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。     

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TMS320C80的BP算法并行实现的研究

结合 TMS32 0 C80的编程结构 ,利用神经网络的权并行性和神经元并行性 ,提出了BP算法的并行实现方法 ,并解决了存储器访问冲突、数据双缓冲传输、PP细粒度并行和死锁等问题。结果表明 ,该并行 BP算法十分有效。     

求解装箱问题的遗传算法

本文提出了两种求解装箱问题（ＢｉｎＰａｃｋｉｎｇ）的遗传算法。一种是简单遗传算法,它采用等长度字符代码编码方法,使用常规的遗传操作算子。另一种是混合遗传算法,它综合运用解装箱问题的ＦＦＤ（ＦｉｒｓｔＦｉｔＤｅ－ｃｒｅａｓｉｎｇ）近似算法和简单遗传算法。试算结果表明,由这两种遗传算法所得到的装箱方案较一些近似算法所得到的装箱方案都要好。     

电机控制系统PID参数的遗传算法优化

近年来，遗传算法的研究十分引人注目，作为一种新型的、模拟生物进化过程的随机化搜索和优化方法。其算法简单通用，鲁棒性强，在组合优化、机器学习、自适应控制和规划设计等领域的应用中已展现了其特色和魅力。该方法是一种不需要任何初始信息并可以寻求全局最优解的、高效的优化组合方法。文章就是利用遗传算法对某一电机控制系统的PID参数进行优化，以提高控制系统的性能指标。     

卫星星座系统多学科设计优化研究

分析了卫星星座系统设计包含的星座设计、卫星设计、发射选择等学科之间的耦合关系，特别是卫星各分系统之间的耦合关系，建立了包括发射费用分析、成本分析在内的卫星星座系统多学科分析模型。在此基础上，采用分布式协同进化MDO算法，将星座设计优化和卫星的设计优化在自治基础上充分协同，对一个同时包含离散／连续设计变量、需进行星座结构和参数同时优化的虚拟的海洋监视卫星星座系统进行了多学科设计优化。算法对离散设计变量采用二进制编码，连续设计变量采用实数编码，并分别采用相应的进化算子。采用最大长度编码，根据一定的规则确定基因的显性和隐性，来处理结构和参数同时优化引起的设计变量维数可变的问题。设计结果显示了多学科设计优化的优势和分布式协同进化MDO算法对卫星星座系统这样的复杂多学科设计优化问题的有效性.