由于往复式压缩机的故障诊断需要复杂而耗时的特征提取过程,并且对超参数优化存在局限性,提出了一种基于深度学习和贝叶斯优化的压缩机故障诊断方法。首先通过时域计算短窗口的预处理方法降低模型复杂性,并且不损失时间相关信息。然后从压缩机振动信号的时间序列表示中迭代训练长短期记忆模型,在每次迭代中限定搜索空间,并利用贝叶斯优化方法对超参数进行优化。通过实验结果显示提出模型的故障识别率达到93%,与其他方法的对比结果证明该方法在性能上有了显著的提高。

本文研究了可燃药筒粘结质量的声脉冲诊断技术与系统.利用 Bayes 方法构造分类判别函数模型, 给出了实际粘结质量的分类验收结果.

针对电机轴承故障诊断模型构建时间长、准确率不高的问题,提出一种基于改进贝叶斯分类的故障诊断方法。首先通过小波包变化、粗糙集及主成分分析方法分别构造原始故障特征集、降维后的故障特征集,再将原始故障特征集和降维后的故障特征集输入到改进贝叶斯分类模型中实现故障诊断,以此为基础设计一套交流发电机轴承故障诊断系统。最后以国内车辆车载电机轴承振动数据为依据,将改进贝叶斯分类方法和神经网络及最小二乘支持向量机方法作对比分析,结果表明:改进贝叶斯分类方法建模时间更短,故障诊断准确率更高。

载荷识别的病态问题往往采用正则化技术处理,不过传统正则化方法所选取的正则化参数是恒定不变 的,导致识别出的载荷精度不是很高.提出了基于Gbbs抽样的结构时域载荷识别方法,将未知载荷和测量噪声假设为 随机变量,建立了载荷识别的多层贝叶斯模型,采用Gbbs抽样法获得载荷的后验值.相比于传统正则化方法,该法具有 本征的自适应正则化性能.数值结果表明,该法可提高载荷识别精度,自适应的正则化参数具有良好的优越性.

介绍当前全球前沿的大数据分析技术的基本理念,探索大数据技术在整车尺寸门匹配领域的应用尝试,阐述整车尺寸匹配问题预警与目前其他行业大数据应用的差异和创新解决方案。将内在逻辑较清晰的整车装配工艺,与仿真建模、数据采集获取以及贝叶斯网络模型大数据学习技术相结合,以实现整车尺寸领域的大数据预警。为相关行业领域大数据预警技术的应用提供参考。