摘要：本论文聚焦于电力系统中至关重要的一次设备检修管理,设计并开发了一套变电一次设备检修维护管理系统,该系统以日常维护和定期检修为核心,兼顾设备状态监测与故障处理,包含设备信息管理,检修工作管理和故障处理管理等多个功能模块,实现了设备状态的实时监控与及时检修,借助计算机网络与数据库技术,该系统显著提升了维护与检修的效率与质量,实际应用表明,该系统不仅有效减少了人为因素干扰,增强了设备运行的安全性与可靠性,还大幅提高了检修维护工作效率与质量,降低了运行成本,对于确保电力系统的稳定运行具有重要现实意义。

摘要：针对滚动轴承工况复杂多变、环境噪声干扰大、有效数据样本不足而导致的故障诊断效果不佳的问题,提出了一种用于滚动轴承变工况故障诊断的改进残差神经网络方法。以采集到的滚动轴承时域信号作为输入,针对滚动轴承时域信号时变性较强的特点,构建了一种基于Inception模块改进的数据池化层。基于Inception模块思想,采用3个3×3的小卷积层串联和堆叠以及加入残差连接的方式构建数据池化层,有效地提取了特征信息。在残差块中添加跳跃连接线,设计了一种带跳跃连接线的残差块,增强了残差块对特征信息的学习效率。利用空洞卷积能够扩大感受野的优点,将带跳跃连接线的残差块中的普通卷积替换为空洞卷积,设计了一种带跳跃连接线的空洞残差块。将设计的两种残差块端对端首尾相连构建神经网络。将所提方法与SVM+EMD+Hilbert包络谱、BPNN+EMD+Hilbert包络谱和ResNet方法进行了仿真对比,结果表明,所提方法在变噪声实验中的平均准确率为97.34%,变负荷实验中的准确率为88.83%~96.76%,均高于其他方法的,变工况实验中的平均准确率高于ResNet方法的,且具有更低的均值方差0.000 6。所提方法具有较强的抗噪性和泛化能力。

摘要：基于智慧档案管理系统的层次,明确智慧档案馆建设所依靠的资源,重点分析智慧档案管理系统应该具备的安全认证,档案信息的存储、组织和检索,档案知识推荐、系统互操作等功能。

摘要：有效地预测高铁列控车载设备故障率对合理分配设备备品、制定维修计划、减少故障发生具有重要意义。以列车运行控制系统的历史故障数据为对象,提出一种基于变分模态分解(VMD)和门控循环单元(GRU)的故障率预测模型。首先,利用VMD将车载设备故障率时间序列分解为一组包含不同频率信息的子序列,降低原始序列的非平稳性;然后,针对分解后的各个子序列建立多个基于GRU的时间序列预测模型,为提高预测精度,提出一种改进的猫群优化(ICSO)算法自适应设置各个GRU网络参数;最后,叠加各子序列预测结果得到最终故障率预测值。收集CTCS3-300T型列控车载设备历史故障数据进行实验,结果表明,相比于其他时间序列预测模型,本文模型得到的均方根误差(RMSE)和平均绝对误差(MAE)分别为0.0445和0.0391,均低于其他模型,验证了其有效性。

摘要：针对传统方法在滚动轴承故障诊断中无法自适应提取有效特征信息,且滚动轴承在强环境噪声干扰、复杂变工况等因素影响下诊断效果不佳,有抗噪性和泛化性下降的问题,提出了一种双路并行多尺度的改进残差神经网络(residual neural network, ResNet)的方法。该方法设计了多尺度的残差Inception模块,可以有效提取特征信息,同时加入注意力机制解决了数据的突变性和差异性,此外还使用多个空洞卷积的残差块扩大感受野,有助于提取更多特征信息,实现准确故障诊断。利用凯斯西储大学轴承数据集和东南大学变速箱数据集分别训练并测试了诊断效果,将该方法与其他卷积神经网络的方法在变噪声、变工况情况下作了对比,诊断准确率最高达到99.73%,平均准确率也在95%以上,均高于其他比较方法。结果表明,该方法在复杂多变的工况下具有较好的故障识别能力和泛化能力。

摘要：针对图像超分辨率重建算法在图像高频信息恢复过程中特征提取不充分、利用效率不高、重建高频细节能力不足等问题,本文提出了一种基于信息蒸馏级联伸缩网络的图像超分辨率重建算法.首先,构建特征可伸缩的信息蒸馏块,通过扩大信息蒸馏中输入信息的特征感受野,以及采用通道注意力提取感兴趣信息,解决了信息蒸馏的图像超分辨率重建非线性映射过程中特征提取不充分的问题;然后,设计级联残差叠加映射块,该块将多个残差块组合在一起,通过将残差结构中的残差部分引出并采用级联叠加的方式,增加了信息蒸馏块间信息的传递,使提取的特征信息包含更多细节.实验结果表明,本文算法重建图像相比其他对比算法更为清晰,峰值信噪比(PSNR)和结构相似度(SSIM)均有较大的提升.

摘要：针对基于深度学习的滚动轴承故障诊断算法需要从大量标注数据中学习,且面对样本数量受限时诊断效果不佳的问题,文中提出了一种基于格拉姆角差场(GADF)和生成对抗网络(GAN)的小样本滚动轴承故障诊断方法。首先,提出了基于GADF变换的数据增强方式,将少数1维振动信号通过GADF变换转换为2维GADF图像,并通过裁剪得到GADF子图,从而得到大量的图像样本;然后,将条件生成对抗网络(CGAN)与带有梯度惩罚的Wasserstein GAN(WGAN-GP)相结合,构建一种新的生成对抗网络,该网络通过条件辅助信息与梯度惩罚增强模型训练稳定性,并设计动态坐标注意力机制以增强模型的空间感知能力,从而生成高质量样本;最后,使用生成的样本对分类器进行训练,并在验证集上得到诊断结果。文中分别使用东南大学数据集和美国凯斯西储大学(CWRU)数据集进行了两组小样本环境下的轴承故障诊断实验。结果表明,与传统生成对抗网络以及先进的小样本故障诊断方法相比,文中所提方法的准确率和精确率等5项故障诊断指标均获得最好的结果,可以准确诊断出小样本条件下的轴承故障类型。

摘要：由于快速的卷积神经网络超分辨率重建算法(FSRCNN)卷积层数少、相邻卷积层的特征信息之间缺乏关联性,因此难以提取到图像深层信息导致图像超分辨率重建效果不佳。针对此问题,该文提出多级跳线连接的深度残差网络超分辨率重建方法。首先,该方法设计了多级跳线连接的残差块,在多级跳线连接的残差块基础上构造了多级跳线连接的深度残差网络,解决相邻卷积层的特性信息缺乏关联性的问题;然后,使用随机梯度下降法(SGD)以可调节的学习率策略对多级跳线连接的深度残差网络进行训练,得到该网络超分辨率重建模型;最后,将低分辨率图像输入到多级跳线连接的深度残差网络超分辨率重建模型中,通过多级跳线连接的残差块得到预测的残差特征值,再将残差图像和低分辨率图像组合在一起转化为高分辨率图像。该文方法与bicubic,A+,SRCNN,FSRCNN和ESPCN算法在Set5和Set14测试集上进行了对比测试,在视觉效果和评价指标数值上该方法都优于其它对比算法。

摘要：针对深层网络特征参数量大和故障类别样本数量不平衡导致轴承故障诊断效果差的问题,提出了一种不平衡数据下的轻量化轴承故障诊断方法。首先,将传感器所采集的一维振动信号重构为二维灰度图作为模型输入;其次,设计了非对称多尺度特征提取模块,利用不同尺度的卷积和空洞卷积对输入信号进行特征提取,并将一部分特征映射到原始空间用于去除噪声和还原原始数据结构;紧接着,被提取的丰富特征信息送入所设计的通道位置双加权模块利用反通道卷积和局部均值的方法对关键通道和关键位置特征进行双向加权;然后,设计了深度可分离卷积(DSC)密集残差结构,在保证网络轻量化的同时增加各层网络的特征融合,并通过快捷路径优化了反向传播性能;最后,利用焦点损失函数根据不同故障类别的重要性调整模型的学习过程,从而更好地适应不平衡的数据分布。利用美国凯斯西储大学轴承数据集和本实验数据集实验验证,结果表明,所提方法在不平衡数据集下故障诊断准确率最高,轻量化程度最好,并具有较好的抗噪性能。

摘要：针对滚动轴承在强噪声环境和变工况下故障诊断效果不佳、泛化能力差的问题,提出一种改进卷积神经网络(CNN)的滚动轴承变工况故障诊断方法。设计了多尺度特征提取模块,采用不同尺度的卷积层提取对输入数据特征,实现了提取故障数据中特征信息最大化。同时,引入通道注意力机制,提取出该模块中更重要、更关键的信息;设计了带跳跃连接线的卷积模块,防止提取到的丰富特征在卷积层前向传递时丢失;以Softmax交叉熵作为损失函数,利用Adam优化算法实现滚动轴承故障诊断。将所提方法分别在凯斯西储大学轴承数据集和变速箱数据集上进行实验验证,结果表明:在凯斯西储大学轴承数据集上的变噪声实验中,所提方法诊断平均准确率为96.49%,在变工况中诊断准确率在90%以上,均高于比较方法;在变速箱轴承数据集上,所提方法诊断准确率为99.54%,具有较好的抗噪性和更好的泛化能力。