现有工业控制网络入侵检测准确率不高,为此提出了一种改进CNN入侵检测方法。首先,针对传统CNN无法有效提取稀疏数据特征的问题,采用小尺寸卷积核串联的Inception模块替代传统CNN卷积层,针对网络平均池化或最大池化可能弱化或丢失关键信息的问题,采用自适应池化方式;然后,基于改进CNN构建工业控制网络入侵检测模型;最后,通过NSL-KDD数据集和天然气管道数据集对入侵检测模型的性能进行验证。结果表明,在NSL-KDD数据集上,相较于传统CNN算法和Inception-CNN,改进CNN算法的准确率可达98.50%,误报率为0.34%;在天然气管道数据集上,相较于C-SVM算法和K-means算法,改进CNN算法的准确率可达96.32%,误报率仅为1.25%。改进CNN可实现工业控制网络入侵的高精度检测。

考虑到深度神经网络具备优异的故障识别性能,针对柱塞泵压力与流量信号特征提取难度大问题,设计了一种综合运用小波变换与希尔伯特-黄变换来实现的特征提取方法,建立了RBM-BP网络来达到优化原始特征的作用,利用高级融合特征诊断柱塞泵泄漏状态。高级特征散点表明,深度置信网络在学习原始特征方面表现出了较强学习能力,实现原始特征的抽象提取,确保高级特征能够更准确完成柱塞泵内泄分级与诊断过程。研究结果表明所有正常泄漏样本都被准确预测,微弱泄漏与严重泄漏都出现了1个样本发生错误预测情况。相比较SSAE与H-ELM,RBM-BP在各层中都表现出比更低的识别。RBM-BP方法获得了比SSAE与H-ELM更高的准确率,准确率波动性也更小,表明RBM-BP模型达到了更优的稳定性,表现出了对柱塞泵内泄状态更强辨识能力与稳定性。

为了更好地识别噪声与时变转速条件对变工况齿轮箱的故障,开发了一种通过深度小波自动编码器(DWAE)与门控循环单元神经网络(GRUNN)相结合的变工况齿轮箱故障识别方法,其能够从含噪样本自主提取得到鲁棒故障特征;通过Adam与Dropout方法进行训练,通过Softmax分类器对待诊样本的变工况齿轮箱运行状态进行了准确识别。研究结果表明,采用该模型识别齿轮故障时,能够达到有效分离齿轮的6种故障状态,从而满足齿轮状态聚类的优化功能;该模型能够提取出DWAE的鲁棒特征参数,也可以发挥GRUNN以实现消除梯度的效果。当训练样本数增加,待诊样本的准确率也发生了明显提升。样本数超过200后,测试待诊样本可获得稳定准确率,通过DWAEGRUNN方法识别得到的准确率最高。针对变转速工况,该模型可以保持很好的准确率。

主分量分析(PCA)是统计学中分析数据的一种有效方法.研究了基于主分量分析的声信号特征提取算法,并利用这种算法对四种战场目标的声信号进行特征提取,获得了低维的特征向量.设计了K近邻和改进BP网络两种分类器对声目标进行分类,分类结果准确率较高,均获得满意的实验效果.

随着大数据、工业4.0、两化融合等概念的兴起，BOM数据越来越被管理者重视，整车制造业是一项纷繁复杂的系统工程，BOM数据贯穿整个产品生命周期的始终，项目的不同阶段BOM的形态不同、使用部门也不同，对BOM的要求也不同，产品研发成功至交付给客户（下游部门）的某一点BOM准确率是100%，但在长期生产过程中，BOM的作用与BOM的初衷越来越远，不加以控制会像抛物线一样，慢慢脱离我们的预定轨道；本文主要阐述观点为：BOM是企业各项业务运行的数据基础，BOM准确率需要整个公司所有员工进行保证，发现问题、分析问题、解决问题，其中发现问题是前提，分析问题是关键，解决问题是目的。要通过问题透明来加快分析问题研究问题的进程，最终实现解决问题的目的，促进公司研发、采购、生产经营管理各项任务的顺利完成与各项管理成本的降...

以传统1DCNN模型分析柱塞泵故障时无法完成深度学习过程,对最终数据精度造成不利影响。在设计模型时加入更高比例的卷积层,促进D-1DCNN模型特征提取效率的显著增强。以型号25YCY轴向柱塞泵为测试对象,通过三轴加速度计和耦合器完成振动信号的获取,开展故障诊断测试分析。研究结果表明:对D-1DCNN进行网络参数调节优化确定,学习率为0.3,卷积核高度3,批处理量保持50,最大池化模型,Adam优化器。在10次迭代后再进行第二次迭代时达到100%准确率,训练时间共124 s,表明D-1DCNN能够满足对轴向柱塞泵故障进行准确诊断的结果,完全符合智能故障诊断指标。该研究对提高25YCY柱塞泵的故障诊断具有很好的实际应用价值。