一种改进原型网络的小样本轴承故障诊断方法

在原型网络小样本故障诊断中，由于故障样本少并且易受异常值的影响，导致所得类原型准确性不是很好。为了提高故障原型表示的准确性，提出一种改进原型网络的小样本故障诊断方法，通过引入辅助分类任务提取更具鲁棒性的特征，提高提取特征的区分能力。另外，利用查询集样本进一步优化类原型，提高类原型对故障轴承的表示能力。为验证所提方法的有效性，设置K取不同值，在滚动轴承数据集上进行C-way K-shot故障诊断试验。试验结果表明，改进原型网络所得类原型具有更好的区分性与准确性。在10-way 5-shot试验中，所提方法相较传统原型网络准确率提高了5.1%。     

一种机械设备故障诊断的FD-Transformer方法

随着机械设备故障诊断技术的发展，利用深度学习技术判断设备故障类型越来越引起人们重视。目前，基于注意力机制的Transformer模型有着优于卷积神经网络(convolutional neural network, CNN)的特征提取能力且在自然语言处理及计算机视觉领域都得到成功的应用。该研究提出一种用于机械设备故障诊断的Transformer方法(fault diagnosis-Transformer, FD-Transformer)。首先，对原始振动信号利用Dropout技术进行数据增强，提高模型的泛化能力；然后，利用多通道一维卷积进行数据处理并得到矩阵形式；接着，利用Dense连接的Encoder结构进行机械设备的故障特征提取；最后，利用分类模块得到故障诊断结果。分别采用变转速轴承数据和轮对轴承数据对模型进行试验验证，试验结果表明，该模型在两种数据集上均达到99%以上的故障识别率，与CNN相比可以更好地提取机械设备故障特征，有工程应用价值。     

基于ARIMA-SVM方法的梯级泵站机组运行趋势预测

针对多因素参与下梯级泵站机组运行趋势预测建模困难且预测准确度低、适应性差的问题，以宁夏盐环定扬黄工程为研究对象，引入时间序列分析法，提出了基于ARIMA与SVM模型组合的泵站机组运行趋势预测方法，即选择机组运行技术参数中的能源单耗和平均负荷作为试验样本，由ARIMA建模对处理后的数据进行线性拟合，通过SVM模型对残差进行预测处理，补偿机组运行中的非线性变化，综合二者预测结果得到组合模型预测值。结果表明，最优模型为ARIMA(1,1,3)、ARIMA(2,1,1),SVM模型最优参数分别为c=38、g=0.06和c=68、g=0.18;组合模型对试验样本的预测拟合优度分别达到0.999 2、0.998 4,均方根误差分别为1.67×10^-5、3.9×10^-8,平均绝对百分比误差分别为0.036 1%、0.074 7%,说明该组合模型预测泵站机组运行趋势精度较高、效果良好，可为泵站机组运行状态监测系统优化升级提供理论基础。     

基于多尺度残差网络的域适应轴承故障识别方法

不同工况下的故障轴承原始振动信号存在分布差异较大的问题，在进行故障诊断时也会存在特征提取不充分，从而导致故障诊断模型诊断精度较低的问题，为此，提出了一种基于多尺度残差网络的对数相关对齐(logCORAL-MsRN)的域适应轴承故障识别方法(模型)。首先，对轴承原始振动信号进行了预处理，将其转换为二维灰度图像；然后，使用多尺度残差块和空洞卷积对残差神经网络ResNet50的网络结构进行了改进，设计了一种多尺度残差网络(MsRN),以充分提取轴承的故障特征，避免深层网络结构的梯度消失问题；提出了一种对数相关对齐(logCORAL)域适应方法，更好地进行了域间分布对齐；最后，采用交叉熵损失和logCORAL损失作为目标优化函数，对上述模型(方法)进行了训练，在美国凯斯西储大学(CWRU)公开数据集上进行了变工况下的对比实验和消融实验。研究结果表明：logCORAL-MsRN方法在变工况条件下的轴承故障诊断的平均准确率高达96.53%,并且优于其他对比方法，即特征提取网络MsRN可以提取出不同尺度的、更加丰富的轴承故障信息，域适应方法logCORAL可以有效地对齐源域和目标域之间的特征分布，验...     

基于MIKE 21的圩区河网水动力调控方法研究

【目的】我国南方平原地区地势低缓，河网结构复杂，为快速解决该地区因河网水动力不足而引起的水环境问题，急需研究河网水体运行状况调控方案。【方法】以太湖流域南浔区沈庄漾“溇港圩田”河网作为研究对象，构建Mike 21 FM二维河网水动力模型，结合研究区河网改造后的水利工程布置和调度规则，提出定位增压的7种水动力调控方案，模拟分析河网在不同方案下流场分布规律，探究圩区河网水动力提升和流场改善的优化调度方法。【结果】模拟结果表明：活水和引排水方案虽能有效改善河网水动力，但对于中心水塘的水动力驱动效果不佳。在开启西南侧河道水泵和西部泵闸的情况下，河网内大部分区域的流速基本能维持在0.05 m/s左右，部分河道的流速能达到0.3 m/s以上，并且对中心水塘水体驱动效果最好。【结论】综合分析表明：所设计的7种调控方案均能有效地提升河网水动力，在开启西南侧河道1台水泵和西部泵闸时，流场分布最均匀且水动力整体提升效果最佳。研究结果可为南方平原河网的水利工程水动力调控提供参考。     

基于孪生网络结构的轴承故障诊断研究

针对轴承故障诊断中故障样本稀缺、深度神经网络模型在小样本条件下存在故障诊断准确度较低的问题，提出将深度神经网络扩展为孪生网络结构的框架，以提高在小样本条件下的故障诊断性能。孪生网络通过权值共享的骨干网络从样本对中提取特征，采用L₁距离判定样本对的特征相似度，实现轴承故障诊断。不同于传统深度神经网络，孪生网络采取输入样本对的方法，在故障数据不足的情况下，可以提高轴承故障诊断性能。分别将不同层数的卷积神经网络(CNN)与长短期记忆网络(LSTM)扩展为孪生网络结构，在实测轴承数据集上进行小样本故障诊断实验。实验结果表明，通过扩展为孪生网络结构可以提高故障诊断结果的准确率，孪生CNN网络比对应的CNN网络准确率平均提高1.08%,孪生LSTM网络比对应的LSTM网络准确率平均提高4.78%。     

基于深度学习的判决结果倾向性分析

裁判文书中判决结果的倾向性分析是指判断裁判文书中的判决结果是否支持原告的诉讼请求。判决结果的倾向性分析对于裁判文书的规范化、推荐诉讼律师等后续工作有重大的意义，但是缺少有效的分析模型。为了充分利用海量数据的裁判文书，提出了一个判决结果倾向性分析的模型。从半结构化的裁判文书中抽取出关键特征，利用模糊匹配的方式对判决结果中的多重实体进行识别和清洗，将处理结果交由基于LSTM的深度学习神经网络进行倾向性判断。通过对三种案由的数据集进行实验，该模型的准确率最高可达98.3%，验证了该模型在判决结果的倾向性分析任务中具有很高的有效性。     

一种基于CNN-BiGRU孪生网络的轴承故障诊断方法

针对轴承故障样本稀缺，传统深度神经网络模型在小样本情况下容易出现过拟合现象，泛化性能不好的问题，提出一种基于CNN-BiGRU孪生网络的轴承故障诊断方法。孪生网络采用两个结构相同、权值共享的卷积神经网络和双向门控循环单元组成，构造相同类别和不同类别的轴承样本对输入孪生网络，通过计算轴承样本对之间的L1距离进行相似性度量，实现轴承故障诊断。与传统深度神经网络相比，孪生网络采用样本对训练的方法，在相同样本数量情况下，增加对网络模型的有效训练次数，从而提高轴承故障诊断性能。设计卷积神经网络和双向门控循环单元共同组成孪生网络结构，可以从振动信号中同时提取空间特征与时序特征，提高特征提取的准确性。利用实测轴承故障信号进行故障诊断试验，并与其他深度神经网络模型进行对比，试验结果表明，CNN-BiGRU孪生网络方法在少量训练样本情况下，取得了较优的故障诊断性能，有一定的工程应用价值。     

基于机器学习的含充填裂隙岩样断裂行为预测方法

含不连续面的岩样断裂行为难以量化表征和有效精准预测。采用机器学习方法建立预测含胶结充填裂隙岩样I型断裂韧度和裂纹扩展模式的数据驱动模型。首先，通过含充填裂隙半圆盘直切口试件的三点弯试验和离散元数值模拟结果，对比验证批量模拟的可行性，再进行批量随机数值模拟，构建数据集并过滤异常算例。对数据集进行归一化、随机打乱、随机欠采样等预处理，建立4个经典机器学习模型，采用网格搜索与五折交叉验证算法搜索最优超参数，并采用多个建立在总体上的评估指标和反映误差分布的数据图对模型性能进行综合评估，得出多层感知机模型为预测精度最高的机器学习模型；对模型进行敏感性分析，并应用于试验数据的预测，结果表明多层感知机模型的稳定性和预测效果较好。此外，该研究还开发了用户界面程序用于含充填裂隙岩样断裂行为的批量预测，避免传统试验和数值模拟高昂的时间成本，为解决传统岩石力学问题提供新的方法和思路。