基于双重注意力机制及S-BiGAN的机电设备故障诊断

标签样本少条件下机电设备的准确故障诊断对于提高复杂机电设备的健康管理能力具有重要意义。针对标签样本少条件下难以建立准确故障诊断模型的问题,在半监督生成对抗网络的基础上,将注意力模块引入生成对抗网络,并利用格拉姆角场将一维数据转换为二维图像;结合双向生成对抗网络特点,提出一种基于双重注意力机制的半监督双向生成对抗网络（S-BIGAN）机电设备故障诊断模型,以轴承数据为例进行验证。结果表明：与CNN-SVM、SGAN 等算法相比,本文提出的模型能够提高样本生成质量和故障分类特征,有效解决标签样本少情况下的故障诊断问题,极大地提高了故障诊断准确率。     

分子筛氧气浓缩器多因素退化试验设计

针对分子筛氧气浓缩器（MSOC）退化试验（DT）研究不足及分子筛床（MSB）退化失效影响因素不明确的情况，提出了一种基于正交试验的氧气浓缩器退化试验设计方法。在分析氧气浓缩器工作原理的基础上，确定了造成分子筛床退化失效的主要因素，并搭建了分子筛氧气浓缩器退化试验系统，通过多组对照试验确定并验证了退化试验的最佳试验高度为9 km；基于正交试验思想设计了分子筛氧气浓缩器退化试验方案，采用9组典型试验即可获得各因素的影响结果，减少了试验次数，降低了试验成本，提高了耦合试验的效率。该试验设计可以模拟受试设备的真实工作环境，并可有效降低试验因素变化对试验结果初值的影响。