基于仿真数据和子领域自适应的轴承故障网络诊断框架

在实际工业环境中,往往缺乏相应工况的轴承故障数据用于模型训练,这限制了深度学习在工业场景中的应用。基于此,采用两种建模方式生成了轴承故障信号,将其用于训练模型,并利用深度子领域自适应方法,缩小了模拟信号和真实信号间的差异,提升了模型对真实信号的诊断精度。首先,采用数学建模和基于LS-DYNA的有限元仿真两种方式建立了轴承故障仿真模型,以获取与实际场景相同工况下的轴承故障仿真加速度信号;其次,针对仿真数据和真实数据存在差异的问题,利用子领域自适应方法得到了对齐仿真数据和实际数据的全局特征分布以及相关子领域的特征分布;最后,采用原始一维振动信号作为输入,在残差神经网络(ResNet)模型架构上完成了端到端的轴承故障分类工作;将德国帕德博恩大学采集到的轴承故障信号作为实验数据,对上述模型的有效性进行了验证。研究结果表明:相较于有限元仿真,数学建模生成的仿真信号能够较轻易地迁移到实际信号,在无标签数据场景下具有99.73%的轴承故障识别精度,体现了数学建模在无监督轴承故障诊断领域的广阔应用前景,是在真实工业系统和人工智能之间架起桥梁的关键技术。

基于深度神经网络的永磁直线电机仿真与优化

针对永磁直线同步电机(permanent magnet linear synchronous machine,PMLSM)有限元仿真模型的计算时间长,不能直观地显示结构参数与输出推力的关系,无法指导电机结构参数优化等问题,提出基于子域解析法和深度神经网络算法的PMLSM改进仿真模型,根据麦克斯韦方程组计算得到电机的磁通密度、空载反电势等性能数据,结合深度神经网络算法拟合出电机结构参数与输出推力的非线性关系。基于此模型,使用自适应遗传算法对PMLSM的推力密度进行优化,并与有限元仿真结果对比。结果表明:PMLSM改进仿真模型的计算速度是有限元模型的87.1倍,推力计算结果与有限元结果的平均误差为2.87%,优化后的电机推力密度提高了5.7%。

基于负载估计和子域消减的并行网络模拟拓扑划分算法

针对目前研究Internet的主要方法——传统的基于拓扑划分的大规模并行网络模拟的效率低、划分不均衡的问题，提出并实现了基于负载估计和子域消减的并行网络模拟拓扑划分策略。基于启明星辰探测获得的实际拓扑进行的DDoS攻击模拟表明，该划分方法可适用于实际拓扑，并可进行大规模网络安全事件的模拟。实验结果表明，该拓扑划分方法可缩减路由表规模约19．8％，减少模拟时间约17．2％。

校园网内子域DNS建立方法简介

校园网建成后 ,为了使用方便 ,许多部门希望建立自己的子域网 ,在安装、设置自己的域名服务器时碰到了困难。将 Red Hat7.0 /7.1/7.2下安装、设置子域名服务器的方法做一简单介绍 ,并给出了实例。

空间卫星网络组网与管控技术综述

随着航空航天技术以及卫星互联网技术的快速发展,高速率、高带宽的卫星通信系统逐渐成为下一代移动通信体制的重要组成部分。卫星互联网的发展推进了卫星网络商业化进程,低轨卫星成为构建卫星互联网的重要组成部分。如何实现大规模低轨卫星网络高效可靠的网络管控,完成星地融合组网与路由,逐渐成为了发展卫星互联网的前沿课题。近年来,随着卫星网络规模逐渐扩大,网络管控方法被大量提出。首先,从国内外大规模卫星星座的发展现状出发,调研已有的多种卫星网络的组网架构和协议体系;然后,根据现阶段大规模卫星网络的发展现状,分析对其进行网络管控的难点和关键技术;最后,基于星地融合的组网方式,对现有的解决方案进行调研与分析。

考虑温度变化的高温高速永磁电机转子涡流损耗半解析模型及实验验证

高温高速永磁电机由于工作环境的特殊性,在计算电机转子涡流损耗时,需要进行磁热耦合仿真,导致计算时间较长,而现有子域模型在建模时需首先假设材料属性参数为恒定值,不能考虑温度的影响。首先,将精确子域法与等效热网络相结合,提出一种可以考虑转子材料电导率及导热系数随温度变化的高温高速永磁电机转子涡流损耗半解析模型;其次,基于该模型分析了在高温状态下不同供电频率及护套材料对转子涡流损耗和永磁体温升的影响,得到针对高温高速永磁电机转子护套材料的选取方法;最后,对一台高温高速永磁电机分别进行损耗分离实验和温升实验,将实验与解析结果作对比,验证解析模型的正确性。

广播电视工程中光纤网络的日常运行与维护

随着社会发展的进步,广播电视工程的建设正朝着更加智能化的方向发展。光纤网络在广播电视工程建设中起到举足轻重的作用。对此,本文提出广播电视工程中光纤网络日常运行与维护这一课题。首先,优化广播电视工程中光纤网络的构架,建立光纤构架的三维网状分析图,在分析图的分析结果上优化光纤构架中的平面区域子域网络。其次,优化广播电视工程中光纤网络日常运行和维护的交互机制,实现整个广播电视工程中光纤网络日常运行与维护技术的提升。最后,通过仿真实验证明,该方法在广播电视工程中光纤网络日常运行与维护上花费的时间消耗最少,提升了广播电视工程建设的效率。

基于深度学习与子域适配的齿轮故障诊断

针对生产实际中标注故障数据不足的问题,提出了基于深度学习与子域适配的齿轮故障诊断方法。首先构建域共享的一维卷积神经网络,从故障数据中提取可迁移特征;然后采用多核局部最大均值差异来测量可迁移特征相关子域的分布差异,并将测得的分布差异加入目标函数中训练;最后将训练完成的模型用于目标域健康状态的识别。实验结果表明,所提方法能在无标签目标域数据的情况下得到较高的准确率。

基于子领域自适应的变工况下滚动轴承故障诊断

针对变工况环境下采集到的滚动轴承振动数据特征分布不一致及待诊断样本标签较难获取的问题,提出了一种子领域自适应的深度迁移学习故障诊断方法。首先,为充分利用卷积神经网络图像特征提取能力,将滚动轴承振动信号采用连续小波变换生成图像数据集;其次,源域与目标域通用特征提取采用改进图像集预训练的ResNet-50网络结构,子领域自适应度量引入局部最大均值差异(LMMD)准则,该度量准则通过计算目标域伪标签以匹配条件分布距离来进行子领域自适应,从而减小不同工况下的子类故障特征分布差异,提高模型诊断精度;最后,在两个公开变工况滚动轴承故障数据集上进行试验验证,结果表明,本文方法平均识别准确率为99%左右,并将其与不同诊断方法进行了对比分析,说明了本文方法的有效性与优越性。