在LabVIEW中调用MATLAB的一种方法

LabVIEW和MATLAB是目前工程技术领域中比较流行的两种软件,功能强大但又各自存在着不足,本文介绍了在LabVIEW中通过MATLABScript节点调用MATLAB应用程序的方法及注意事项,从而实现扬长避短,更好发挥各自的长处,例程运行的结果证明这种调用可以很好地实现,并且,这种调用的实现为开发一些大型的系统提供了有力的工具。

大数据下机械装备故障的深度迁移诊断方法

机械故障智能诊断是大数据驱动下保障装备安全运行的重要手段。为准确识别装备的健康状态,智能诊断需要依靠充足的可用监测数据训练智能诊断模型。而在工程实际中,机械装备的可用数据稀缺,导致训练的智能诊断模型对装备健康状态的识别精度低,制约了机械故障智能诊断的工程应用。鉴于实验室环境中获取的装备可用数据充足,即数据的典型故障信息丰富、健康标记信息充足,且此类数据与工程实际装备的监测数据间存在相关的故障信息,提出机械装备故障的深度迁移诊断方法,将实验室环境中积累的故障诊断知识迁移应用于工程实际装备。首先构建领域共享的深度残差网络,从源自不同机械装备的监测数据中提取迁移故障特征;然后在深度残差网络的训练过程中施加领域适配正则项约束,形成深度迁移诊断模型。通过实验室滚动轴承与机车轴承的迁移诊断试验对提出方法进行验证,试验结果表明:提出方法能够运用实验室滚动轴承的故障诊断知识,识别出机车轴承的健康状态。

开放集下机床关键部件故障诊断迁移方法

为了解决在开放集下的未知故障迁移问题,提出了基于理论边界优化的渐进式迁移学习网络.首先,对迁移学习模型的误差边界进行了分析,为模型优化提供理论指导;其次,设计基于对抗网络的双辨别器识别未知故障数据,通过粗辨别器输出相似性排序为精细辨别器进一步划分决策边界;最后,通过渐进式辨别器的输出对目标域样本和源域样本进行加权分布匹配.为了全面评估所提出模型的鲁棒性,设计了4种不同程度域偏移的故障迁移案例进行验证,实验结果表明:模型的平均类内识别精度为96.3%,相比其他迁移学习模型在不同开放度差异下表现出更优的诊断效果.