时变小样本条件下基于对比学习的故障诊断

时变工况下的故障诊断往往具有高度动态性,而小样本下模型学习受限使得问题更加棘手。针对上述情况,提出了基于对比深度卷积网络的故障诊断方法:首先,针对数据样本量小的特点,利用速度变化引起的振动数据分布差异,无需进行人工操作自然实现数据增强;然后,在数据处理过程中,采用不同转速下相同健康状态的振动数据作为正样本,同时将不同健康状态下的振动数据作为负样本,通过比较样本之间的相似度来提取关键特征,从而缩小正样本之间的距离,同时增大负样本之间的距离;最后采用对比训练方式进行训练优化,将对比损失和交叉熵损失加权组合作为综合损失函数,使模型在学习特征表示的同时能有效进行分类任务。将该方法分别应用于两种不同时变转速下轴承故障数据集进行案例研究。试验结果表明,所提模型不仅在特征提取和分类任务中表现优异,而且在数据匮乏和时变转速工况下均能实现高准确率的故障诊断。验证了所提模型在处理时变小样本数据方面表现出较高的可行性和有效性,且优于其他先进诊断方法。

MODS患者血清PPARγ变化研究

目的:探讨MODS患者(多器官功能障碍综合征)血清PPARγ(过氧化物酶体增殖物激活受体γ)变化情况。方法:以我院2013年9月至2014年9月收治的25例MODS患者为研究对象,对患者入院1d、7d、14d的血清PPARγ情况进行比较分析。结果:MODS患者血清PPARγ明显高于正常值,入院1d患者血清PPARγ为(41.61±24.54)pg/m L,入院7d患者血清PPARγ为(32.51±17.82)pg/m L,入院14d患者血清PPARγ为(18.41±11.59)pg/m L,随入院治疗时间增加患者PPARγ呈现逐步下降趋势,差异具有统计学意义(P<0.05)。结论:PPARγ可能参与MODS发展,MODS患者血清PPARγ变化可作为一项治疗靶点和病情判断指标。

一类连续模的一个性质

本文证明了每一个满足条件的连续模具有性质 关于所有正数v≤1/2和┃t┃≤1/2一致成立。

再谈剩余定理及不定方程

在《雁北师范学院学报》2002年4月第18卷第二期中有著文《最小公倍数的一个应用》,论文在结尾处应将剩余定理再演化一下,更加有结局性。