动信号自回归模型(Autoregressive model,AR)能量比和支持向量数据描述(Support vector data description,SVDD)相结合的滚动轴承性能退化评估方法。首先用AR滤波得到轴承全寿命周期内振动信号的剩余分量,计算能量比作为轴承状态的特征向量;然后利用轴承正常状态下的特征向量对SVDD进行训练,得到正常状态下的超球面。轴承全寿命周期样本特征向量与超球面之间的相对距离作为轴承性能退化定量评估指标;最后设定早期故障报警阈值。结果表明,与常见的监测指标的性能退化评估方法相比,该方法的早期故障检测能力强,对轴承各阶段性能退化状态描述更为准确。

基于AR能量比-FCM的滚动轴承退化状态定量评估

在长期的使用过程中,滚动轴承的使用性能会发生不同程度的退化,如果能对工作中滚动轴承的退化程度定量评估,则可以避免事故的发生。使用自回归模型对滚动轴承全寿命周期的振动信号进行滤波,计算滤波后剩余分量能量与滤波后信号能量的比值,即AR能量比,以此作为特征向量。采用min-max标准化方法处理得到的特征向量,输入到建立好的模糊C均值(FCM)模型中,得到性能退化指标DI值,并描绘出性能退化曲线。对信号进行包络谱分析,验证评估结果的正确性。

基于融合FCM-SVDD模型的滚动轴承退化状态识别

针对滚动轴承在长期工作过程中性能会出现不同程度的退化,提出一种融合FCM-SVDD模型的方法。利用自回归模型(AR)对轴承全寿命周期数据进行特征提取,再将提取的特征参数经过归一化处理后,用正常和失效样本特征建立模糊C均值(FCM)模型,用正常样本的特征数据建立支持向量数据描述(SVDD)模型,再将测试样本特征输入建立的FCM和SVDD模型得到的两个退化指标,将得到的退化指标作为特征矩阵输入到FCM模型,得到融合方法的性能退化曲线。描绘性能退化曲线,并对信号进行包络谱分析,验证初始故障位置。结果表明该方法对轴承初始故障点更加敏感,退化趋势更加明显,利用美国辛辛那提大学智能维护中心的轴承全寿命周期数据验证该方法的有效性和优越性。