交通运输业减排是实现全局减排目标的关键。研究基于改进的随机性环境影响评估(Stochastic Impacts by Regression on Population,Affluence,and Technology,STIRPAT)模型分析影响交通运输业碳排放的主要因素,设置低碳、基准和高碳3种...交通运输业减排是实现全局减排目标的关键。研究基于改进的随机性环境影响评估(Stochastic Impacts by Regression on Population,Affluence,and Technology,STIRPAT)模型分析影响交通运输业碳排放的主要因素,设置低碳、基准和高碳3种情景方案,利用卷积神经网络-长短期记忆网络-注意力机制(Convolutional Neural Networks-Long short-Term Memory-Attention Mec.hanism,CNN-LSTM-Attention)交通运输业碳排放预测模型对中国30个省、自治区、直辖市2022—2035年交通运输业碳排放进行预测。结果显示:人口情况、经济水平和交通运输等3个维度的影响因素对交通运输业碳排放具有正向驱动作用,能源技术维度的影响因素则起负向驱动作用;CNN-LSTM-Attention交通运输业碳排放预测模型提升了模型在小样本数据集的预测能力,预测效果较好;低碳、基准和高碳3种情景下中国交通运输业的碳排放峰值将晚于2030年的总排放峰值目标实现;各省在碳排放峰值和达峰时间上存在异质性,应采取差异化、精准化的政策策略,局部上分区域、分梯次达峰,以整体上实现碳达峰目标。展开更多
针对齿轮箱振动信号复杂多变,导致现有的齿轮箱故障诊断方法诊断精度不高、较弱故障特征容易被噪声淹没等问题,提出了一种基于向量加权平均优化算法(weighted mean of vectors,INFO)、变分模态分解(variational mode decomposition,VMD...针对齿轮箱振动信号复杂多变,导致现有的齿轮箱故障诊断方法诊断精度不高、较弱故障特征容易被噪声淹没等问题,提出了一种基于向量加权平均优化算法(weighted mean of vectors,INFO)、变分模态分解(variational mode decomposition,VMD)和卷积神经网络(convolutional neural network,CNN)的齿轮故障诊断方法。该方法首先采用熵权法将不同位置的振动传感器信号信息进行融合,利用INFO对VMD算法中参数进行优化,并设计一个复合评价指标作为参数优化的评价标准,使用奇异峭度差分谱的方法对敏感分量进行重构;其次,从重构的信号中提取时域、频域特征并输入到CNN模型中进行分类;最后通过Shap(Shapley additive explanations)值法对模型输入特征的重要性进行排序,分析不同特征组合对模型分类和特定故障识别的影响。在东南大学行星齿轮数据集上进行验证,结果表明,利用所提特征组合进行故障诊断,CNN模型故障诊断准确率为98.24%,高于其他特征组合,为行星齿轮箱的故障诊断提供了一组有效的特征指标。展开更多
文摘针对齿轮箱振动信号复杂多变,导致现有的齿轮箱故障诊断方法诊断精度不高、较弱故障特征容易被噪声淹没等问题,提出了一种基于向量加权平均优化算法(weighted mean of vectors,INFO)、变分模态分解(variational mode decomposition,VMD)和卷积神经网络(convolutional neural network,CNN)的齿轮故障诊断方法。该方法首先采用熵权法将不同位置的振动传感器信号信息进行融合,利用INFO对VMD算法中参数进行优化,并设计一个复合评价指标作为参数优化的评价标准,使用奇异峭度差分谱的方法对敏感分量进行重构;其次,从重构的信号中提取时域、频域特征并输入到CNN模型中进行分类;最后通过Shap(Shapley additive explanations)值法对模型输入特征的重要性进行排序,分析不同特征组合对模型分类和特定故障识别的影响。在东南大学行星齿轮数据集上进行验证,结果表明,利用所提特征组合进行故障诊断,CNN模型故障诊断准确率为98.24%,高于其他特征组合,为行星齿轮箱的故障诊断提供了一组有效的特征指标。
