基于多域信息融合与深度分离卷积的轴承故障诊断网络模型

针对传统卷积神经网络(CNN)对滚动轴承振动信号的故障识别准确率不高这一问题,提出了一种基于多域信息融合结合深度分离卷积(MDIDSC)的轴承故障诊断方法。首先,利用自适应噪声的完全集合经验模态分解(CEEMDAN)算法对轴承振动信号进行了分解;然后,利用分解出的本征模态函数(IMF)的各个分量构建了多空间状态矩阵,并将该多空间状态矩阵输入该深度分离卷积模型中,进行了卷积训练;同时,在该深度分离卷积模型中添加了残差结构,对数据特征进行了复利用,并对卷积核进行了深度分离,解决了深度模型的网络退化问题;最后,提出了一种空间特征提取方法,对模型参数进行了修剪,采用一种自适应学习率退火方法进行了梯度优化,以避免模型陷入局部最优。研究结果表明:通过对多个轴承故障数据集进行对比分析可知,MDIDSC在轴承故障诊断方面的准确率和稳定性明显优于其他方法,MDIDSC的最高测试准确率为100%,平均测试准确率为99.07%;同时,在测试集中的最大损失和平均损失分别为0.1345和0.0841;该结果表明MDIDSC在轴承故障诊断方面具有一定的优越性。

非参数DEA方法在陕西医院可变要素投入上的相对效率之研究

目的将引入投资约束的DEA模型应用于陕西医院在1997到2000年间的绩效分析。方法医院在可变投入要素使用上的总效率被分解为技术效率与资源配置效率分别估算。讨论半参数对称修剪最小二乘回归分析(STLS)在DEA结果检验问题上比经典的Tobit分析更为适切。结果若所有医院均以相对最优方式运作,可以节省6.24亿元,占总预算的7.71%。有264个决策单位大致可以认为规模大小是理想的,其余的规模或者过大,或者过小。结论改进的DEA模型可修正传统模型对的低估。陕西医院总体效率较高,但规模有待调优。