云模型和集成极限学习机相结合的滚动轴承故障诊断方法

针对轴承振动信号的不确定性和非平稳性以及BP神经网络学习算法收敛速度慢、稳定性差等问题,提出了基于云模型和集成极限学习机的滚动轴承故障模式识别方法.将经预处理之后的信号进行云化,产生滚动轴承在不同状态下的信号云;提取出决定信号云分布的期望、熵和超熵三个参数作为表征轴承状态的特征量并依此构造出原始的轴承状态数据集;再将故障特征数据集经归一化处理后送入集成极限学习机进行识别.研究结果表明:云-集成极限学习机方法可以有效地实现轴承故障模式识别,与传统神经网络识别方法相比,该方法拥有更高的识别准确率和稳定性,并且集成极限学习机在抗噪性方面有较好的表现.     

改进的D-t-SNE滚动轴承故障数据集降维方法

针对传统降维方法难以保持数据集的局部与全局几何结构特征问题,选择测地距离作为度量指标,提出改进t-SNE的故障数据集降维方法D-t-SNE.首先提取消噪振动信号的多域高维故障数据集,在对其进行归一化处理之后,利用GD指标改进后的D-t-SNE算法对高维故障数据集进行降维运算,去除冗余信息,然后通过不同的分类器对低维特征子集进行故障模式辨识.以UCI数据集和双跨转子实验台的模拟故障数据集为实验对象对D-t-SNE算法进行验证,并与SNE和t-SNE算法的各项实现结果进行对比.结果表明,D-t-SNE算法具有通过降低高维故障数据集的维数从而达到降低故障分类难度、提高故障辨识准确率的性能,可为降低旋转机械原始故障特征数据集的规模、降低故障分类的难度与提高故障辨识结果的可视化效果提供理论参考依据.     

应用绿色荧光蛋白标记技术研究钙调激Ⅱ在HeLa细胞中的分布

采用绿色荧光蛋白（GFP）标记技术研究钙离子钙调素依赖性蛋白激毒Ⅱ(CaMKⅡ）在HeLa细胞中的分布，为了研究细胞风钙离子钙调素信号的下游作用物，我们首先构建了CaMKⅡ与GFP的融合基因，磷酸钙沉淀法将pCaMKⅡ－GFP重组载体导入HeLa细胞，通过荧光显微镜观察，发现在细胞间期，CaMKⅡ－GFP融合蛋白主要分布于细胞核中，细胞质中亦有少量分布，这一分布不同于绿色荧光蛋白在间期细胞内的动匀分布，同时讨论了与间接免疫荧光染色方法相比，GFP技术在功能蛋白定位研究上的应用优势。