多输入Stacking模型融合滚动轴承故障诊断

针对现有单输入模型抗噪声能力不强、泛化能力不足的问题,提出了一种基于多输入Stacking模型融合的滚动轴承故障诊断方法。该方法对滚动轴承的原始振动信号进行预处理,分别对原始信号进行经验模态分解、变分模态分解和多分辨率分析,将3种预处理后的信号输入到改进的卷积神经网络和改进的双输入卷积神经网络中进行训练及测试;各模型通过Stacking方法进行融合,以实现滚动轴承各种类型故障的诊断。结果表明,多输入Stacking模型融合方法的诊断性能优于传统的深度学习模型,在信噪比为5 dB的条件下达到了98.9%的诊断准确率。该模型的故障诊断性能稳定,具有很好的鲁棒性和泛化能力。

DMA分区管理与评估系统——供水管网计量监测与漏损管理解决方案

本文从全球城市面临的共同难题供水管网漏损控制出发,主要介绍了DMA分区管理、漏损噪声在线监测以及区域压力控制管理及其优点,通过实例对应的在线监控数据,说明了管网漏损控制的预警、追踪、抢修及排除的实用价值.