MHSACAE-CNN在噪声下的电机轴承故障诊断

电机的运行情况复杂,实际运行工况下会有大量的噪声,导致其轴承故障诊断精度下降。为了改善这一问题,提出了一种基于多头自注意力机制的一维全卷积自编码网络（One-dimensional Fully Convolutional Autoencoding Network Basedon Multi-head Self-attention,MHSACAE）与卷积神经网络（Convolutional Neural Network,CNN）结合的轴承故障诊断方法。该方法先采用MHSACAE网络进行降噪,再通过CNN进行故障诊断。其中MHSACAE去噪网络采用无监督训练的方式,充分考虑了实际工况和序列数据内在联系,在实现对噪声的滤除效果的同时,最大限度地保留下了原始的故障信息,使得CNN可以实现在噪声情况下对电机轴承故障的高精度诊断。通过与其他轴承故障诊断方法在噪声情况下进行对比,证明提出的方法具有更好的效果。     

无线Mesh网中可靠SIP呼叫连接的选路技术

在无线Mesh网中布设基于SIP的应用,是在缺少通信基础设施的地区实现多媒体应急通信的有效方式,但是易失效的无线链路会降低通信的可靠度。研究了如何在无线Mesh网中向SIP服务器高效地转发SIP呼叫请求消息。提出了一点对多点中任意一点的可靠度度量模型,用于描述实时、有限尝试次数的呼叫连接通信的可靠性;基于呼叫成功率、呼叫连接速度这两个优化目标提出了一种路集选择方法,并展开了对这种方法的通信可靠度上下界的分析和比较;最后通过仿真实验验证了此路集选择方法的有效性和优越性。     

基于特征参数融合的语音情感识别方法

语音情感识别是人工智能的重要研究领域之一，特征参数提取的准确性直接影响识别的效果。分析了发音持续时间、平均振幅、基音频率，第一共振峰和Mel频率倒谱参数，并基于模糊熵理论提取了各参数的权重。再利用模糊熵进行有效的度量融合．最后通过改进后综合判决对情感语句做出识别判定。研究发现融合后的参数增强了情感识别的效果。     

超长混凝土结构温度应力分析

通过对具体工程实例进行分析 ,利用有限元进行模拟 ,得出了温降作用下结构内部的温度应力的大小及其分布规律。从而对超长结构的温度作用进行探讨 ,分析了目前建筑物中常见温度裂缝的产生原因。同时对预应力作用进行模拟 ,探讨了预应力对降低混凝土温度应力的作用     

预应力钢管混凝土桁架应用与研究探讨

通过总结国内外对于预应力结构、钢结构以及钢管混凝土组合结构的研究和应用成果,在简要论述基础上,提出一种新的组合结构型式———预应力钢管混凝土组合结构。本文针对预应力钢管混凝土桁架,通过其受力机理分析,阐述了其设计方法和构造措施,给出了工程应用实例。并对目前正在进行的研究工作及发展方向作了简单探讨。     

方钢管混凝土桁架K形节点失效模式分析研究

方钢管混凝土结构结合了普通方钢管结构和圆钢管混凝土结构的优点,具有连接方便、可靠的特点,同时由于钢管和内核混凝土的共同工作,可以提高材料的使用效率,从而降低工程造价。对方钢管混凝土桁架中的K形节点进行了有限元分析,得出在正常使用状态下其内核混凝土的应力分布曲线,探讨了方钢管混凝土桁架中K形节点的应力分布及其失效模式     

矿用链轮链窝电弧增材制造路径规划

针对曲率较大的链窝表面的增材制造,提出了曲面分层的方案。对即将增材的区域进行分层设计和施焊路径规划,得到的路径点平滑连续,能够很好地适应链窝曲面。结果表明,施焊时机器人各轴运动平缓,焊枪行走平稳,不存在速度突变。堆敷层表面均匀平整,与链窝曲面吻合度高,边缘焊道与周围轮廓相适应好,未出现缺肉及超出轮廓边缘的情况,表明路径规划算法能较好地适用于链窝曲面增材制造过程。     

一种新型双系统数控深孔钻床的设计及分析

针对目前采油工程领域、航天航空工程领域以及核工程领域中,深孔零件的加工存在着加工方式比较单一、自动化程度低等问题,设计一种新型数控深孔钻床,能在一台数控深孔钻床上同时实现外排屑和内排屑,并且可根据工作条件来合理选择排屑系统。建立该机床的理论模型,介绍这种新型数控机床的工作原理,对机床的承重支柱进行有限元分析,并通过实际加工来验证其可行性,为深孔零件的加工提供了一种参考。     

机载雷达深度展开空时自适应处理方法

稀疏恢复空时自适应处理(SR-STAP)方法能够利用少量训练距离单元实现对机载雷达杂波的有效抑制。然而,现有SR-STAP方法均基于模型驱动实现,存在着参数设置困难、运算复杂度高等问题。针对这些问题,该文将基于模型驱动的SR方法和基于数据驱动的深度学习方法相结合,首次将深度展开(DU)引入到机载雷达杂波抑制和目标检测之中。首先,建立了阵列误差(AE)条件下的杂波空时谱和阵列误差参数联合估计模型,并利用交替方向乘子法(ADMM)进行求解;接着,将ADMM算法展开为深度神经网络AE-ADMM-Net,利用充足完备的数据集对其迭代参数进行优化;最后,利用训练后的AE-ADMM-Net对训练距离单元数据进行处理,快速获得杂波空时谱和阵列误差参数的准确估计。仿真结果表明:与典型SR-STAP方法相比,该文所提出的DU-STAP方法能够在保持较低运算复杂度的同时提高杂波抑制性能。      

基于位置和注意力联合表示的知识图谱问答

知识图谱是人工智能的重要组成部分,其以结构化的方式描述客观世界中的概念、实体及关系,提供了一种更优的组织、管理和理解互联网海量信息的能力。随着深度学习技术的发展,基于表示学习的知识图谱问答方法陆续出现。利用表示学习的方法实现知识图谱问答的核心目标是将问题嵌入到与三元组相同维度的表示向量空间中,通过合适的答案预测方法来匹配问题与答案。参考复数域编码的思路,构建一种基于位置和注意力联合表示的三元组表示模型Pos-Att-complex。在三元组表示部分,将词本身的特征和位置特征联合编码,并通过解码器网络进一步挖掘深层次特征,从而对三元组进行打分。在知识图谱问答部分,将问题通过RoBERTa嵌入到与三元组向量相同维度的向量空间中,并与通过关系筛选的关系集合进行向量融合。在此基础上,通过联合表示解码器为候选答案打分,以筛选出问题的答案。实验结果表明,该模型在三元组分类和多跳问答基准数据集上均能取得良好的测试结果,准确率优于GraftNet、VRN等模型。