基于改进深度卷积神经网络的轴承故障诊断

轴承为风电机组的重要且故障频发部件,传统基于轴承振动数据的图像转换的卷积神经网络(CNN)的故障诊断技术存在一定局限性。提出了一种基于改进深度卷积神经网络(IDCNN)的直接时间序列特征提取方法,依据采样频率将原始振动数据划分为单个样本,构建诊断模型训练数据集。设计了一种新型的深度卷积神经网络(IDCNN),自动提取复杂样本数据的故障特征,提高DCNN的鲁棒性和泛化性,并将IDCNN提取的高维故障特征输入到分类器中,从而实现轴承故障的智能诊断。对比实验结果表明本方法有效提升了故障诊断精度。     

基于深度特征聚类和RNN的电网故障诊断

针对传统方法难以利用大量时序数据和无标签数据对电网进行故障诊断的问题,提出了基于深度特征聚类和循环神经网络(RNN)的电网智能故障诊断方法.该方法首先利用卷积神经网络搭建起特征提取器来提取时序数据的高层特征,然后对提取的特征进行半监督聚类,为无标签样本获得对应的标签,从而可以确定无标签样本所属的故障类别并加以利用;然后...     

不平衡训练数据下的基于生成对抗网络的轴承故障诊断

近年来,随着深度学习模型及其衍生模型在故障诊断领域中的成功应用,基于深度学习的故障诊断方法开始成为研究主流.但是当训练数据不均衡时,通过深度学习从不平衡的数据中提取的故障特征是不准确的,训练得到的神经网络模型的分类结果往往倾向多数类,极大影响了分类效果.针对这种情况,本文结合卷积神经网络设计了一种新的生成对抗网络模型(Convolutional Wasserstein Generative Adversarial Network,CWGAN).首先卷积神经网络从故障样本中提取故障特征,并将其作为对抗网络的输入,然后由解码器网络解码来自生成器的故障特征向量来生成故障样本,同时将提取的故障特征和训练过程中的故障诊断误差添加至生成器训练的损失函数中.实验表明本文提出的方法相比于基线模型(GAN-CNN)的平均F1值提高4%,较好地解决数据不平衡的分类问题.     

基于动态卷积多层域自适应的轴承故障诊断

现有基于深度学习的轴承故障诊断方法对数据具有一定的依赖性,要求训练数据与测试数据具有相同的分布。在变工况的条件下,网络模型的故障诊断精度会因数据分布发生变化而下降。为保证网络模型能够在变工况条件下对轴承的健康状态进行准确识别,基于无监督域自适应理论,提出一种新颖的智能故障诊断网络模型——动态卷积多层域自适应网络。该网络一方面充分利用动态卷积强有力的特征提取能力,提取更多有效的故障特征;另一方面采用相关对齐实施非线性变换,同时对齐多层故障特征分布的二阶统计量,促进源域的诊断知识向目标域迁移,提高了模型在目标域无故障标签条件下的故障识别准确率。最后,在两个数据集共14个迁移任务下进行实验,实验结果表明,动态卷积多层域自适应网络能够实现较高的故障诊断识别精度。     

一种面向噪声环境中旋转机械故障诊断的多模态耦合输入神经网络

旋转机械设备是工业生产中的关键性设备,对其进行高效故障诊断,对于保障工业安全生产具有重要意义.传统的旋转机械设备智能故障诊断方法采取人工特征提取策略,存在依赖专家经验知识、特征泛化性差、特征完备性不足等局限性,导致故障诊断模型精度差,特别是在噪声环境下性能下降明显.对此,提出一种用于旋转机械故障诊断的多模态耦合输入神经网络模型.首先,利用信号分解方法将原始输入信号分解为多个子信号,并将子信号与原始信号成对组成二维矩阵并输入到神经网络中,使得网络能够提取其间重要的相关特征;然后,利用双通道并行的卷积神经网络和长短期记忆网络分别提取信号中的时空间特征并融合,大大提高网络模型的特征表达完备性,实现对旋转机械设备的高精度故障分类.通过实验验证了所提出模型相较于传统故障模型具有更高的准确率,并且对于噪声干扰也有较好的适应性.     

基于卷积神经网络的飞机液压系统故障诊断

现代飞机系统的复杂度和集成度均大幅提升,使得其故障诊断存在难度高和准确率低等特点。采用一维卷积神经网络方法对军用飞机液压系统的故障诊断问题进行了研究,构建了满足多传感器数据分析要求的卷积神经网络模型。考虑到神经网络的输入来自不同的传感器数据序列,各数据序列之间的空间关系不明显,因此,即使网络输入是二维形式,而实际的卷积操作均在一维上进行。通过解决某飞机液压系统的故障诊断问题,证明将标准化后的多传感器数据序列及对应故障模式作为训练样本对卷积神经网络模型进行训练时,采用满足训练要求的网络对飞机液压系统进行故障诊断时具有较高的准确率。     

基于卷积神经网络的发动机故障预测方法

近年来,卷积神经网络(CNN)等深度学习方法的发展为发动机故障诊断和预测带来了新的思路。CNN具有局部连接、权值共享、池化操作以及多层结构等特点,能够有效提取局部特征,降低网络的训练难度,使CNN具有很强的学习能力和特征表达能力。开展了深度卷积神经网络故障预测方法研究,实现了面向发动机气路故障预测算法架构。利用基于发动机试验仿真数据对该方法进行了验证,并与其他几种常见的基于数据驱动的预测方法进行了比较,验证结果表明本文提出的基于卷积神经网络的预测方法具有较好的可行性和效果,可作为开展发动机PHM技术研究的参考。     

基于深度多源子域适应网络的滚动轴承跨域故障诊断

针对域适应技术在源域数据集子类距离过近以及样本数量少时分类精度低的问题,提出一种基于深度卷积生成对抗网络(DCGAN)数据扩充的深度多源子域适应网络(DMSAN)故障诊断方法.首先,针对目标域样本少的问题,引入深度卷积生成对抗网络对其进行数据扩充;其次,通过网络分支结构获取多源域的共享特征;再次,使用局部最大均值差异(LMMD)进行特征映射,对齐每个源域和目标域的子领域;最后,采用加权模块实现全局损失的最小化,以及多源域联合诊断.引入美国凯斯西储大学(CWRU)数据集和搭建故障诊断平台测得的轴承故障数据集进行实验,结果表明所提出模型的跨域故障诊断精度高于其他域适应对比模型,在目标域数据较少时优势尤为明显.     

基于一维卷积神经网络的实时道岔故障诊断

针对道岔故障诊断系统实时性要求高、特征提取严重依赖于先验知识的问题,提出了一种基于一维卷积神经网络（1D-CNN）的道岔实时故障诊断方法。以S700k转辙机的功率曲线为例,建立一维卷积神经网络的结构模型,该模型将特征提取与故障分类融合为一体,优化了网络参数,同时使用正则化Dropout提高模型的泛化能力,采用t-SNE可视化方法,来反映模型提取特征的有效性。仿真实验表明：卷积层和池化层对原始时域信号的自适应特征提取,能较好地捕捉信号空间维度信息,降低模型的计算量,提高模型的抗噪性能,实现了端到端的实时故障诊断,并有效地提高道岔故障实时诊断的准确率。     

基于语义DCNN特征融合的细粒度车型识别模型

针对深度卷积神经网络模型缺乏对语义信息的表征能力,而细粒度视觉识别中种类间视觉差异微小且多集中在关键的语义部位的问题,提出基于语义信息融合的深度卷积神经网络模型及细粒度车型识别模型.该模型由定位网络和识别网络组成,通过定位网络FasterRCNN获取车辆目标及各语义部件的具体位置;借助识别网络提取目标车辆及各语义部件的特征,再使用小核卷积实现特征拼接和融合;最后经过深层神经网络得到最终识别结果.实验结果表明,文中模型在斯坦福BMW-10数据集的识别准确率为78.74%,高于VGG网络13.39%;在斯坦福cars-197数据集的识别准确率为85.94%,其迁移学习模型在BMVC car-types数据集的识别准确率为98.27%,比该数据集目前最好的识别效果提高3.77%;该模型避免了细粒度车型识别对于车辆目标及语义部件位置的依赖,并具有较高的识别准确率及通用性.     

改进卷积神经网络在互感器故障诊断中的应用

低压电流互感器作为电网中的关键设备,已经得到广泛使用。低压电流互感器故障诊断的在线检定也显得十分重要。提出了一种改进的全局平均池化的一维卷积神经网络（1DCNN-SVM）故障诊断模型应用于低压电流互感器在线检定。该方法改进了传统卷积神经网络（CNN）模型的结构,引入全局平均池化而不是全连接网络结构,并在测试阶段使用支持向量机（SVM）替代Softmax函数。通过进行实验分析,将所提的方法与传统的CNN进行实验对比,实验结果表明所提方法在训练时间、测试时间以及模型的测试精度等方面的表现都比传统的CNN结构模型要好。     

基于ISCNN-LightGBM的轴承故障诊断

在传统卷积神经网络与分类器相结合的故障诊断方法中, CNN用于故障特征提取时, 存在着提取的特征质量不高与运行时间较长的问题. 针对以上问题, 本文提出了一种基于改进单层卷积神经网络及LightGBM的故障诊断模型. 该模型通过将特征距离函数嵌入CNN的损失函数中, 提升了CNN特征提取的能力, 增强了CNN与后续分类器之间的联系, 从而提升了整体模型的故障诊断能力. 于此同时, 经过改进的单层的卷积神经网络进一步缩短了模型运行的时间, 提升了模型的诊断效率. 通过对两个不同的公共数据集进行对比实验, 其结果表明, 本文所提诊断模型对多种轴承故障的诊断准确率与诊断效率显著高于其他诊断模型.     

基于卷积神经网络的滚动轴承故障诊断方法

为了简单、准确地进行轴承故障诊断,结合深度学习理论,对基于卷积神经网络的滚动轴承故障诊断方法进行了研究;首先,选用了结构相对简单的LeNet5卷积神经网络;然后,对轴承振动信号原始数据进行截取和归一化处理后直接生成生成二维矩阵作为神经网络输入;接着,优选卷积核大小、批大小、学习率及迭代次数等网络模型参数;最后,应用sigmoid函数进行多标签分类;实验结果表明,该方法能有效识别正常状态及不同损伤程度下的内圈、外圈、滚动体故障状态,识别准确率达到99.50%以上水平;基于卷积神经网络的滚动轴承故障诊断方法不仅在一定程度上可以简化故障诊断的过程,而且可以充分利用卷积神经网络模型的优势实现高效准确地故障诊断。     

基于空洞卷积神经网络的旋转机械故障诊断方法

由于旋转机械的振动信号具有非平稳、复杂多样、数据量大的特点，传统的方法难以较好地实现旋转机械故障诊断。近年来，基于深度学习的故障诊断算法发展迅速，其中，卷积神经网络(Convolutional Neural Network,CNN)由于可实现自动提取特征、运算效率高等优点受到广泛关注，但在识别准确率等方面仍然存在部分问题。为实现多传感器监测状态下的旋转机械故障诊断，在经典卷积神经网络结构的基础上，引入了多通道数据融合处理、空洞卷积层、批标准化处理、PReLU激活函数、全局平均池化层等改进方法，构造了一种新型的、高效的空洞卷积神经网络（Atrous Convolution-Convolutional Neural Network,AC-CNN），并基于该模型进行了旋转机械故障诊断实验。实验结果表明，提出的故障诊断模型分类准确率可达99%以上，对比其他神经网络方法具有明显优势。     

基于信息融合与CNN的齿轮箱故障诊断方法

齿轮箱在实际生产中面临复杂多变的工况,其部件的故障特征随工况发生改变,常规方法在变工况下难以有效识别故障。针对该问题,提出一种基于信息融合和卷积神经网络(IFCNN)的故障诊断方法。IFCNN使用多传感器信息融合和多域特征融合改进卷积神经网络(CNN),首先将不同位置的加速度传感器采集到的振动信号转换成频域、时频域信息,将来自不同传感器的信息融合,然后用CNN对故障信号的频域、时频域信息分别进行特征提取和多域特征融合,结合注意力机制选择重要特征进行故障分类。多组实验结果表明,IFCNN在变工况场景下,可有效提取齿轮箱振动信号的故障特征,12组变工况实验平均识别准确率为98.38%,明显高于所提出的对比方法。     

基于深度森林的无线传感器网络故障分类算法

针对无线传感器网络(WSN)节点容易出现故障从而导致网络瘫痪的问题,提出了一种基于改进的深度森林的无线传感器网络故障分类方法;深度森林是基于森林的集成学习方法,其输入是多维特征向量,特征向量将由多粒度扫描和级联森林这两个主要组成部分进行处理,多粒度扫描通过处理数据之间的关系来增强数据表示的能力,级联森林用于分类或预测;针对级联森林部分随着层数的增加可能造成的维数问题进行优化后,将该算法用于故障分类可以提高故障诊断的精确度;在仿真验证阶段,将该算法与深度神经网络(DNN)和支持向量机(SVM)算法进行对比;结果显示,该算法可以准确地识别出不同的故障类型,并且在损坏故障和电源故障的识别达到了最高精度,综合平均精度在98.4%;对偏移故障、漂移故障和通信故障的识别略低于卷积神经网络(CNN)算法,但综合训练时间、参数调节来看,该算法更能满足实际工程的需要。     

Fault diagnosis of rolling bearing based on back propagation neural network optimized by cuckoo search algorithm

In order to improve the accuracy of rolling bearing fault diagnosis in mechanical equipment, a new fault diagnosis method based on back propagation neural network optimized by cuckoo search algorithm is proposed. This method use the global search ability of the cuckoo search algorithm to constantly search for the best weights and thresholds, and then give it to the back propagation neural network. In this paper, wavelet packet decomposition is used for feature extraction of vibration signals. The energy values of different frequency bands are obtained through wavelet packet decomposition, and they are input as feature vectors into optimized back propagation neural network to identify different fault types of rolling bearings. Through the three sets of simulation comparison experiments of Matlab, the experimental results show that, Under the same conditions, compared with the other five models, the proposed back propagation neural network optimized by cuckoo search algorithm has the least number of training iterations and the highest diagnostic accuracy rate. And in the complex classification experiment with the same fault location but different bearing diameters, the fault recognition correct rate of the back propagation neural network optimized by cuckoo search algorithm is 96.25%.

     

融合知识图谱与深度学习的疾病诊断方法研究

针对现有深度学习疾病诊断方法在辅助诊断过程中大规模依赖标注数据,且缺乏医生或专家经验知识的问题,提出一种融合医学知识图谱与深度学习的疾病诊断方法。该方法的核心是一个知识驱动的卷积神经网络(CNN)模型,通过实体链接消歧与知识图谱嵌入抽取得到医学知识图谱中的结构化疾病知识,并将病情描述文本中的疾病特征词向量与相应知识实体向量作为CNN的多通道输入。在卷积过程中从语义和知识两个层面表示不同类型疾病。通过在多类病情描述文本数据集上进行训练和测试,实验结果表明该方法的诊断性能要优于单一CNN模型与其他疾病诊断方法,并验证了这种知识与数据联合训练的方法更适用于初步诊断病情描述的疾病类型。     

An improved convolutional neural network with an adaptable learning rate towards multi-signal fault diagnosis of hydraulic piston pump

Hydraulic piston pump is a vital component of hydraulic transmission system and plays a critical role in some modern industrials. On account of the deficiencies of traditional fault diagnosis in preprocessing of original data and feature extraction, the intelligent methods based on deep learning accomplish the automatic learning of fault information by integrating feature extraction and classification. As a popular deep learning model, convolutional neural network (CNN) has been demonstrated to be potent and effective in image classification. In this research, an improved intelligent method based on CNN with adapting learning rate is constructed for fault diagnosis of a hydraulic piston pump. Firstly, three raw signals are converted into two dimensional time–frequency images by continuous wavelet transform, including vibration signal, pressure signal and sound signal. Secondly, an improved deep CNN model is built with an adaptive learning rate strategy for identifying the different fault types. Moreover, t-distributed stochastic neighbor embedding is employed to visualize the distribution of features learned by the main layers of CNN model. Confusion matrix is used to analyze the classification accuracy of each fault type. Compared with the CNN model without adapting learning rate, the improved model achieves a higher accuracy based on the selected three kinds of signals. Experiments indicate that the improved CNN model can effectively and accurately identify various faults for a hydraulic piston pump.