在实际应用中,旋转机械设备的运行工况通常是不断变化且未知的,这会导致基于域自适应的故障诊断方法性能下降甚至失效。为应对这一挑战,提出了一种基于域泛化的旋转机械故障诊断方法,用于不可见工况下的故障诊断。利用多个可用的源域数...在实际应用中,旋转机械设备的运行工况通常是不断变化且未知的,这会导致基于域自适应的故障诊断方法性能下降甚至失效。为应对这一挑战,提出了一种基于域泛化的旋转机械故障诊断方法,用于不可见工况下的故障诊断。利用多个可用的源域数据来训练故障诊断模型,通过特征提取器和域分类器之间的对抗性学习获取域不变特征来有效解决域偏移问题,从而使得模型能更好地适应不可见目标域。采用多核最大平均差异(multi-kernel maximum mean discrepancy,MK-MMD)对不同源域之间相同故障类别的特征进行距离度量,从而对齐它们的条件分布,使故障诊断模型获得更好的泛化能力。在轴承数据集和齿轮箱数据集上开展了广泛的实验,结果表明该方法能在不可见工况下取得了较高的诊断精度。展开更多
云计算已成为各行业中十分重要的计算服务方式。传统的云计算研究主要侧重于云服务的定价方式、利润最大化、执行效率等服务质量,而绿色计算成为了近年来分布式计算的发展趋势。针对异构云环境中满足云用户计算成本约束的工作流任务集...云计算已成为各行业中十分重要的计算服务方式。传统的云计算研究主要侧重于云服务的定价方式、利润最大化、执行效率等服务质量,而绿色计算成为了近年来分布式计算的发展趋势。针对异构云环境中满足云用户计算成本约束的工作流任务集调度问题,提出了一种低时间复杂度、能量感知的预算等级调度(Energy-Aware Based on Budget Level Scheduling,EABL)算法。EABL算法包含并行任务集任务优先级的建立、任务预算成本的分配及最优执行虚拟机和能量高效频率的确定3个主要阶段,能在满足预算成本约束的同时最大限度地降低任务集执行过程中的能量消耗。采用真实世界的大规模工作流任务集对算法进行测试,结果表明,与著名的EA_HBCS和MECABP算法相比,EABL算法在充分利用预算成本的同时,有效地降低了工作流任务集在云数据中心计算过程中的能量消耗。展开更多
文摘在实际应用中,旋转机械设备的运行工况通常是不断变化且未知的,这会导致基于域自适应的故障诊断方法性能下降甚至失效。为应对这一挑战,提出了一种基于域泛化的旋转机械故障诊断方法,用于不可见工况下的故障诊断。利用多个可用的源域数据来训练故障诊断模型,通过特征提取器和域分类器之间的对抗性学习获取域不变特征来有效解决域偏移问题,从而使得模型能更好地适应不可见目标域。采用多核最大平均差异(multi-kernel maximum mean discrepancy,MK-MMD)对不同源域之间相同故障类别的特征进行距离度量,从而对齐它们的条件分布,使故障诊断模型获得更好的泛化能力。在轴承数据集和齿轮箱数据集上开展了广泛的实验,结果表明该方法能在不可见工况下取得了较高的诊断精度。
文摘云计算已成为各行业中十分重要的计算服务方式。传统的云计算研究主要侧重于云服务的定价方式、利润最大化、执行效率等服务质量,而绿色计算成为了近年来分布式计算的发展趋势。针对异构云环境中满足云用户计算成本约束的工作流任务集调度问题,提出了一种低时间复杂度、能量感知的预算等级调度(Energy-Aware Based on Budget Level Scheduling,EABL)算法。EABL算法包含并行任务集任务优先级的建立、任务预算成本的分配及最优执行虚拟机和能量高效频率的确定3个主要阶段,能在满足预算成本约束的同时最大限度地降低任务集执行过程中的能量消耗。采用真实世界的大规模工作流任务集对算法进行测试,结果表明,与著名的EA_HBCS和MECABP算法相比,EABL算法在充分利用预算成本的同时,有效地降低了工作流任务集在云数据中心计算过程中的能量消耗。
