基于PSO改进深度置信网络的滚动轴承故障诊断

针对深度置信网络(Deep Belief Network,DBN)用于轴承故障诊断时,网络层结构调试比较费时等问题,提出一种基于粒子群优化(Particle Swarm Optimization,PSO)的DBN算法,以及基于该算法的轴承故障诊断模型。该模型利用PSO算法优选DBN网络结构,并通过自适应时刻估计法微调模型参数,随后运用具有最优结构的DBN模型直接从原始振动信号中提取低维故障特征,并将其输入到Soft-max分类器中识别轴承的故障模式。该算法与支持向量机、BP神经网络、DBN、堆叠降噪自编码等方法进行对比分析,实验结果表明,PSO改进的DBN算法具有更高的准确率以及更好的鲁棒性。

基于深度置信网络的低压台区理论线损计算方法

针对因线路分布复杂、终端数目庞大等带来的低压台区理论线损计算困难的问题,提出一种基于深度置信网络(DBN)的低压台区理论线损计算新方法。在训练过程中,先利用贪婪算法对DBN模型中的神经网络层进行逐层无监督的预训练,再对该模型进行有监督的全局微调。为了提高计算精度,采用自适应时刻估计(Adam)优化器。以某地区实测2140个台区数据为样本进行仿真计算,结果表明,相较于浅层神经网络,DBN线损计算模型具有更好的泛化能力以及准确性和快速性,且Adam优化器在线损计算中相较于均方根反向传播(RMSProp)和随机梯度下降(SGD)算法具有优越性。

基于云平台的制造资源智能匹配方法研究及应用

为提高制造资源利用效率,智能制造环境下要求将离散分布的制造资源快速有效地连接并动态匹配制造服务。在云平台上通过词向量建模对制造资源和用户需求进行特征描述以及向量提取,并利用联合嵌入卷积神经网络(JE-CNN)将制造资源和用户需求词向量映射到具备向量匹配基础的公共空间。以两组词向量匹配距离构建目标函数,采用自适应时刻估计法(Adam)优化该目标函数,再根据二分类(AUC)模型判断匹配度是否满足要求,从而实现制造资源的高质量、高效率匹配。最后,通过实例验证了该方法的可行性。