针对滚动轴承传统故障诊断方法需要先验知识以及人工提取特征导致故障识别错误率高的问题,提出一种基于广义S变换(Generalized S transform,GST)和改进卷积神经网络(Convolutional Neural Network,CNN)的滚动轴承智能故障诊断方法。使用...针对滚动轴承传统故障诊断方法需要先验知识以及人工提取特征导致故障识别错误率高的问题,提出一种基于广义S变换(Generalized S transform,GST)和改进卷积神经网络(Convolutional Neural Network,CNN)的滚动轴承智能故障诊断方法。使用GST将一维振动信号转换为特征信息更加丰富的时频图,更加全面提取滚动轴承的故障特征信息。通过加入弹性斜率和高斯分布的神经元噪声,提出改进的激活函数EReLTanh(Elastic Rectified Linear Tanh,EReLTanh),并基于EReLTanh激活函数构建CNN。将得到的时频图进行压缩和归一化处理,生成时频图数据集并划分数据集。利用时频图数据集训练改进CNN,实现滚动轴承的智能故障诊断。使用自制实验平台采集不同种类滚动轴承故障数据,利用t-SNE进行全连接层特征降维可视化,结果表明:使用EReLTanh激活函数的CNN模型能够将不同故障样本的特征进行准确的分类,达到故障识别要求,同时使用该数据利用S变换、小波变换、GST并结合改进CNN和未改进CNN进行对比,提出的方法准确率得到提升。通过分析和对比实验可得出结论,利用GST和改进CNN的滚动轴承智能故障诊断方法能够在实际工程中更加简单方便地判断出故障类型及损伤程度,满足实际工程的需求。展开更多
随着智能手机的广泛普及,APP软件已成为日常生活中不可或缺的一部分。然而,APP软件的频繁使用也随之带来了越来越多的软件异常,这些软件问题不仅会影响用户体验,还可能造成数据丢失或安全风险。为了深入理解用户操作导致APP软件异常的...随着智能手机的广泛普及,APP软件已成为日常生活中不可或缺的一部分。然而,APP软件的频繁使用也随之带来了越来越多的软件异常,这些软件问题不仅会影响用户体验,还可能造成数据丢失或安全风险。为了深入理解用户操作导致APP软件异常的运行过程,该文从用户使用APP软件过程记录的日志信息中抽取了相关的日志元素,提出了一种基于用户操作的APP软件异常分析方法。首先,利用双向变压器编码器(Bidirectional Encoder Representations from Transformers,BERT)解析日志文本,以捕捉其中上下文的语义;其次,通过日志元素的时序特性分析元素间的因果关系;此外,基于日志元素的分布特征计算互信息,分析日志元素间的依赖程度,并融合上述多种关系特征构建日志元素关系图;最后,借助图遍历算法揭示用户操作引起软件异常的运行过程。实验验证,该方法的准确率和F1-score分别达到86.6%和74.1%。对比实验显示,该方法优于同类方法,验证了该方法的有效性。展开更多
文摘针对滚动轴承传统故障诊断方法需要先验知识以及人工提取特征导致故障识别错误率高的问题,提出一种基于广义S变换(Generalized S transform,GST)和改进卷积神经网络(Convolutional Neural Network,CNN)的滚动轴承智能故障诊断方法。使用GST将一维振动信号转换为特征信息更加丰富的时频图,更加全面提取滚动轴承的故障特征信息。通过加入弹性斜率和高斯分布的神经元噪声,提出改进的激活函数EReLTanh(Elastic Rectified Linear Tanh,EReLTanh),并基于EReLTanh激活函数构建CNN。将得到的时频图进行压缩和归一化处理,生成时频图数据集并划分数据集。利用时频图数据集训练改进CNN,实现滚动轴承的智能故障诊断。使用自制实验平台采集不同种类滚动轴承故障数据,利用t-SNE进行全连接层特征降维可视化,结果表明:使用EReLTanh激活函数的CNN模型能够将不同故障样本的特征进行准确的分类,达到故障识别要求,同时使用该数据利用S变换、小波变换、GST并结合改进CNN和未改进CNN进行对比,提出的方法准确率得到提升。通过分析和对比实验可得出结论,利用GST和改进CNN的滚动轴承智能故障诊断方法能够在实际工程中更加简单方便地判断出故障类型及损伤程度,满足实际工程的需求。
文摘随着智能手机的广泛普及,APP软件已成为日常生活中不可或缺的一部分。然而,APP软件的频繁使用也随之带来了越来越多的软件异常,这些软件问题不仅会影响用户体验,还可能造成数据丢失或安全风险。为了深入理解用户操作导致APP软件异常的运行过程,该文从用户使用APP软件过程记录的日志信息中抽取了相关的日志元素,提出了一种基于用户操作的APP软件异常分析方法。首先,利用双向变压器编码器(Bidirectional Encoder Representations from Transformers,BERT)解析日志文本,以捕捉其中上下文的语义;其次,通过日志元素的时序特性分析元素间的因果关系;此外,基于日志元素的分布特征计算互信息,分析日志元素间的依赖程度,并融合上述多种关系特征构建日志元素关系图;最后,借助图遍历算法揭示用户操作引起软件异常的运行过程。实验验证,该方法的准确率和F1-score分别达到86.6%和74.1%。对比实验显示,该方法优于同类方法,验证了该方法的有效性。
