一种基于小样本声音信号的托辊故障诊断方法

基于深度学习的故障诊断方法对数据集的质量有很高要求,需要大批量数据才能进行良好的模型训练,从而实现准确的故障诊断,而在实际应用中能够采集到的故障信号通常很有限。针对托辊故障声音信号获取困难、样本量少,导致智能故障诊断方法性能受限的问题,提出了一种基于小样本声音信号的托辊故障诊断方法。使用特征转换方法将一维声音信号转换为二维时频图像,将频率域的特征融入进来,以提高数据集对故障特征的表达能力;提出了多种类型时频图结合的数据集扩充方法,将短时傅里叶变换(STFT)、连续小波变换(CWT)、希尔伯特-黄变换(HHT)3种时频分析方法绘制的时频图相结合,以扩充数据集,增加数据样式;引入了深度迁移学习的思想,使用轴承数据集对模型进行预训练,然后使用托辊数据对预训练模型进行微调,以进一步提升模型的识别准确率。实验结果表明:多种类型时频图结合的数据集扩充方法能有效解决使用小样本数据训练模型时易过拟合的问题;使用迁移学习后,模型的测试准确率达98.81%,相较于不使用迁移学习时提升了7%,且没有出现过拟合现象,说明模型训练良好;相较于生成对抗网络扩充STFT时频图数据集+迁移学习的方法,多种类型时频图结合的数据集扩充+迁移学习的方法准确率提高了4%,且更容易实现,可解释性更强。

基于改进YOLOv5s的带式输送机滚筒故障检测研究

针对目前带式输送机滚筒故障检测方法检测效率低、识别准确率不高、特征提取能力较差等问题,提出了一种基于改进YOLOv5s的带式输送机滚筒故障检测方法。在YOLOv5s网络模型中增加了小尺寸检测层,使尺寸较小的滚筒故障更易被检测到;在Backbone和Neck间引入卷积注意力机制(CBAM),提高目标检测的准确率;在Neck中引入高效通道注意力机制(ECA),增强对滚筒故障的特征提取能力。实验结果表明:①在满足实时检测要求的前提下,改进YOLOv5s网络模型识别平均准确率均值达94.46%,较改进前提升了1.65%。②改进YOLOv5s网络模型对滚筒开焊、包胶磨损和包胶脱落检测的平均准确率分别为95.29%,96.43%,91.65%,较改进前分别提高了1.56%,0.89%和2.50%。设计了基于改进YOLOv5s的带式输送机滚筒故障检测系统,并对该系统进行验证:①实验平台测试结果表明:基于改进YOLOv5s的带式输送机滚筒故障检测系统对滚筒开焊、包胶磨损和包胶脱落检测的平均准确率分别达95.29%,96.43%,91.65%,3种故障检测的平均准确率均值达94.46%,检测速度约为14帧/s。②现场测试结果表明:包胶磨损和包胶脱落的置信度分别为0.92,0.97,且能准确地识别出滚筒的故障类型和位置,说明基于改进YOLOv5s的带式输送机滚筒故障检测系统具有可行性。

汶川小断裂带地震机理与监测建议

龙门山断裂带全长约560 km,宽30~50 km,面积约20 000 km2,深度在40 km左右,本文将其定义为小断裂带,它是由3条主干断裂和若干个狭小断裂块体组成的小规模断裂带群。单个块体具有刚体特征,其内部缝隙、孔隙可以忽略,在挤压剪切破碎时将其假设为剪切面,块体剪切破碎或者块体间错位滑动,从而引发地震。当应力释放时,整体表现为下沉稳定,同时,与其邻近大块体接触面因卸荷而出现上、下、左、右相对滑动,从而引发余震。本文针对龙门山小断裂带卸荷前后各块体运动特征,提出监测建议。

小震密集带与地质活动断裂的关系研究

采用双差地震定位方法对1830年磁县7(1/2)级地震X区及其附近地区小震进行重新定位,划分出小震密集带,根据小震空间分布特征,研究X区范围内断裂构造与小震密集带之间的关系。结果表明,小震主要集中在NE向断裂与磁县—大名断裂交汇处以及断层切割区。