Semi-supervised gear fault diagnosis using raw vibration signal based on deep learning

In aerospace industry, gears are the most common parts of a mechanical transmission system. Gear pitting faults could cause the transmission system to crash and give rise to safety disaster. It is always a challenging problem to diagnose the gear pitting condition directly through the raw signal of vibration. In this paper, a novel method named augmented deep sparse autoencoder (ADSAE) is proposed. The method can be used to diagnose the gear pitting fault with relatively few raw vibration signal data. This method is mainly based on the theory of pitting fault diagnosis and creatively combines with both data augmentation ideology and the deep sparse autoencoder algorithm for the fault diagnosis of gear wear. The effectiveness of the proposed method is validated by experiments of six types of gear pitting conditions. The results show that the ADSAE method can effectively increase the network generalization ability and robustness with very high accuracy. This method can effectively diagnose different gear pitting conditions and show the obvious trend according to the severity of gear wear faults. The results obtained by the ADSAE method proposed in this paper are compared with those obtained by other common deep learning methods. This paper provides an important insight into the field of gear fault diagnosis based on deep learning and has a potential practical application value.     

基于梯度提升决策树的量子科学实验卫星光学实验预测

量子科学实验卫星在轨运行期间完成4种光学实验，地面监测人员通过遥测参数阈值判断卫星是否进行光学实验、实验类型及实验结果.这种方法需要预先设定大量阈值，并且这些阈值需要根据在轨卫星重新设定，可扩展性较差.针对以上问题，提出一种基于机器学习的光学实验判别方法，将量子科学实验卫星的光学实验监测任务抽象为机器学习中的多元分类问题，构建分类模型，利用量子科学实验卫星的真实历史遥测数据对模型进行训练，并通过真实实验计划对训练得到的模型进行验证.实验结果表明，本文提出的方法在没有专家先验知识的前提下，判别准确率达到99%，可用于量子科学实验卫星光学实验的实时监测任务.提出的基于机器学习的判别方法具有较强的可扩展性，可应用于卫星在轨运行的其他监测任务.      

河北省高校农村生源学生思想现状调查研究

河北省农村人口占总人口的79％，是一个比较典型的农业大省。农村生源大学生，是河北省在校大学生的重要组成部分，占生源的最大比例。大学生是宝贵的人才资源，他们的素质尤其是思想政治素质如何，他们能否成为社会主义事业的合格建设者和可靠接班人，是一个非常重要的问题。因而，科学分析和把握他们的思想政治状况，将会增强我们把握大学生思想脉搏的准确性和说服力。为此笔者选取了河北省八个地市的不同高校，进行了问卷调查、座谈和访谈。对河北省农村生源大学生的思想现状进行了调查。通过统计软件的录入和整理，统计结果比较真实地显示了当前河北省农村生源大学生的思想现状。     

飞机选型的模糊评判

本文把模糊数学的模糊变换原理用于购买新机型的评判。给出了各评判指标的定义和隶属度:并按 Saatz 的二元对比标度确定各指标的重要度;以及模糊变换的计算方法和应用举例。     

HML系统在商店偏好决策模型中的应用研究

对混合式机器学习系统（HML）进行了全面系统的介绍，并将其运用于服装消费商店偏好决策行为的研究中。采用上海统计局家庭调查网络，对300户家庭进行抽样分析后发现，服装消费商店偏好的主要影响因素是地区、季节、丈夫和妻子的学历、职业以及子女性别。在此基础上，将HML分析所得的结论与传统的研究方法和结果进行了系统比较：从方法上来看，因为属性变量包含间断变量和连续变量两种，因此传统统计分析要运用两种不同的检测方法对影响因素的相关性作出判断，结果需要经过统计学分析，才能得到结论；而HML分析结果比较直观和简单，便于理解。     

以培养适用型人才为宗旨建立新型的校外学习中心管理体系

校外学习中心是远程教学和远程学习的活动基地。校外学习中心必须能适应市场经济形势需求,以培养适用型人才为宗旨,不断完善自身机制,实行规范化管理,不断提高教学管理工作水平,建立起新型的管理体系。     

基于模糊粗糙集的飞机远程故障诊断模型研究

粗糙集和模糊集结合在飞机故障诊断领域有巨大的发展潜力。针对当前飞机故障诊断中所存在的问题,借助C/S模式,将粗糙集和模糊集结合,提出一种新型的飞机远程故障诊断模型,并且开发出远程诊断系统框架。系统的可行性和有效性得到了飞机故障诊断实例的证实。该系统具有客户端响应快、系统效率高、诊断及时的特点,对于当前民用飞机远程故障诊断具有重要应用价值。     

无人机自由编队飞行的补偿模糊神经网络控制

为了克服当前提出的无人机编队飞行的不足，提出一种新的无人机编队飞行概念——自由编队飞行，制定了相关的避让规则，用补偿模糊神经网络进行训练，实现自由编队飞行的补偿模糊神经网络控制。仿真显示，编队飞行的飞机能按照规则自主改变航路进行避让，表明了该方法的有效性。     

基于因子模糊化BP神经网络的磨损颗粒识别

在引入了一套磨粒形态学描述子来提取磨损颗粒的显微形态特征的基础上 ,采用人工神经网络技术 ,编制了用于磨损颗粒自动识别的 BP网络计算机模拟程序。在网络训练的过程中应用了本文引入的因子模糊化训练方法 ,使训练速度大大加快 ,以异或问题为例 ,速度可提高 5～ 1 0倍。应用此网络对磨粒测试库进行识别实验 ,识别正确率在 90 %以上 ,并且识别速度很快 ,大大优于传统的磨粒识别方法。