摘要：针对滚动轴承振动信号非平稳、非线性且易受噪声干扰的特点,以及单一振动信号对某些轴承故障识别率偏低的问题,提出一种基于变分模态分解(variational mode decomposition,VMD)灰度图像编码和卷积神经网络(convolutional neural networks,CNN)的多传感融合轴承故障诊断方法。首先,采用VMD对驱动端和风扇端振动信号分解,提取各阶本征模态分量与原始信号相关系数最大的分量;其次,将筛选出的本征模态函数(intrinsic mode function,IMF)分量依次排列并转换成灰度图像;最后,设计CNN结构,将训练集输入网络进行训练,测试集验证网络的有效性,实现滚动轴承故障识别。CWRU数据集和西安交通大学XJTU-SY数据集测试准确率分别达到99.90%和100%,结果表明:该方法能够准确识别变工况下轴承故障类别及损伤程度;对原始信号加入高斯噪声后的测试准确率分别达到99.75%和99.90%,证明该方法具有良好的泛化能力和抗噪性能。

摘要：针对光纤温度信号非平稳、非线性的特点,以及在海床表面温度和海床深处温度近似相等即温度平衡时间段内,利用光纤温差识别海缆浅埋位置存在一定的局限性问题,提出一种基于优化VMD混合域特征和LSTM的海缆浅埋状态识别方法,用于识别海缆深埋和浅埋两种状态。首先,采用参数优化的VMD对光纤温度信号进行分解,提取各阶本征模态分量与原始信号相关系数最大的分量;其次,提取原始温度信号的时域和频域特征,结合所选IMF的时域和频域特征以及能量和熵特征构建混合域特征集,并利用CDET进行敏感特征选择;最后,设计LSTM结构,将训练集输入网络进行训练,测试集验证网络的有效性,实现海缆浅埋状态识别。通过现场采集的海缆光纤温度数据进行验证,测试准确率达到100%,结果表明,该方法能够准确识别海缆浅埋状态。

摘要：目的建立一种简便、快速的鉴定流行性腮腺炎病毒(Mumps Virus,MuV)基因的方法,即一步法逆转录-聚合酶链反应(Reverse Transcription-Polymerase Chain Reaction,RT-PCR)。方法在MuV小疏水蛋白(Small-hydrophobin Protein,SH)基因两端设计引物,同时对所建立的一步法RT-PCR方法进行敏感性和特异性实验。结果一步法RT-PCR方法至少能检测出MuV100.7TCID50(Median Tissue Culture Infective Dose,50%组织培养感染剂量),5株MuV均呈阳性,而4株非MuV呼吸道病毒RT-PCR结果均未见阳性条带。结论一步法RT-PCR是一种快速、简便的鉴定MuV SH基因的方法。