帶支架的SICK光電開關傳感器上海秉銘WTB9-3N1161P02有效滾動軸承特征和消除特征之間的冗余,提出一種基于堆棧稀疏自編碼器和Softmax層構建的深度神經網絡(DNN)用于軸承故障診斷。首先從振動信號提取12個統計特征和6個時頻域特征,然后將獲得的特征用于構建18維特征向量;高維特征向量通過堆棧稀疏自編碼器逐層學習獲得無冗余的高級特征;后將特征輸入Softmax分類層進行軸承故障診斷。基站根據用戶反饋的信道狀態信息進行自適應編碼調制以提高頻譜效率,因此需要將用戶側估計到的信道狀態信息反饋到基站。由于反饋過程存在的延遲會降低系統性能,因此在考慮延遲的情況下,對基于深度學習的信道狀態信息自編碼器CsiNet進行改進,使用下行信道的延遲狀態信息作為信道狀態信息自編碼器的期望輸出信號來對自編碼器進行訓練,減少了反饋延遲誤差的影響。仿真結果表明,在延遲為1時隙時,所提方案的歸一化均方誤差為了彌補全卷積網絡受制于較小的感受域，無法充分捕獲長距離信息的缺陷，模型引入期望注意力塊（EMAU）置于編碼器之后，之前；然后，在訓練階段添加多層邊界輔助損失，有助于提高人物邊界輪廓的準確度；后，對模型進行量化壓縮。在Veer數據集上將所提網絡與PortraitFCN+、ENet和BiSeNet等網絡進行對比實驗。以故障類別概率分布為目標并將振動信號頻譜作為條件,通過條件變分自編碼器,建立齒輪箱振動信號頻譜到對應各故障下的條件概率模型,并通過多層神經網絡結合變分推斷方法進行訓練優化,實現對齒輪箱各類型故障的高精度分類診斷。結果在僅有少量訓練數據條件下,實現了準確的故障識別。結論條件變分自編碼器在齒輪箱振動信號頻譜概率分布建模上具有優異性能,對故障信號數據量的依賴低、泛化能力強,無需人工提取特征。

帶支架的SICK光電開關傳感器上海秉銘WTB9-3N1161P02自動化技術的廣泛應用產生了大量的建筑運行數據。這類數據存在復雜的非線性關系、噪音多、冗余度高,因此建模分析難度較大。采用近100組不同類型建筑的實測數據為研究對象,對其短期能耗進行預測分析,進而形成具有普適性的預測方法。針對整體預測過程,設計了特征工程和預測模型建立兩方面內容。在特征工程方面,研究了基于主成分分析和卷積自編碼器的線性和非線性特征工程方法。在預測模型建立方面,比較了傳統的線性回歸、極度梯度提升決策樹和神經網絡算法。通過分析近100組不同類型建筑的實測數據,量化了相關方法在短期建筑能耗預測中有效性和可靠性。

GTE6-P1211                                                  
GTE6-N1211                                                  
MPS-192TSTU0                                                
MPS-256TSTU0                                                
MPS-160TSTU0                                                
MPS-224TSTU0                                                
MLG1-0440F511K003                                           
MM18-70APS-VCK                                              
WTB9-3N1161P02                                              
WTB9-3N2461P04                                              
WTB9-3P3461S13                                              
WTB9-3P1161P01                                              
WTV4-3P3222S57                                              
WL9-3N1132P02                                               
MZN3-03VNS-KWDF19A                                          
WL27-3P1102S16                                              
WLG4S-3P2232VS03                                            
WLG4S-3F2234VS04                                            
WTB4S-3P2234VS05                                            
PL21MS09P09                                                 
PL21MS10P09                                                 
WL9-3P3030S01                                               
MLG5-2500F812                                               
WL9-3P3132                                                  
MPS-032TSNU0                                                
MPS-064TSNU0                                                
MPS-096TSNU0                                                
MPS-128TSNU0                                                
MPS-160TSNU0                                                
MPS-192TSNU0                                                
MPS-224TSNU0                                                
MPS-256TSNU0                                                
WL9-3F2234S20                                               
WTF4S-3P3232HS03