基于注意力多通道卷积ON-LSTM的APU剩余寿命预测

针对飞机辅助动力装置状态监测数据纬度高、数据量大等特点,提出一种基于注意力机制和多通道卷积ON-LSTM的剩余寿命预测方法.首先利用一维卷积神经网络对传感器参数进行局部特征提取;其次利用ON-LSTM能够学习序列长期依赖的优势,对传感器参数进行时序特征提取;再次通过注意力机制确定各参数的权重,准确预测APU的剩余使用寿...     

基于多尺度1DCNN的滚动轴承故障诊断北大核心

针对滚动轴承振动信号典型非平稳性、非线性的特点,提出一种基于小波变换(WT)和一维卷积神经网络(1DCNN)的轴承故障诊断多尺度卷积神经网络方法。通过小波变换对信号进行多尺度分解,然后对每个尺度成分进行重构,将重构后的信号进行傅里叶变换得到频谱表示,并将各尺度幅值数据构造成一维特征向量作为一维卷积神经网络的输入。最后利用一维卷积神经网络对输入数据进行特征学习,得到轴承故障诊断模型。利用滚动轴承的10个状态数据集验证其性能。结果表明:该方法可以避免人工提取特征,获得99.94%的诊断准确率。     

基于多尺度基本熵和参数优化KELM的电机轴承故障诊断

针对信号特征提取中多尺度样本熵(MSE)与多尺度排列熵(MPE)算法计算效率差的问题,提出一种基于多尺度基本熵(MBSE)和参数优化核极限学习机(KELM)的电机轴承诊断新方法。该方法先通过MBSE来提取所拾取滚动轴承振动信号的特征信息,同时对比分析了多尺度基本熵、多尺度样本熵与多尺度排列熵的计算效率。最后利用KELM分类器对滚动轴承的不同状态进行判定,并通过人工鱼群算法(AFSA)对KELM的关键影响参数进行寻优。实验结果表明所述方法能够对滚动轴承的运行状态进行有效识别。     

多尺度代价敏感卷积神经网络的轴承故障诊断

针对滚动轴承故障诊断过程中因采集数据不平衡而导致诊断精度下降的问题开展研究。面向原始一维振动信号多尺度复杂性的特点,提出一种基于多尺度代价敏感卷积神经网络的不平衡故障诊断方法。构建串并联结构的多尺度一维卷积特征提取层,通过设计不同卷积层的连接方式和选取不同的卷积核大小实现多特征提取;利用注意力机制自适应设置Adacost代价敏感损失函数的代价矩阵,实现权重的自适应分配。通过在多种不平衡比率的西储大学轴承数据集上的实验表明：该方法能有效提升模型在不同不平衡数据集中的分类性能,且具有更强的泛化能力。     

基于1D-RSLBCNN的齿轮箱故障诊断

针对传统故障模型参数多，训练和检测时间长的问题，提出了基于残差结构和局部二进制卷积(1D-RSLBCNN)的齿轮箱故障诊断方法。其利用局部二进制卷积层来替代传统卷积层，在减少模型参数的同时，加快了训练速度和收敛速度；同时在网络模型中引入残差结构，避免了由于网络深度的增加引起的正确率饱和甚至下降的问题。实验结果表明，局部二进制卷积层的参数量为传统卷积层的1/3,诊断准确率更是高达99.7%。与其他模型相比，具有更稳定、可靠的预测精度。     

基于内聚力模型的γ-Ti Al合金中γ/γ界面裂纹扩展的多尺度模型（英文）

通过建立多尺度模型预测γ-TiAl合金中裂纹的扩展行为。利用分子动力学(MD)建立了真孪晶(TT)γ/γ界面模型,得到了界面内聚力区域(CZM)的本构参数;采用Voronoi方法生成了多晶γ-Ti Al合金介观模型,将CZM本构参数耦合到该模型中,得到了对应的不含缺陷、含钝裂纹和钝裂纹+中心空洞缺陷的临界应力断裂云图,利用几何相似性平均了多晶模型和整体裂纹拉伸关系曲线并分析了γ-Ti Al合金的损伤机理;根据连续介质假说建立了宏观有限元模型(FEM),通过对紧凑拉伸试样模拟给出了力-位移曲线并得到了材料的断裂韧性。最后,将宏观有限元模拟得到的裂纹扩展行为与实验结果进行比较,验证了该模型的有效性。结果表明:在晶粒数比例相同的情况下,缺陷对整个近γ结构的强度有着显著的敏感性,同时该多尺度方法可以有效地连接不同尺度并预测裂纹的扩展。     

基于多尺度加权融合特征学习的转子故障诊断

针对一维振动信号表达故障特征信息不全面及转子故障信噪比低的问题，提出一种基于多尺度加权融合特征学习的转子故障诊断方法。首先，对时域振动信号的幅值进行标准化处理，利用对称点模式(SDP)原理将多传感器振动信息融合为二维SDP图像，通过选取适当的时间滞后系数和角增益，突出不同故障下SDP图像的特征；其次，构建了一种多尺度加权卷积神经网络(MSW-CNN)模型，利用3个不同的感受野分别提取图像特征，通过对多通道图像特征进行加权融合提高了模型的分类精度；最后，利用MSW-CNN模型对6种故障状态的SDP图像进行特征提取并分类。实验结果表明，与其他3种方法相比，所提方法的转子故障诊断精度更高，达到99.31%,在噪声干扰下的诊断精度为96.23%,验证了所提方法的有效性。     

多尺度加权CEEMD-1DCNN旋转机械故障诊断

旋转机械振动信号具有较强的非线性、非平稳性的特点，互补集合经验模态分解（CEEMD）克服了传统EEMD的缺陷，提供了对信号从粗到精不同尺度的刻画。针对不同尺度对故障特性描述的差异，提出一种基于多尺度加权CEEMD的一维卷积神经网络（1DCNN）故障诊断方法。利用互补集合经验模态将振动信号分解成一系列本征模态函数（IMFs），然后求取各个IMF分量的峭度值，计算各分量峭度所占权重，根据各个分量权重值对信号进行重构。将数据样本划分为训练集、验证集和测试集，将训练集输入到一维卷积神经网络中学习更新网络参数，然后用验证集进行验证得到最优诊断模型，最后利用测试集对诊断模型进行测试。通过电机轴承数据集和齿轮箱数据集两组实验进行了模型验证，诊断精度分别为99.98%和99.73%，表明所提方法能够快速准确地诊断出不同故障类型，并且具有较高的故障诊断准确率和鲁棒性。     

飞机辅助动力装置引气特性计算方法

作为飞机环控系统与主发动机起动的气源,以目前广泛应用的带负载压气机结构APU(Auxiliary Power Unit)为研究对象,进行引气特性计算模型与计算方法研究。首先介绍了APU结构与引气工作特点,然后分析了建模时喘振控制阀SCV(Surge Control Valve)控制方法与APU共同工作机理,最后采用部件法建立了该类型APU引气计算数学模型。以某型APU为对象进行数值仿真并与实际试车数据比较,计算误差小于3%,表明所采用的建模方法是正确的,所建立的模型能够满足工程需求。      

基于多尺度Retinex的缺陷图像增强算法

针对荧光磁粉检测中缺陷图像光照不均匀、对比度差的问题,提出了一种基于多尺度Retinex(MSR)的图像增强算法,阐述了该算法的原理及实现方法。首先,计算三种不同尺度下的高斯滤波函数系数;然后分别对原始图像进行卷积操作并将结果加权平均;最后,将图像进行截断拉升,得到处理结果。试验结果表明:多尺度算法与常规算法相比,既实现了图像动态范围的压缩,又完成了对比度的提升,提高了图像的质量。     

机床热误差非线性组合预测模型研究

在精密及超精密加工过程中,数控机床热误差是影响加工精度的一项重要误差源,最经济和有效地减少热误差的方法是热误差补偿技术。针对热误差补偿预测模型的预测精度问题,提出一种非线性组合预测模型。该预测模型利用灰色关联度方法对单项预测模型进行筛选,对筛选出的单项预测模型基于不同优化准则进行线性组合,通过广义回归神经网络对该线性组合模型进行非线性组合,得到非线性组合预测模型。误差预测结果表明:对比典型的BP神经网络预测模型,非线性组合预测模型的预测精度更高,最大误差由4.78μm减小到0.7μm。     

基于神经网络的焊机参数预测方法

针对脉冲MIG焊参数众多，不易调节的特点，提出了一种基于神经网络的焊机参数预测方法. 该方法采用LM(levenberg-marquarlt)算法建立了焊机参数的BP(back propagation)神经网络模型，充分利用已知的理想数据对网络进行训练，实现了焊接过程中任一给定焊接电流状态下焊机输出参数的预测；利用焊接参数的预测值分别对单、双脉冲MIG焊进行了试焊. 结果表明，基于神经网络的焊机参数预测方法精度较高，焊接过程稳定，焊缝成形美观，能够实现良好的一元化调节.     

基于计算机智能的深度信念网络的组合电力负荷预测方法

电力系统负荷预测是电力系统规划和经济政策制定的主要依据,然而现有的基于计算机人工智能的电力系统负荷预测多采用组合预测方式,其预测精度低,效率低下;针对此问题,提出了一种基于深度信念网络的组合负荷预测方法,此方法首先建立了深度信念网络训练模型,将组合数据与实际负荷数据之间构建的非线性函数关系应用到此训练模型中,通过数据训练,优化深度信念网络层数和参数;使得训练好的组合深度信念网络具有预测能力.利用实际历史数据,对组合负荷预测的精度进行了计算,实验结果表明:所提出的预测方法相对于传统的组合预测方法,具有较高的预测精度,同时其计算复杂度较低.     

融合轧制机理和深度学习的带钢精轧宽度预测

宽度精度是热轧带钢成形过程的重要指标,准确预测精轧宽度有助于及时修正粗轧宽度设定模型,提高成品带钢的宽度精度。然而,依据轧制机理建立的宽度预测模型偏离实际工况从而精度较低,依据神经网络建立的模型由于过程黑箱导致可信度低。为此,提出了一种融合轧制机理和人工神经网络的热轧带钢精轧宽度组合预测模型,以基于Hill公式的机理模型计算精轧宽度的预测基准值,以基于深度置信网络(DBN)的深度学习模型预测精轧宽度的修正值。选取实际生产的2 730组数据中的49个特征值作为试验数据进行建模分析,结果表明:该组合模型预测精度高、稳定性好且预测时间短,其均方根误差为0.428 15 mm,相比机理模型降低了79.6%,相比神经网络模型降低了6.2%,实现了精轧宽度的高精度预测。     

基于BAS-BP模型的轴承剩余使用寿命预测

为有效评估轴承退化趋势,提高设备健康管理的智能化,提出一种基于BAS-BP模型的轴承剩余使用寿命预测方法。提取轴承全生命周期振动信号的时域和频域特征,构建18维退化特征;为提高神经网络的预测精度,采用天牛须搜索算法对初始权重和阈值进行优化,建立BAS-BP预测模型;通过在公开数据集上验证该模型的有效性。结果表明：所提模型可对轴承剩余寿命进行有效预测且精度较高。     

基于模糊神经网络的晶圆制造产出率预测方法研究

晶圆侦测产出率指标的准确预测,对晶圆制造系统的投料计划和调度优化具有重要意义。为提高晶圆侦测产出率指标的预测精度,提出了一种基于模糊神经网络的晶圆产出率预测方法。基于某晶圆制造企业的实际生产数据,与传统的基于神经网络模型、泊松模型和负二项式模型的晶圆产出率预测方法进行比较,结果表明基于模糊神经网络的晶圆产出率预测方法具有更高的预测精度,证明了该预测方法的有效性。     

基于深度循环神经网络的大规模风力发电功率预测

本文针对目前风力发电功率预测存在超短期、精度差等问题,通过分析大规模风力发电功率特性和风电预测时间序列特性,提出以深度循环神经网络进行预测,结合小波系数多尺度分析的隐马尔可夫预测方法,将深度学习引入到循环神经网络中来,构建基于多尺度隐马尔可夫模型-深度循环神经网络模型的大规模风力发电功率预测模型(MHMM-DRNN)。实例验证相对误差平均值:BP神经网络模型约为31.56%,在预测过程中误差最大,ARMA模型约为23.20%,小波分析约为26.11%,而MHMM-DRNN预测模型约为16.85%,具有较好的实用性。     

基于Pearson-KPCA和LSTM的伺服电机滚动轴承剩余寿命预测

针对伺服电机滚动轴承的寿命预测，提出一种基于皮尔逊相关系数及核主成分分析的长短时记忆网络预测方法。提取滚动轴承的时、频域信号，通过移动平均法进一步获取相关特征，并采用皮尔逊相关系数筛选高度相关特征指标，利用KPCA提取高度相关特征指标中的若干主成分；将第一主成分作为长短时记忆网络模型的输入对滚动轴承进行剩余寿命预测。采用IMS轴承数据集进行验证，得到的轴承寿命预测RMSE值和可决策系数值分别为0.054 3和0.989。将其与长短期记忆网络模型和BP神经网络的预测结果进行对比，证明所提方法具有较高的精度。     

基于蝙蝠算法优化的小波神经网络车床主轴热误差建模

为提高数控车床主轴热误差的预测精度,以某型号数控车床主轴为研究对象,提出基于小波神经网络(WNN)的主轴热误差建模方法。利用K-means++聚类结合相关性分析理论,将温度测点从10个减小到2个。针对小波神经网络对初始值敏感的问题,采用蝙蝠算法(BA)将预测输出值与实验测量值之差的绝对值作为个体适应度函数,将蝙蝠个体的位置向量映射为小波神经网络的初始连接权值、尺度因子及平移因子,实现对小波神经网络初始值的优化。利用优化后的小波神经网络建立车床主轴热误差预测模型,与未优化的小波神经网络和BP神经网络预测模型对比。结果表明:BA-WNN对主轴轴向热误差的预测精度较高、残差较小、预测能力更强。     

基于改进卷积神经网络的数控铣床能效等级预测

针对数控铣床能效影响要素多、要素间关联关系复杂而导致的机床能效等级预测问题,提出一种基于卷积神经网络的数控铣床能效等级预测方法。通过数控机床运行过程能效影响要素分析,从设备、工艺、工件、刀具的维度对影响要素进行了分类;依据不同维度数据的来源,提出数控铣床多维数据的采集与预处理方法;提出基于LeNet-5改进卷积神经网络的数控铣床能效等级预测方法。并通过案例验证了方法的可行性和适用性,最终的训练准确度达到97.29%,在测试集上的准确度达到93.32%,预测结果较好,可以指导设备以及可控参数的选择,有较好的应用前景。