带支架的SICK光电开关传感器上海秉铭WTB9-3N1161P02有效滚动轴承特征和消除特征之间的冗余,提出一种基于堆栈稀疏自编码器和Softmax层构建的深度神经网络(DNN)用于轴承故障诊断。首先从振动信号提取12个统计特征和6个时频域特征,然后将获得的特征用于构建18维特征向量;高维特征向量通过堆栈稀疏自编码器逐层学习获得无冗余的高级特征;后将特征输入Softmax分类层进行轴承故障诊断。基站根据用户反馈的信道状态信息进行自适应编码调制以提高频谱效率,因此需要将用户侧估计到的信道状态信息反馈到基站。由于反馈过程存在的延迟会降低系统性能,因此在考虑延迟的情况下,对基于深度学习的信道状态信息自编码器CsiNet进行改进,使用下行信道的延迟状态信息作为信道状态信息自编码器的期望输出信号来对自编码器进行训练,减少了反馈延迟误差的影响。仿真结果表明,在延迟为1时隙时,所提方案的归一化均方误差为了弥补全卷积网络受制于较小的感受域，无法充分捕获长距离信息的缺陷，模型引入期望注意力块（EMAU）置于编码器之后，之前；然后，在训练阶段添加多层边界辅助损失，有助于提高人物边界轮廓的准确度；后，对模型进行量化压缩。在Veer数据集上将所提网络与PortraitFCN+、ENet和BiSeNet等网络进行对比实验。以故障类别概率分布为目标并将振动信号频谱作为条件,通过条件变分自编码器,建立齿轮箱振动信号频谱到对应各故障下的条件概率模型,并通过多层神经网络结合变分推断方法进行训练优化,实现对齿轮箱各类型故障的高精度分类诊断。结果在仅有少量训练数据条件下,实现了准确的故障识别。结论条件变分自编码器在齿轮箱振动信号频谱概率分布建模上具有优异性能,对故障信号数据量的依赖低、泛化能力强,无需人工提取特征。

带支架的SICK光电开关传感器上海秉铭WTB9-3N1161P02自动化技术的广泛应用产生了大量的建筑运行数据。这类数据存在复杂的非线性关系、噪音多、冗余度高,因此建模分析难度较大。采用近100组不同类型建筑的实测数据为研究对象,对其短期能耗进行预测分析,进而形成具有普适性的预测方法。针对整体预测过程,设计了特征工程和预测模型建立两方面内容。在特征工程方面,研究了基于主成分分析和卷积自编码器的线性和非线性特征工程方法。在预测模型建立方面,比较了传统的线性回归、极度梯度提升决策树和神经网络算法。通过分析近100组不同类型建筑的实测数据,量化了相关方法在短期建筑能耗预测中有效性和可靠性。

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