基于自然语言处理的工艺检测分类方法研究

主要研究了基于自然语言处理和机器学习算法的制造工艺公差检测文本分类的模型,针对传统的工艺公差检测任务人工分类难度大、效率低、易出错等问题,提出一种基于自然语言处理的深度学习建模方法。通过对大量真实的制造企业工艺检测工序短文本数据进行预处理,采用Jieba分词工具提取词干、去停用词,将关键词映射到高维度的向量中作为机器学习模型的特征向量,采用CNN模型、LSTM模型和GRU模型等机器学习神经网络算法进行训练以建立文本与类别标签值的联系。将模型用公差检测文本实例进行验证,结果表明所提出方法训练得到的模型可辅助检测人员完成公差检测任务分类,且在准确度与效率方面优于传统人工的方式。

基于深度学习的高压油泵可靠性试验故障分析方法研究

介绍了船用柴油机高压油泵可靠性试验平台的系统架构,开展了对试验数据的清洗处理和基于机器学习的试验典型故障的研究。利用TensorFlow平台对试验中两种典型故障进行原因分析和模式识别,建立高压油泵可靠性试验故障诊断模型。结合柴油机高压油泵可靠性试验中大量反复出现的故障数据进行训练,大大提高了故障诊断模型的准确度,为高压油泵生产研制部门提供应急故障处理方案提供了依据,为实现船舶动力行业智能诊断提供了新的思路。

高速电磁阀驱动电路故障诊断与补偿系统研究

为了满足船用柴油机高速电磁阀高速响应特性,设计了基于高、低电压的双电源驱动和自举悬浮的驱动电路,根据驱动电路在正常工作情况和不同故障状态下的峰/保驱动电流波形的特征,设计一种基于电流波形特征值的高速电磁阀驱动电路的故障诊断方法,对不同的故障进行原因分析,并针对有电流输出的故障给出了应对补偿措施,故障诊断和补偿电路简单,只需要占用较少的CPU资源。试验表明,该系统能够实时地检测出高速电磁阀驱动电路的故障,并且能实时地保护电路,应急补偿控制电路和算法能根据故障类型快速地调整驱动电路和电流波形参数等,以维持各缸喷油的均匀性。