基于多通道输入CNN-SVM的齿轮箱故障诊断

为了有效地识别旋转机械的早期故障,采用一种多通道输入连续卷积神经网络支持向量机(CNN-SVM)早期故障诊断模型。模型将来自多个传感器采集不同方向、位置的原始数据直接输入到改进的CNN模型中进行训练。利用改进的CNN从新的原始故障数据中提取特征,将提取的稀疏代表特征向量输入到SVM中进行故障分类。将所提方法应用于齿轮箱多通道振动信号监测数据的诊断。与改进CNN和主成分分析—支持向量机(PCA-SVM)方法对比分析,所提方法的准确率为99.94%。结果表明:多通道输入CNN-SVM模型诊断精度更高,检测速度更快。

基于深度卷积神经网络的水面漂浮物分类识别

为解决水面漂浮物的分类回收问题,在深度学习框架下,基于深度卷积神经网络(DCNN)提出了用于水面漂浮物的分类识别模型。使用电荷耦合器件(CCD)相机采集各类漂浮物的图像,通过平移旋转、随机裁剪、仿射变换和添加噪声的操作进行了扩充并建立了训练和测试数据集。通过对低层特征自动分层地学习提取抽象的高层特征,基于提取的高层特征,用SoftMax分类器进行训练。实验结果表明:漂浮物的分类准确率可达98.46%,从而验证了所提模型对于水面漂浮物分类识别的可行性与有效性。

基于粒度计算与模糊规则的钢卷仓储吞吐量长期预测

为了实现对钢卷仓储吞吐量的长期预测,以便帮助钢铁物流园区提前规划库位分配和装备准备,降低物流成本和物流园区的空置率,提出基于粒度计算和模糊规则的钢卷仓储吞吐量长期预测模型。通过时间序列分解模型将原始时间序列分解,分别将分解后的数据划分为多个数据粒并对其进行聚类,根据信息粒的类别建立模糊逻辑关系。根据模糊规则实现对未来7天的预测并不断迭代实现对四周的吞吐量预测。选用某无水港2014年至2018年的吞吐量数据进行验证,实验结果表明:所提出的预测方法结果能够满足钢铁物流规划需求,长期预测精度高于ARIMA模型。