考虑滚动轴承故障位置与损伤程度的双分支卷积神经网络故障诊断方法

针对现有深度学习方法对非平稳的滚动轴承故障诊断过程中,先验故障信息利用不充分和故障样本不完备,导致诊断精度不高甚至无法诊断的问题,充分发掘轴承故障位置和损伤程度与振动数据特征间的映射关系,提出一种考虑滚动轴承故障位置与损伤程度的双分支卷积神经网络故障诊断方法。该方法首先将原始振动信号矩阵化,构建二维灰度图像数据集,然后建立双分支的改进VGGNet深度卷积网络,将故障位置与损伤程度进行双标签二值化,每个分支独立提取深层特征,实现故障位置和损伤程度特征与标签的自适应。仿真实验结果表明:相较其他深度学习方法,所提方法能够在部分先验知识缺失条件下,实现滚动轴承潜在的不同故障位置及损伤程度的多状态分类,获得较高准确率的同时兼具良好的抗噪性能。

基于混沌映射与飞行策略的短文本分类算法

针对极限学习机对文本分类所存在分类精度低的问题,使用结合变压器的双向编码器(BERT)和改进极限学习机(ELM)的短文本分类算法,提出引入Lévy飞行策略的混沌优化麻雀搜索算法(Lévy-CSSA)对ELM的权重与偏置进行寻优。该算法采用混沌映射使初始个体尽可能分布均匀,以增加初始种群的多样性,利用Lévy飞行搜索策略提高全局搜索能力。以电力客服工单为对象验证,结果表明,使用该方法可以更好地表达电力客服工单语义信息,相比所列举的其他经典模型,F_(1)值有明显提升,从而验证了模型的有效性。