基于ConvLSTM的风机轴承寿命预测

针对普通滚动轴承寿命预测模型在提取特征过程中存在特征提取不充分、预测误差大等问题,提出了基于双通道的卷积长短时记忆网络(ConvLSTM)风机轴承寿命预测模型。首先,将原始轴承振动信号进行小波阈值去噪,去除振动信号中的噪声干扰;其次,为充分提取特征采用双通道提取振动信号特征,其中一路为轴承振动信号信息,另一路为频域幅值信号;然后,采用ConvLSTM模型进行特征提取,该模型可同时兼顾空间局部特征和时间序列上的依赖关系,具有良好的特征提取能力;最后,将两路特征融合深入到全连接层,输出模型预测结果;此外,为提高模型预测准确率,还对损失函数作了相应改进。实验结果表明,所提模型轴承剩余寿命预测误差百分比均在20%以下,其误差百分比小于其他基于深度学习的模型。

纳米花状MoO_(3−x)负极的制备及电化学性能

三氧化钼(MoO_(3))由于自身理论比容量高、热稳定性好以及二维层状结构,成为目前广受关注的锂离子电池负极材料之一。但是,由于MoO_(3)自身的本征导电率低以及转换反应过程中严重的体积膨胀,限制了MoO_(3)的大规模应用。本文通过质子−电子共掺杂以及高能纳米化方式,在MoO_(3)中引入了氧空位和纳米花结构,制备了纳米花MoO_(3−x)材料,并将其用作锂离子电池负极。通过引入氧空位以及进行纳米化处理,有效改善了材料的导电性能,扩大了范德华间隙,缓冲了材料在长期充放电过程中的体积膨胀。结果表明,所制备的纳米花MoO_(3−x)具有良好的锂离子存储性能,在2 A/g的电流密度下能够循环500圈,比容量能够达到591 mA∙h/g,显著高于以往报道的三氧化钼基负极材料。

基于SENet-ResNext-LSTM的风机轴承故障诊断

针对风机滚动轴承故障诊断需要提取大量复杂特征,提出一种基于注意力机制、ResNext网络和长短时记忆(Long Short Term Memory,LSTM)网络的并行轴承故障诊断模型。首先,将采集的一维振动信号进行预处理;然后,分两路输入到模型中提取特征,其中一路输入到嵌入注意力机制的ResNext模块中,注意力机制可以增加重要特征的权重,减少模型运算量,另一路输入到LSTM网络中提取振动信号在时间序列上的依赖关系;最后,将两路提取到的特征进行融合输入到Softmax层进行故障分类。实验结果表明,与目前基于深度学习的轴承故障诊断方法相比,所提方法在轴承故障分类准确率上表现更好。