基于同步提取变换和DRSN的滚动轴承故障诊断研究

针对旋转设备在复杂运行工况下,滚动轴承故障信号特征难以准确提取及识别的问题,结合深度残差收缩网络(depth residual contraction network,DRSN)的优势,将同步提取变换(simultaneous extraction transformation,SET)和深度残差收缩网络结合的故障诊断方法应用于轴承故障诊断。首先利用同步提取变换时频分辨率高的特点,对采集到的滚动轴承外圈信号进行模态分解和处理,得到分解后的时频图像:然后对图像进行灰度处理,并进行降维,以适合DRSN模型输入,最后进行故障特征识别,实现滚动轴承故障诊断。实验结果表明,该方法有效实现了复杂工况下对滚动轴承故障信号的特征提取,提高了故障识别率。     

基于Dropout CNN的滚动轴承故障诊断研究

针对滚动轴承故障特征很难提取及传统故障诊断方法准确率偏低的问题,提出一种基于Dropout的改进卷积神经网络(Dropout CNN)结构,可以无需预先提取滚动轴承振动信号的故障特征,直接端到端的实现滚动轴承故障诊断。该方法以振动信号为监测信号,使用傅里叶变换生成振动 信号频谱图,以此作为整个系统的输入,利用卷积神经网络强大的特征提取能力可以自动完成故障特征提取以及故障识别。试验结果表明该方法平均诊断准确率 高达99.5%。该方法实现了大量样本下滚动轴承不同故障类型的故障特征自适应提取与故障状态的准确识别。     

基于CEEMDAN和CNN TSA GRU的滚动轴承故障识别方法研究

为避免复杂噪声对滚动轴承智能诊断模型的准确率干扰，提出一种基于完全集合经验模态分解CEEMDAN和深度时间自注意力卷积网络CNN TSA的滚动轴承故障识别模型。该模型首先采用CEEMDAN将信号分解为若干固有模态函数(intrinsic mode function，IMF)分量，利用光谱放大因子SAF指标自适应筛选最优高信噪比分量；其次采用改进时间自注意力机制对数据分配权重并采用卷积神经网络CNN提取空间特征，弱化冗余特征信息，保留目标特征；最后利用门控循环单元GRU提取样本数据时间特征，使得网络得到更充分的学习，提高模型鲁棒性。经试验数据验证：所提出的深度学习智能故障识别模型故障识别准确率达到98.87%；对比一维CNN和CNN LSTM模型，识别准确率分别提高915%和8.86%，验证了该模型的有效性和优越性。     

基于多尺度卷积策略CNN的滚动轴承故障诊断

针对一维卷积神经网络单一卷积拓扑结构在提取不同工况下的信号特征时缺乏自适应性,难以处理复杂工况下的机械故障诊断问题,提出了一种基于多尺度卷积策略的卷积神经网络(MACNN)故障诊断算法。首先将表征滚动轴承故障的一维振动信号输入模型,然后利用卷积层中的多尺度卷积结构对原始信号进行卷积运算,实现不同角度的敏感特征提取,再通过池化层进行特征信息的提炼和简化,最后利用全连接层实现检测结果输出。在公共数据集——凯斯西储大学的轴承故障数据集上进行试验,结果表明:MACNN算法和其他算法相比拥有更快的收敛速度和更高的识别准确率,为故障诊断提供了一种新的方法。同时,其在多工况下表现出的优异泛化性能说明具备工业应用的可行性。     

变负载工况下滚动轴承故障分类识别方法研究

针对变负载工况下单尺度CNN提取滚动轴承健康状态特征不充分的问题，提出了一种DSCNN-BiLSTM诊断模型。该模型基于粗粒度化和平均池化层的理论基础，通过双尺度卷积神经网络结合双向长短时记忆网络，对滚动轴承振动信号进行空间维度特征和时间序列特征的提取，实现端对端的滚动轴承故障诊断。通过设置2种不同变负载工况实验，采用DSCNN-BiLSTM模型进行滚动轴承故障特征提取，平均准确率分别达到了97.55%和98.07%,有效提高了在变负载工况下的滚动轴承故障诊断准确率，为滚动轴承健康状态识别提供了关键技术。     

基于融合CNN和SSA-SVM的滚动轴承故障诊断

针对滚动轴承故障诊断问题,提出一种融合一维卷积神经网络(1D CNN)和麻雀算法优化支持向量机(SSA-SVM)的网络结构。该网络结构通过卷积运算对原始时域振动信号直接进行特征提取,将提取到的特征输入到麻雀算法优化的支持向量机中,使用支持向量机代替Softmax进行分类。利用滚动轴承故障数据进行验证,此方法故障诊断精度高达0.983,高于其他网络结构,且整体网络结构简单,有一定实际应用价值。     

基于改进MF-DFA和随机森林的液压阀故障诊断

多重分形去趋势波动分析(MF-DFA)能够有效地揭示隐藏在非线性和非平稳振动信号中的多重分形特征,而液压阀磨损产生的泄露故障信号往往具有非线性、非平稳,且不同严重程度故障信号特征难以辨识,MF-DFA扩展了液压阀的特征提取及故障诊断方法。然而MFDFA去趋势多项式阶数选取的不恰当往往会出现欠拟合或过拟合现象从而产生新的波动误差。为此,提出了一种改进MF-DFA方法实现故障特征提取。通过建立低阶多项式信号轮廓去趋势拟合曲线和不同时间尺度固有模态函数(IMF)之间的相关性,选取最优的IMF模态分量的累计和将其作为信号轮廓的趋势项,进而提取分型谱参数特征。最后,通过随机森林分类器进行故障模式识别。实验结果证实了所提出的方法在电液换向阀内泄漏故障诊断中的有效性。     

基于组合降噪的卷积神经网络轴承故障诊断方法

针对滚动轴承振动信号包含不同频率复杂噪声,单一降噪方法难以去除多种噪声,导致最终故障诊断率低的问题。提出一种基于组合降噪的卷积神经网络的轴承故障诊断方法。首先,通过SVD分解方法,根据奇异值差分谱,一次降噪并重构信号,去除信号内能量较低的宽频率噪声;再根据降噪重构信号,自适应选取CEEMD分解的参数,并进行自适应CEEMD分解,利用线性相关系数与峭度交集法滤除相关程度低、故障特征信息少的IMF分量,同时二次降噪并重构信号;最后,构建一维卷积神经网络并进行轴承故障诊断。通过原信号和组合降噪后信号的时频分析,轴承故障诊断实验,验证了该方法的有效性。     

基于格拉姆角场和卷积神经网络的斜拉索损伤识别研究

斜拉索是斜拉桥的重要受力构件，也是易损构件，针对此提出了一种基于格拉姆角场和卷积神经网络(GAF-CNN)的斜拉索损伤识别方法。首先，利用格拉姆角场对斜拉索进行特征提取，将斜拉索的加速度信号转化为二维图像，构建GAF图像数据集；然后，基于迁移学习构建适用于斜拉索损伤识别的CNN网络并进行训练。数值仿真结果表明，该方法能够有效识别斜拉索损伤，具有较高的准确率和良好的抗噪性能。     

基于优化残差卷积网络的滚动轴承变工况故障诊断

针对滚动轴承在实际运行环境中同时存在变负荷和变噪声的复合工况干扰而产生的故障诊断效果不理想的问题，提出了一种用于滚动轴承变工况故障诊断的一维残差卷积神经网络方法。将归一化后整理完的原始轴承振动信号输入到网络模型中，利用具有残差连接的多个一维卷积层提取特征，再经过多个卷积池化，最后输入到Softmax层进行分类，输出轴承振动信号的故障类型。将所提方法与一维卷积神经网络(CNN)、LeNet-5和AlexNet几个经典模型进行对比分析，结果表明，本文方法在变噪声实验和变负荷实验中的平均准确率分别为94.16%和95.31%,均高于其他经典神经网路，具有较强的抗噪性和泛化性能力。     

基于MED和WMSDL的滚动轴承内圈故障特征诊断

针对滚动轴承早期内圈故障特征较为微弱，并伴随环境噪声的干扰，微弱的故障特征信息易被环境噪声所淹没的问题，课题组提出基于最小熵解卷积(MED)和加权多尺度字典学习（WMSDL)的滚动轴承早期故障诊断方法。课题组通过设置一个滤波器使故障特征信号峭度最大实现解卷积，利用WMSDL对解卷积后的信号稀疏分解后进行平方包络解调突出内圈故障特征频率。仿真分析和实例分析结果表明：解卷积后信号的信噪比明显提高，内圈冲击成分明显增强。课题组的研究可有效提取滚动轴承故障特征频率。     

基于小波阈值和约束独立分量分析的齿轮故障诊断研究

为在强噪声下准确利用振动信号进行齿轮故障诊断,提出了基于小波阈值和约束独立成分分析(CICA)相结合的算法。该算法首先对输入信号进行小波阈值降噪预处理,提高了输入信号的信噪比,然后基于齿轮特征频率建立参考信号,将降噪后的信号作为CICA的输入信号,利用CICA算法有效分离出齿轮故障信号,识别了故障特征。为了验证该算法的有效性,进行了仿真和实验测试信号分析,结果表明,该算法可以有效提取齿轮故障信号,实现齿轮的故障诊断。     

基于模拟退火算法的机车齿轮箱故障诊断系统

为了预测电力机车齿轮箱存在的潜伏性故障，设计了一种电力机车齿轮箱故障诊断系统。该系统通过VB调用Access数据库和基于模拟退火算法的BP神经网络模型，实现了对电力机车齿轮箱故障诊断的可视化操作。根据光铁谱技术原理，磨粒浓度的变化体现了齿轮箱内部的故障类型。因此，利用模拟退火的思想建立BP网络模型，收集电力机车齿轮箱的故障数据并进行归一化处理，处理后的数据作为网络的输入，故障类型的编码作为网络的目标输出。对模型进行了仿真和测试，结果表明该模型诊断电力机车齿轮箱故障准确率较高，可用于电力机车齿轮箱故障诊断系     

基于全卷积深度学习模型的可抓取物品识别

目前,工业机器人识别可抓取物品大多是先通过图像传感器收集作业场景信息,然后通过粒子滤波或条件随机场等各类相关算法提取可抓取物品的像素块特征来进行的。但是,这些可抓取物品的识别方法都存在着在同一像素块内部不同类别像素有误差,只考虑邻近区域、而不考虑全局信息和结构信息等问题或缺点。为此,在引入基于像素点的全卷积网络(fully convolutional networks,FCN)的基础上,提出了基于FCN的改进模型进行可抓取物品识别,其优势在于该模型经过学习能够预测各个像素所属物品类别的概率,并且能将结果恢复成为背景与前景分割的图像,从而识别作业场景中可抓取物品的位置与类别。由于FCN模型不限制输入、输出图像的尺寸大小,所以它克服了传统卷积深度学习模型的缺点,同时也考虑了全局信息与结构信息。以康奈尔抓取数据集(cornell grasping dataset,CGD)作为实验样本对提出的改进模型进行验证。实验结果表明:改进后的全卷积深度学习模型的正确率较全卷积深度学习模型提高了6.2%,同时该方法也可用于其他分割前景的感知任务。     

基于主元分析和支持向量机的电路故障诊断模型

综合主元分析和支持向量机的优点,提出了一种基于主元分析和支持向量机的故障诊断模型.通过主元分析提取故障特征,然后利用支持向量机进行故障模式的分类,实现对模拟电路不同故障的识别.实验结果表明,该模型能够准确地实现故障的诊断,具有好的识别能力.     

基于自适应Morlet小波变换滚动轴承声学故障诊断的研究

基于声音信号的测试与分析是滚动轴承故障检测与诊断的一种新方法,提出了基于自适应Morlet小波变换诊断轴承声学信号故障的新方法。首先利用最小Shannon熵对Morlet小波的形状参数进行优化,找到与所测声音信号特征成份最匹配的小波,再对小波系数矩阵进行奇异值分解,通过奇异值与变化尺度的关系曲线得到最佳小波变换尺度,最后对滚动轴承故障信号进行Morlet小波变换进行故障特征提取。结果表明:该方法能有效地从强噪声背景下提取出轴承声学信号的故障。     

一种改进的线性容差电路的k-故障诊断

提出了一种改进的线性容差电路的k-故障诊断方法。与现有方法相比,较多地利用了已知的统计特性,缩小了电路可能的故障范围。同时,还证明了故障诊断与信号解卷积模型的相似性,将信号处理领域的方法引入线性电路故障诊断中。计算机模拟实验证实了该方法的有效性。     

深度哈希卷积网络在图像检索中的应用

随着网络图像数据的迅猛增长,基于传统的人工设计视觉特征的图像检索方法的效果已无法满足要求。为此,提出了一种基于深度卷积神经网络的监督哈希编码方法。该方法是基于分类和量化误差的深度哈希,同时学习图像、哈希码和分类器的特征表示,然后利用标记的监督信息和深层架构学习卷积网络差异性特征表示,并直接用于生成哈希码和预测图像标签。根据相互关联的量化误差和预测误差共同调整深度网络的学习,最终对给定图像在低维汉明空间上实现快速检索。在MNIST和CIFAR-10两个图像集上的实验结果表明:所提出的方法与几种主流方法相比检索性能更好。最后,将所研究的深度卷积神经网络应用于Metel多媒体教学资源平台的图像检索中,取得了良好的检索效果。     

基于YOLO-GT网络的零售商品目标检测方法

提出改进的YOLO-GT深度学习网络,实现基于嵌入式平台的零售商品数据集RPC的图像目标检测。YOLO-GT网络以YOLOv3-Tiny网络为基础,采用线性扩展优化用于特征提取的卷积层,并将深度学习网络浅层信息与深层信息融合使得网络成为三尺度预测网络,提高网络对小目标商品的识别能力。YOLO-GT采用Mish函数优化了网络激活函数,并重新利用FCM聚类算法生成多个新的先验框。利用RPC零售商品数据集在嵌入式平台Jetson nano核心板上实验,YOLO-GT网络对于每张图片的平均检测速度为342.67 ms/张,平均检测准确率(m AP)为97.21%,与YOLOv3-Tiny相比,检测速度提升了57.81%,m AP提升了1.84%,并降低了小目标漏检率,能够满足使用要求。     

基于步态能量图与VGG结合的步态识别方法

基于深度学习端到端和多层特征提取的思想,给出一种基于步态能量图和VGG卷积神经网络结合的步态识别方法。首先,使用背景减除法分割出人体轮廓;然后,通过身体轮廓宽度变化计算出步态周期;其次,根据步态周期图像计算出步态能量图;最后使用VGG网络对步态能量图进行特征学习及分类。实验结果表明:所提出的方法可以准确识别行人身份,在CASIA-B步态数据中平均准确率可达92. 5%,且对视角有较好的鲁棒性,对深度学习在步态识别领域的进一步应用有借鉴意义。