柴油燃料性质对内燃机排放的影响及机动车燃料的发展趋势

对显著影响内燃机排放的柴油燃料的性质进行表征,通过分析燃料化学组成对机动车污染排放物的影响,提出降低柴油中硫和芳香烃含量、改进十六烷值可满足排放标准的要求.从几个关键技术指标对机动车柴油燃料发展趋势进行总结,提出降低改进内燃机排放的技术措施.     

一种基于深度融合模型的滚动轴承故障诊断方法

针对噪声环境下滚动轴承故障难以诊断的问题,提出一种基于深度学习融合网络的轴承故障识别新方法。该方法首先对轴承振动信号进行一定程度的随机损坏,并将加噪后的数据输入卷积降噪自编码器(convolutional denoising autoencoder,CDAE)中对网络进行训练,目的是降低信号中的噪声干扰并提取浅层特征;然后,利用深度信念网络(deep belief network,DBN)学习深层特征并建立轴承状态识别模型,输出故障识别结果。在融合模型中,将卷积降噪自编码器作为网络的第一层以增强网络的抗干扰能力,提高故障的识别精度。使用凯斯西储大学(CWRU)滚动轴承数据对所提模型进行验证,结果表明提出的融合模型在噪声环境下能够较好地实现轴承的故障状态识别。     

基于CNN的棉田杂草识别方法

针对杂草的精确喷洒问题提出一种基于卷积神经网络(Convolution Neural Network, CNN)的棉花植株和杂草的检测识别方法。首先采集不同环境下棉田中棉花植株和不同种类的杂草图像作为网络模型的数据集，对数据集进行数据增强来增加数据集的数量，将其分为训练集与测试集；然后构建CNN模型，在模型中添加Dropout层，以防止网络出现过拟合，将训练集数据输入网络模型，使模型学习棉花植株和杂草的特征信息；最后将测试集数据输入CNN模型，测试CNN模型对棉花植株和杂草的识别能力。研究结果表明CNN对于棉花植株和杂草的分类结果精度超过了99.95%,识别时间为197.2s,证明CNN可以快速高效的识别棉田中棉花植株和杂草，为农业智能精确除草装备的研发提供研究基础。     

基于低秩-稀疏分解的滚动轴承故障特征提取

针对旋转机械早期故障特征微弱且易受背景噪声影响而难以提取的问题,提出一种基于低秩-稀疏分解的轴承信号瞬态特征提取方法。研究了周期性瞬态信号的稀疏时频表示,建立了低秩-稀疏模型并从背景噪声中提取瞬态冲击信号。首先,通过高阶同步压缩变换(high-order synchrosqueezing transform, FSSTH)将测量信号变换到一个新的稀疏子空间;然后,使用鲁棒主成分分析算法(robust principal component analysis, RPCA)将稀疏时频矩阵分解为低秩部分和稀疏部分;最后,对低秩矩阵施加逆高阶同步压缩变换恢复得到瞬态冲击信号,并通过包络谱分析实现故障诊断。该方法由数据驱动实现,不需要任何先验信息。仿真信号和实际信号分析结果表明,所提方法可有效增强振动信号中故障引起的周期性瞬态冲击特征,能够实现强噪声背景下滚动轴承微弱故障特征提取。     

一种基于深度融合模型的滚动轴承故障诊断方法

针对噪声环境下滚动轴承故障难以诊断的问题,提出一种基于深度学习融合网络的轴承故障识别新方法。该方法首先对轴承振动信号进行一定程度的随机损坏,并将加噪后的数据输入卷积降噪自编码器(convolutional denoising autoencoder, CDAE)中对网络进行训练,目的是降低信号中的噪声干扰并提取浅层特征;然后,利用深度信念网络(deep belief network, DBN)学习深层特征并建立轴承状态识别模型,输出故障识别结果。在融合模型中,将卷积降噪自编码器作为网络的第一层以增强网络的抗干扰能力,提高故障的识别精度。使用凯斯西储大学(CWRU)滚动轴承数据对所提模型进行验证,结果表明提出的融合模型在噪声环境下能够较好地实现轴承的故障状态识别。