摘要：多变量时间序列异常检测是指从相互关联的多个单变量时间序列中识别不正常的事件或行为的过程。现有的多变量时间序列异常检测方法在应用到新领域时,由于样本分布差异导致检测性能下降。而重新训练模型需要大量新领域的标注数据,且不能有效利用源领域的领域知识。针对这一问题,提出了一种基于深度迁移学习的多变量时间序列异常检测框架,该框架设计了编码器-解码器结构来提取多变量时间序列的特征,同时通过最小化嵌入层向量的距离来减小领域分布差异。基于该框架,提出一种基于ConvLSTM和最大均值差异(MMD)的多变量时间序列异常检测迁移学习方法,并利用解码后的重构误差检测多变量时间序列中的异常。最后,在服务器和空气质量两个多变量时间序列数据集上进行了实验。实验结果显示,目标域训练样本较少时,所提方法在迁移后的检测F1值比迁移前分别提升1.8%和4.2%。对比直接在目标域少量样本上训练模型,F1值提升了约9%。实验表明,所提迁移学习框架和方法对于有效提升多变量时间序列异常检测的性能。

摘要：针对国内高涵道比涡扇发动机风扇叶片的设计亟需,分析得到槽间垫片功用及设计要求,并通过机理试验揭示了槽间垫片减振机理。研究结果表明:在常规简谐激励作用于风扇叶片时,槽间垫片并不能提供有效阻尼,无法起到减振作用。在高能冲击载荷作用于风扇叶片时,槽间垫片可以起到较好的阻尼作用,快速地衰减自由振动,降低疲劳损伤积累。金属橡胶或橡胶槽间垫片能使叶片的冲击响应时间减少50%以上。槽间垫片应设计足够大的预紧力以实现叶片稳定的径向定位,降低风扇叶片在风车状态时的晃动幅值,减小榫头榫槽接触磨损;应具备足够大的柔度,确保高能冲击载荷下允许叶片偏摆一定的角度,通过垫片变形吸收冲击能量,从而降低叶片根部应力峰值。

摘要：在汽车零部件的生产加工中,螺纹孔中心线与指定平面之间的垂直度测量必须具备高效、准确、使用方便的特征,以满足汽车生产中工业自动化、智能化、低成本的需求。为了实现汽车滤清器密封板生产过程中的在线自动检测与分选,设计了一种基于双相机对称测量法的螺纹孔垂直度检测系统,用来对螺纹孔垂直度进行自动检测,实现合格品与不合格品的自动分类。系统对称设置两同轴相机,分别从正、反两面采集螺纹孔的远、近2个圆面并提取圆心坐标,根据2个圆心坐标的偏差计算孔的垂直度。该系统应用了对称评定的测量方法,测量精度能够达到0.100 mm,满足系统设计的精度要求。