包装工程自动化旋转机械转子不平衡特征分析

研究包装工程自动化旋转机械的运行状态,提高监测与故障诊断技术水平,分析旋转机械转子不平衡的基本特征,达到故障诊断的目的。

Mask R-CNN中特征不平衡问题的全局信息融合方法

特征不平衡问题是影响神经网络检测效率的关键因素。针对Mask R-CNN中的特征不平衡问题,提出一种基于全局特征金字塔网络(GFPN)的信息融合方法。通过将GFPN产生的不同大小特征相融合,生成包含全局语义信息的特征网络,并采用反向过程对原始特征层进行重新标度,从而使得每个特征层均含有全局语义信息。实验结果表明,与原始基于Mask R-CNN的方法相比,该方法的检测精度提升4~6个百分点,而检测时间仅增加0.112 s。

旋转设备转子不平衡故障诊断案例

转子不平衡是各类旋转机械中普遍存在的故障。本文主要研究了利用状态监测与故障诊断系统对某公司一例转子不平衡故障利用趋势图谱分析,并结合不平衡特征给出结论。

不平衡数据分类研究综述

在很多应用领域中,数据的类别分布不平衡,如何对其正确分类是数据挖掘和机器学习领域中的研究热点。经典的数据分类算法未考虑数据类别的不平衡性,认为类别之间的误分类代价相同,导致不平衡数据分类的效果不理想。针对数据分类的各个步骤,相继提出了不同的不平衡数据分类处理方法。对多年来的相关研究成果进行归类分析,从特征选择、数据分布调整、分类算法、分类结果评估等几个方面系统地介绍了相关方法,并探讨了进一步的探索方向。

基于AP聚类的多特征融合方法

经典的聚类方法通常只适用于单一特征数据,对于多特征数据,特征融合显得尤为重要。传统的多特征融合方式易造成维数灾难、尺度较小的特征被忽视等问题。对于“视图(特征)不平衡”数据,上述问题显得尤为突出。为此,提出了一种基于成对约束的多特征融合AP聚类算法。该算法用“差特征”数据聚类得到约束信息,利用“好特征”数据得到基础相似度矩阵,再利用成对约束来调整基础相似度矩阵,在新得到的相似度矩阵上进行AP聚类。该特征融合方法中,“好特征”占据主导,“差特征”只是以约束的形式发挥作用,克服了现有特征融合方法中效果差距很大的特征平起平坐的缺点。实验结果表明,相较于单视图聚类、多视图数据直接拼接后再聚类、多视图谱聚类等方法,多特征融合AP聚类算法取得了较好的性能,有效地解决了“视图(特征)不平衡”问题。

汽机发电机组大修调试出现振动的原因分析及处理

来宾B电厂2号机在2014年恢复性大修后的开机过程中,在机组冲转过临界转速时,高中压缸前后轴承发生激烈振动。分析了该振动的故障特征和机理,找到引起振动的原因,利用动平衡的手段和方法,解决振动问题,机组轴承轴振动已达到合格标准。

基于启停状态识别改进因子隐马尔可夫模型的非侵入式负荷分解

非侵入式负荷分解(non-intrusiveloaddisaggregation,NILD)是通过对总电气量分析得到用户家中各电器设备的能耗数据,该数据为节能、需求响应及公共安全等方面提供重要依据。目前,NILD算法存在因设备启停状态识别准确率低导致负荷分解精度低的问题。为此,该文提出一种基于设备启停状态识别改进因子隐马尔可夫模型(factorialhidden Markov model,FHMM)的NILD方法。首先,通过人工少数类过采样法(syntheticminorityover-samplingtechnique,SMOTE)对训练数据做重采样处理、深度神经网络(deep neuralnetwork,DNN)模型提取启停状态特征以及双向长短时记忆网络及条件随机场(bidirectionallongshortterm memory-conditionalrandomfield,Bi LSTM-CRF)模型提升其对不平衡启停状态的识别能力;然后,将设备启停状态组合模块按照数理组合方法划分数据集,形成若干启停状态组合子数据集,并分别对各子数据集中处于启状态的设备建立FHMM进行负荷分解;最后,在公开数据集每分钟电力年鉴数据集(the almanac of minutely power dataset,AMPds)进行实验,该文算法得到的设备负荷分解平均精度比传统FHMM方法提升了3.8倍,验证了所提方法的有效性和准确性。