摘要：针对复杂工况下高速动车组轴箱轴承故障难以准确诊断的问题,提出了一种ShuffleSE单元设计方法,并基于模块化思想建立了一种新的轻量化网络Shuffle-SENet用于高速列车轴箱轴承故障诊断。Shuffle-SE单元以ShuffleNet V2单元为基础,在保留网络轻量化的同时,对网络结构进行了局部优化,并进一步嵌入了Squeeze-and-excitation(SE)结构。所构建的轻量化网络模型在保证运算高效的同时,故障诊断精度明显提升。此外,本文对Shuffle-SE单元的数量及SE结构中降维系数对网络模型性能的影响进行了深入分析。实验分析结果表明:本文网络模型可有效用于多种复杂工况下高铁轴箱轴承故障诊断,相比MobileNet V2、ShuffleNet V1/V2、ResNets等目前较为流行的神经网络模型,本文模型在运行效率和故障诊断精度两方面均有较好表现。本文研究为深度学习技术走向工程实际应用,克服对计算机硬件配置较高的限制提供了一种新的解决方法。

摘要：深度神经网络技术用于机械设备故障诊断展现出了巨大潜力,但繁重复杂的计算量对计算机硬件提出了严苛的要求,严重限制了其在实际工程中的应用.基于此提出一种新型的轻量级神经网络ShuffleNet,用于高速列车轮对轴承故障诊断研究.该网络模型基于模块化设计思想,包含多个高效率的ShuffleNet单元,通过运用分组卷积与深度可分离卷积技术极大改善了传统卷积操作的运算效率;同时使用通道混洗方法克服了通道分组带来的约束,改进了网络的损失精度.实验分析表明,所提网络模型可有效用于复杂工况下高速列车轮对轴承故障诊断,相比传统卷积神经网络、残差网络和Xception等当前深度神经网络模型,在保证诊断精度的同时,运行效率得到大幅提升.这为深度神经网络技术应用于工程实际,克服计算机硬件条件限制提供了一条新的途径.

摘要：霍尔天平材料中层间耦合作用易于调控,基于此可以实现多组态磁存储模式,其区别于当前基于自旋阀或者磁性隧道结的传统二组态磁存储原理.与此同时,还可以在存储单元中实现信息的逻辑运算从而提高器件整体的运算效率.这一设计有利于自旋电子学器件的微型化、集成化,有望从物理原理上解决当前基于自旋阀或者磁性隧道结的传统二组态自旋电子学材料器件的技术瓶颈,进一步提高磁存储密度,为推动新型自旋电子学材料的研究开辟了一条新的研究思路.首先,本综述将介绍基于霍尔天平材料的磁存储器件的研究背景;其次,重点介绍霍尔天平存储逻辑器件一体化设计的提出与发展历程;再次,介绍霍尔天平材料关键指标-霍尔电阻比值的界面调控及物理机理探索;随后详细阐述霍尔天平体系中磁性斯格明子的产生与多场调控等动态行为.最后,简单介绍霍尔天平结构在其他相关材料中的扩展、应用,并展望其在未来器件应用中的前景.