关键词： 边缘故障诊断   神经架构搜索   低通筛选   模型轻量化   风电齿轮箱  

摘要： 边缘侧故障诊断要求深度学习模型轻量化，但现有的模型设计方法多为手动设计，费时耗力，同时设计的模型不考虑边缘硬件可配置的资源容量，使得设计的模型可能无法满足部署要求。基于此，提出了一种低通筛选优化的神经架构搜索算法，在考虑硬件可配置资源容量时，为边缘硬件自动设计故障诊断模型。首先，设计一个经验启发的搜索空间以降低轻量化和高精度模型的搜索难度，然后建立一个低通筛选奖励函数，引导智能体在搜索过程中迭代的筛选低于硬件可配置资源容量条件的轻量化诊断模型，最后采用帕累托支配得到竞争性帕累托最优解集，并为边缘硬件选择最优的部署模型实现风电齿轮箱的边缘侧故障诊断。最终通过行星齿轮箱试验和实际应用案例分析对所提方法的有效性和可行性进行验证。结果表明搜索的模型在准确率、浮点数计算量、参数量方面均优于对比模型。特别是在应用案例中，相比最优性能的深度模型GoogLeNet-v1和边缘友好模型MobileNet-v2,LSNAS-Netb准确率提升3.06%和3.65%，同时参数量和浮点数计算量仅达到GoogLeNet-v1的1/15.56、1/5.47,MobileNet-v2的1/6.19、1/1.18。

关键词： 故障诊断模型   时间序列分类Transformer   胶囊网络模型   特征插值   特征增强   混合数据增强方法  

摘要： 针对轴承故障诊断分类模型不能很好地提取到振动序列多层次特征，以及故障样本量稀少的问题，提出了一种基于特征插值的时间序列分类Transformer融合胶囊网络( TSCTransMix-CapsNet )的故障诊断模型。首先，以重叠采样预处理后的一维振动信号数据作为模型的输入，利用时间序列分类Transformer( TSCTransformer )捕捉了序列长距离关系，提取了振动信号的全局故障特征，同时应用混合数据增强方法( Mixup )对特征做了插值处理，进行了特征增强；然后，利用胶囊网络模型对全局故障特征作了进一步细化，提取了局部故障特征，从而形成了包含全局模式和局部细节的特征输出；最后，在多工况条件下选取CWRU和XJTU-SY数据集进行了轴承故障诊断的消融和对比实验，并将该模型与其他模型进行了比较。研究结果表明：该模型在CWRU数据集上的故障诊断准确率达到99.50%，在XJTU-SY数据集上的故障诊断准确率达到99.87%；相比于其他模型，该模型能有效提高轴承故障诊断分类性能。

关键词： 道路工程   凝冰预测   有限元   相变传热  

摘要： 在潮湿寒冷的环境下，道路结构将面临凝冰的风险，可能会对交通安全带来危害。基于ABAQUS有限元分析软件，提出了一种预测凝冰模型的建立方法，并对冰水层的相变过程进行模拟。通过试验，对有限元分析的结果进行对比，发现两者之间的误差仅为7.1%。除此之外，还对包括风速、气温、积水量及太阳辐射在内的外界气象因素对路面凝冰的影响展开研究，旨在深刻认识各因素作用下道路结构凝冰情况的变化趋势及规律。研究发现，环境温度的降低及风速的提高，都会使得道路结构更早发生凝冰，同时凝冰速度加快。当积水量不同时，凝冰开始的时间差别不大，但凝冰速度会随着积水量的增加而发生小幅度的提升。最后，对太阳辐射的作用展开分析，发现随着太阳辐射强度的加大，路表开始出现凝冰的时间逐步推迟，凝冰速度减缓。构建的有限元模型可为相关管理部门开展防冰措施提供参考和帮助。

关键词： 迁移学习   域适应   开放集域适应   故障诊断  

摘要： 目前，域适应故障诊断方法具有广泛的应用和发展。这些方法通常假设训练数据与测试数据共享相同的标签集。然而在实际应用中该假设往往不成立，且测试环境中可能会出现未知故障类别。为了解决这一挑战，本文提出了一种基于伪标签驱动的类内域对齐的跨域开放集故障诊断算法。该算法在域适应过程中利用目标域的伪标签机制，进一步对齐类内域的特征空间，并通过扩展分类器的加权对抗学习来构建未知类的决策边界。为减少伪标签决策错误的影响，本方法通过伪标签的熵重新分配样本权重，从而更加准确地区分未知类与已知类。在三个轴承数据集上的实验结果表明，该方法在已知类类别和未知类类别准确率上均优于主流方法，充分验证了其有效性和先进性。

关键词： 电力通信网   故障诊断   蚁狮优化算法   支持向量机  

摘要： 为了提高电力通信网故障诊断的准确性，以告警数据为输入量，以电力通信网故障类型为输出量，采用蚁狮算法对支持向量机进行参数寻优，建立基于蚁狮算法优化支持向量机的电力通信网故障诊断模型，采用电力通信网故障数据进行仿真分析，并与贝叶斯算法和卷积神经网络算法对比，结果表明，所提ALO-SVM电力通信网故障诊断正确率高达98%，高于其他两种算法，验证了所提方法的正确性和实用性。

关键词： G-M制冷机低温泵   故障诊断   深度学习   遗传算法  

摘要： G-M制冷机低温泵是一种广泛应用于半导体制造等领域的重要设备，对超高真空的获得与维持至关重要。由于其长期连续运行，容易引发机械磨损等故障，导致制冷能力和抽气特性下降。因此，开展有效的故障诊断显得尤为关键，文章提出一种改进型遗传算法与反向传播神经网络的故障诊断方法，克服了传统反向传播神经网络依赖初始权重与阈值设置、优化效率低的问题。研究结果表明，该方法在故障诊断中的准确率达98.05%。为低温泵健康监测与故障预警提供了科学依据。

关键词： 耦合故障诊断   旋转机械   共振稀疏分解   自适应滤波最小均方算法   灰狼优化算法   信噪比   均方误差  

摘要： 针对旋转机械耦合故障中较弱故障易被较强故障淹没及噪声干扰严重的问题，提出了基于灰狼优化算法(GWO)的，自适应滤波最小均方(LMS)算法结合共振稀疏分解(RSSD)的，耦合故障特征分离及强化方法。首先，采用自适应滤波LMS算法对耦合故障信号进行了滤波处理，使故障特征得到了初步强化；然后，根据耦合故障的不同共振属性，利用RSSD算法将故障耦合分解为高共振分量和低共振分量，完成了耦合故障分离；特别地，针对LMS算法中参数依赖人工经验、自适应差等问题，研究了基于灰狼优化算法(GWO)的参数自适应优化方法，设计了以信噪比和均方误差构成的优化目标；最后，对稀疏分解得到的信号进行了包络解调，完成了耦合故障分离及特征强化，同时，利用模拟信号和实验信号对该方法进行了验证分析。研究结果表明：GWO-LMS-RSSD算法能用于有效降低噪声干扰，分离旋转机械耦合故障及强化故障特征，为强噪声干扰下耦合故障的特征分离及强化提供了新的思路。

关键词： 煤机故障声音   干扰背景   生成对抗网络   Mc-Mobilenet   声音识别   故障检测  

摘要： 煤机的正常运行对于煤矿的生产效率和安全性至关重要。为解决干扰背景下的煤机故障声音识别问题，提出了一种基于生成对抗网络（RaGAN）和Mc-Mobilenet的识别算法。首先，采用改进的RaGAN模型增强煤机故障声音，提高信噪比。其次，利用Mc-Mobilenet模型对增强后的故障声音进行识别，提高识别的鲁棒性和准确率。最终，结合两者构建了端到端的故障声音识别系统。重点阐述了RaGAN模型声音增强方法和Mc-Mobilenet模型，通过引入辅助分类器和循环一致性损失，提高了声音生成器的性能，增强了生成样本的逼真度，具有较高的运算效率和识别准确率。实验结果表明，相比于传统的声音增强方法，本文提出的RaGAN方法能够显著提高分类准确率约10%，在嘈杂环境下具有更好的性能表现，可有效用于煤矿等噪声环境下的故障检测。

关键词： 电子雷管   薄壁管   缩径成型   工艺参数   应力分布   有限元   正交优化  

摘要： 针对薄壁管类零件在冷挤压缩径成型过程中出现的缺陷问题，利用ANSYS软件建立缩径工艺的有限元模型，选取外径6.3 mm、壁厚为0.20 mm的小尺寸薄壁管进行数值模拟分析。通过分析管壳体外壁的应力及应力分布规律，探讨了管壳体厚度、推环进给速度和模具压力角对管壳体表面成型的影响。基于正交实验方法评估了不同工艺参数对成型质量影响的显著性及参数优化。结果表明：对电子雷管缩径工艺成型质量的影响从高到低依次为：等效应力方面，压力角、管壳体厚度、进给速度；等效应变方面，进给速度、管壳体厚度、压力角。当模具压力角为12.5°、推环进给速度为6 mm·s-1、管壳体厚度为0.20 mm时，管壳体缩径质量最佳。与现有方案相比，本研究改善了材料流动的均匀性，并显著降低了等效应变和等效应力，分别降低0.46和79.88 MPa。

关键词： 牵引供电   电气化铁路   故障识别   长短时记忆网络   卷积神经网络  

摘要： 为了减少牵引供电故障对电气化铁路运行安全的影响，需要提供更准确、快速的牵引供电故障识别方法。为此研究在牵引供电故障分析的基础上，基于长短时记忆神经网络，构建故障识别模型，并引入卷积神经网络进一步加快识别速度。测试结果中，研究所提模型的准确率达到了0.98，而单一的卷积神经网络为0.81，长短时记忆神经网络为0.82。相较于其他两个模型，研究所提模型的准确率至少提高了20%。此外，在数据量为100时，相较于长短时记忆神经网络，研究所提模型的运行时间减少了2.36 s，验证了研究的有效性。研究旨在为保障牵引供电安全提供参考。