结合改进ResNet与迁移学习的风力机滚动轴承故障诊断方法

为解决实际应用中风力机滚动轴承故障训练样本严重不足的问题,提出一种基于改进残差神经网络与迁移学习的小样本滚动轴承故障诊断模型。首先,该模型将挤压与激励网络嵌入到一维残差神经网络中,增加了模型的特征提取能力;其次,使用源域数据对所搭建改进残差神经网络模型进行训练,确定结构和参数,并使用L2正则化和Dropout机制抑制过拟合;然后,引入迁移学习,冻结使用源域数据训练好的部分模型参数,使用少量目标域数据对模型的全连接层参数进行微调;最后,对不同故障的样本进行分类。该方法在凯斯西储大学轴承数据集和本实验室轴承数据集上进行实验验证,实验结果表明:在不同实验条件下,所提方法与其他方法的计算结果进行比较,其均有更高的故障诊断准确度和更强的泛化能力。

小样本下自校正卷积神经网络的滚动轴承故障识别方法

针对实际工程中因故障样本数据稀少而导致模型识别准确率不高的问题,提出了一种基于自校正卷积神经网络(SC-CNN)的滚动轴承故障诊断模型,并将其应用于小样本条件下的故障识别研究。首先,为减少不同信号的数据分布差异,在每个卷积层后添加BN算法;其次,利用自校正卷积学习信号的多尺度特征,提高模型获取有用故障特征的能力;然后,引入通道自注意力机制,建立通道特征信息之间的相关性,用于突出故障特征并抑制数据过拟合;再将少量训练样本输入到模型中进行学习;最后,将各类不同条件下的故障信号输入到训练好的SC-CNN模型进行识别分类,并在两个数据集上进行实验验证。结果表明,所提模型在信噪比为-4 dB的强噪声环境下,识别准确率分别为98.64%和99.83%,在变工况条件下,识别准确率分别为94.37%和99.64%,验证了SC-CNN模型在小样本条件下具有较强的鲁棒性和泛化性能。

互联网+背景下国内二手车市场模式创新

以二手车市场模式为出发点,以市场模式的创新为基础,对国内二手车市场进行研究。将互联网与二手车行相结合,创新出新模式。从市场的定义、发展情况、理论模型、构成要素等几个方面来认清二手车市场的概念。对市场进行分析,从行业背景、市场现状、微观个体、商业模式等多维度进行综合性分析。简述国外二手车市场现状对我国有什么启发,以及互联网的发展趋势和如何在互联网背景下如何创造出新模式。目前c2c类交易模式虽然是主导地位,但也需要创新完善。最后,依据大数据时代新理论,为二手车市场提供创新方向。建设一个专业合规的"专业化私人服务的二手车服务平台"整合线上线下资源,为客户提供安全的消费保障。