基于特征融合和ResNet的滚动轴承故障诊断

由于滚动轴承信号非平稳、非线性,导致轴承的故障信息提取困难,并且采用传统故障诊断方法诊断精度低,又过度依赖专家经验以及深度学习的故障诊断方法需海量的训练数据,为了解决上述问题,提出了一种基于特征融合和深度残差神经网络(ResNet)的滚动轴承故障诊断方法。首先,利用变分模态分解(VMD)和经验模态分解(EMD)的方法分解了原始信号;然后,根据方差贡献率和相关系数筛选确定了有效分量,对筛选出的有效分量进行了特征融合,组成数据集输入到ResNet模型中,并进行了故障诊断;最后,利用开源数据集对基于特征融合和深度残差神经网络(ResNet)的滚动轴承故障诊断方法进行了可行性和有效性验证,并通过滚动轴承实例数据验证了其泛化能力和鲁棒性。研究结果表明:在开源数据集中,采用该方法所获得的故障识别率达到了99.8%,相比于传统卷积神经网络(CNN)90%的故障识别率,其故障识别率更高;在滚动轴承实例数据集中,采用该方法所获得的故障识别率达到了97%以上,进一步证明了特征融合结合深度残差神经网络的故障诊断方法可有效应用于滚动轴承故障诊断中。

基于hp-VPINN的反应堆中子扩散计算方法研究

先进的反应堆模拟技术需要基于较少的实际探测数据反演全堆关键参数。针对这一需要,本文基于具有高阶多项式域分解功能的变分残差物理信息神经网络(hp-VPINN)构建计算模型,用于正向、反向求解中子扩散方程。该模型使用神经网络作为试函数,并将其代入中子扩散方程形成变分残差作为损失函数进行梯度下降。为了提高求解精度及效率,本文还根据中子扩散方程的物理特性提出了有效增殖系数智能搜索与反演等创新型关键技术,并基于鲸鱼优化算法(WOA)实现了神经网络超参数自优化。最后通过多个算例进行验证,结果表明该方法在具有较高精度的同时,实现了较低的训练数据依赖,为先进反应堆模拟技术提供了一条少量输入数据且较高精度输出的中子扩散求解途径。