基于RegNet-CSAM与ZOA-KELM模型的滚动轴承故障诊断

针对现有深度卷积神经网络对滚动轴承混合故障诊断效果不佳以及模型复杂度过高导致计算成本过大等问题,提出了一种基于RegNet-CSAM与ZOA-KELM模型的滚动轴承故障诊断方法。该模型由RegNet-CSAM网络和ZOA-KELM分类算法组成。首先,将融合了通道和空间特征的注意力机制CSAM与组卷积残差模块结合,提升该结构的表征能力,由此构建的RegNet-CSAM网络,模型复杂度为0.48GF;其次,在分类阶段将斑马优化核极限学习机(ZOA-KELM)替代原来网络中使用的Softmax函数完成最后的分类任务。滚动轴承故障诊断试验结果表明,RegNet网络对滚动轴承混合故障样本容易产生误判,CSAM的融入虽将RegNet网络的分类精度进一步提高,但是仍然存在一定程度的滚动轴承混合故障误判问题;而将ZOA-KELM替代Softmax函数后再对RegNet-CSAM网络输出特征进行分类,能够有效识别出滚动轴承的单一和混合故障,准确率达到了99.92%。所提方法对比其他网络,诊断精度最大提升5.02%,模型复杂度最大缩减32倍。

基于变分模态分解与流形学习的滚动轴承故障特征提取方法

提出了一种基于变分模态分解(VMD)和局部切空间排列算法(LTSA)相结合的滚动轴承早期故障诊断方法。首先利用VMD算法分解圆柱滚子轴承不同运行状态下的振动信号,通过求取瞬时频率均值并绘制特征曲线筛选出与原始信号最为相关的几个分量;然后,提取有效模态分量的时域指标和小波包频带分解能量所构成的频域指标,两者结合初步提取高维故障特征后,再应用LTSA对故障特征进行二次提取;最后输入到K-means分类器进行故障类型识别;通过对圆柱滚子轴承故障诊断的对比实验分析,发现:(1)与时频特征+LTSA、EMD+LTSA特征提取方法相比,VMD+LTSA方法在分类效果和识别精度上更具优势;(2) LTSA算法相比较于PCA、LPP、LE、ISOMAP和LLE这5种算法,其降维后的特征故障敏感性最好。研究结果表明所提出的方法在圆柱滚子轴承故障诊断方面具有一定的优越性。

分子生物学教学改革的探索

根据 2 1世纪人才培养要求 ,开展以更新教学内容 ,探讨新的教学方法和引入新的教学手段为内容的教学改革 。

多次弹塑性撞击实验系统的设计与数值仿真

为了实验测量柔性撞击过程中的次撞击行为及其动力学响应,该文设计了一套多次弹塑性撞击实验系统。对该实验系统进行的三维动力有限元数值仿真结果表明,该系统可以激发出多次弹塑性撞击,有效地模拟几种典型构件之间的次撞击行为。采用数值仿真方法研究了测试梁材料、支承方式等对次撞击过程的影响,确定了满足实验要求的撞击力和梁位移测试性能指标。

基于VMD-ICMSE和半监督判别SOINN L-Isomap的滚动轴承故障诊断

针对从滚动轴承非线性、非平稳振动信号中提取故障特征困难的问题,提出一种基于半监督判别自组织增量学习神经网络界标点的等度规映射(SSDSL-Isomap)的滚动轴承故障诊断方法。利用基于变分模态分解的改进复合多尺度样本熵(VMD-ICMSE)从复杂域提取振动信号的故障特征,构建高维故障特征集;采用SSDSL-Isomap方法对高维故障特征集进行维数约简,提取出利于识别的低维、敏感故障特征子集;应用粒子群优化极限学习机(PSO-ELM)分类器对低维故障特征进行故障识别,判别故障类型。VMD-ICMSE方法集成了VMD自适应分解非线性信号与ICMSE衡量时间序列复杂性程度的优势,提高故障特征提取能力;SSDSL-Isomap方法综合了全局流形结构、半监督型双约束图构建以及SOINN界标点选取的优点,增强故障分类能力。调心球轴承故障诊断实验分析结果表明,该方法对实验数据的故障识别率达到100%。

球-梁弹塑性次碰撞的试验研究和数值仿真

次碰撞是柔性结构碰撞时特有的物理现象。为观测和深入研究这一现象,专门研制了一套柔性结构次碰撞试验平台。借助该试验平台,结合Hertz碰撞理论和动态子结构方法,对钢球坠落碰撞简支梁过程进行了详细的试验测试和数值仿真,观察到了复杂的次碰撞现象,深入探讨了次碰撞的碰撞接触时间规律和主要影响因素。研究结果表明,动态子结构方法可以作为球-梁弹塑性次碰撞行为分析的一种有效的数值计算手段。研究发现,在低速碰撞时Hertz碰撞理论所揭示的碰撞接触时间规律仍然适用于首个次碰撞过程,表明局部接触变形主导了首个次碰撞过程。次碰撞现象一旦发生,将导致简支梁碰撞端位移响应的前三阶振幅比和第一阶相位角均发生明显的变化。进一步的探讨则发现,次碰撞的发生与球-梁质量比、碰撞初速度和碰撞位置等因素密切相关,若用质量比来度量次碰撞的发生条件,发现存在一个质量比阈值,只有满足该质量比阈值,才会出现次碰撞。

拟南芥APETALA1基因在花发育中的网络调控及其生物学功能

为了阐明拟南芥花分生组织特征基因——APETALA1(AP1)基因在开花调控网络的中心位置,笔者重点综述了AP1在花发育中的网络调控及其生物学功能,探讨了花发育机制的研究重点。AP1既是花分生组织决定基因,也是花器官发育特征基因,处于成花调控网络的关键位置。AP1基因需要通过与其他调控基因的相互作用,决定花分生组织的形成、花芽的起始及花器官的发育。

基于遗传算法的高阶模糊BP神经网络在齿轮故障诊断中的应用

将模糊逻辑理论和遗传算法引入高阶BP神经网络中 ,讨论了高阶模糊BP神经网络的特征值的提取、结构、特点、二阶算法以及遗传算法 ,并将该神经网络模型用于齿轮的故障诊断中 ,试验表明基于遗传算法的高阶模糊BP神经网络对齿轮故障模式具有稳定、准确的识别能力 ,是一种行之有效的新型诊断方法。

基于小波包分析和改进自适应遗传算法的齿轮故障诊断

齿轮是传动系统中最重要的元件之一,针对齿轮故障问题,在综合小波包降噪、模糊逻辑、高阶BP网络、改进自适应遗传算法各自优点的基础上,提出了一种基于小波包分析和改进自适应遗传算法的齿轮故障诊断新方法。试验证明,这种方法与传统方法相比,无论在分类精度,还是对训练总误差控制方面都具有更大的优势。

基于工程教育认证体系的机械设计制造及其自动化专业人才培养方案研究

机械设计制造及其自动化专业对照工程教育认证标准的具体要求,建立了适应国际工程教育认证要求的人才培养体系,提出了以培养具有一定国际视野和创新精神的应用型专业技术骨干为目标的人才培养方案,为新形势下高等工程教育的人才培养模式改革和课程体系建设提供了有益的参考。

自适应遗传算法在滚动轴承故障诊断中的应用

提出了一种基于自适应遗传算法的滚动轴承故障诊断方法。实验表明,该方法对滚动轴承故障模式具有稳定、准确的识别能力,是一种行之有效的新型诊断方法。

石蜡切片制作中小鼠某些器官三维结构变化的数据测试

通过对小白鼠某些器官在石蜡切片过程中回缩率 (或膨胀率 )范围的测试 ,为再现上述器官的形状大小提供了依据。

蒲公英过氧化物酶(POD)同工酶的测定

采用聚丙烯酰胺垂直板凝胶电泳方法 ,对蒲公英不同器官、不同生长期 POD同工酶进行测定分析 ,结果表明蒲公英的 POD同工酶具有一定的器官特异性和稳定性。

基于小波包分析和高阶模糊神经网络的滚动轴承故障诊断

滚动轴承是旋转机械中最易发生故障的元件之一,提出了一种基于小波包分析和高阶模糊BP神经网络的滚动轴承故障诊断新方法。该方法的具体诊断过程:采用小波包分解的方法提取样本信号各频段的Shannon熵值并结合其他一些量化指标,经筛选后作为特征向量输入滚动轴承故障诊断高阶模糊神经网络,对该网络进行训练与检验。实验表明这种方法与传统方法相比,在收敛速度及对训练总误差控制方面具有更大的优越性。

频谱分析法在齿轮箱故障诊断中的应用

利用各种频谱分析手段(细化功率谱和倒频谱)对某轧钢厂齿轮箱振动信号进行了全面分析,发现整个传动装置产生的不平衡导致齿轮箱振动异常,经过装配调整,并做了动平衡试验,有效地解决了这一问题。

当归对D-半乳糖衰老模型小鼠抗氧化系统的研究

目的 :探讨了不同剂量的当归对 D-半乳糖所致衰老小鼠的抗衰老作用。方法 :测定 D-半乳糖 (D- gal)诱导的亚急性衰老小鼠大脑皮层 SOD活性、L PF含量、Ca2 + - ATP酶活性 ,观察当归对上述指标的影响 ,同时不同的给药剂量间进行了比较。结果 :当归能明显提高小鼠大脑皮层 SOD、Ca2 + - ATP酶活性 ,降低 L PF含量 ,当归高剂量抗衰老效果较理想。结论 :当归可明显提高衰老小鼠抗氧化能力 。

高阶模糊BP神经网络及其在滚动轴承故障诊断中的应用

将模糊逻辑理论与高阶BP神经网络结合起来,讨论了高阶模糊BP神经网络的结构、特点、二阶算法以及隶属函数的确定。并将该神经网络模型用于滚动轴承的故障诊断中,试验表明高阶模糊BP神经网络对轴承故障模式具有稳定、准确的识别能力,是一种行之有效的诊断方法。

东北地区拟南芥室内栽培技术

结合东北地区气候特点摸索出一套适合拟南芥生长的室内栽培方法。采用土壤育苗法和基质育苗法培养拟南芥,并根据其生物学特性在温度、光照、肥水管理、病虫害防治等方面给予适当管理,能培养出生长健壮、满足实验要求的拟南芥植株,为拟南芥在东北地区种植提供参考资料。

基于RTSMFE、M-KRCDA与COA-SVM的行星齿轮箱故障诊断

针对从行星齿轮箱非线性、非平稳振动信号中提取故障特征困难的问题,提出了一种基于精细时移多尺度模糊熵(refined time-shift multiscale fuzzy entropy,RTSMFE)、马氏距离的核正则化共面判别分析(Mahalanobis-kernel regularized coplanar discriminant analysis,M-KRCDA)以及郊狼优化算法优化支持向量机(coyote optimization algorithm-support vector machine,COA-SVM)的行星齿轮箱故障诊断方法。首先利用RTSMFE计算和组合行星齿轮箱原始故障信号的特征向量,构建原始高维故障特征集;然后采用M-KRCDA的特征筛选方法,减少了特征的维数并提高特征故障识别的准确性和效率;最后将低维特征输入到COA-SVM进行故障类型的判别。行星齿轮箱故障诊断试验结果分析表明,所提方法能够准确识别行星齿轮箱的常见故障,具有一定的应用前景。