基于改进集成多隐层小波极限学习神经网络的滚动轴承故障识别研究

由于强噪声和非线性、非平稳性等特性,导致滚动轴承振动信号存在难以提取和其工况状态难以辨识的问题,对此提出了一种基于改进集成多隐层小波极限学习神经网络的滚动轴承故障识别模型。首先,使用了谱分割小波变换,将采集到的滚动轴承振动信号分解为若干本征模态分量;然后,选择了较能反映轴承运行工况特征的模态分量,并加以了重构;最后,利用了不同小波函数设计了不同的多隐层小波极限学习神经网络,并加入了卷积机制,将重构后的信号输入不同的深层网络,进行了特征学习与故障识别,利用集成方法得到了最后的滚动轴承故障识别结果。研究结果表明:提出方法的平均故障识别准确率达到99.42%,标准差仅为0.11;该方法自动特征提取能力和工况识别能力优于深度稀疏自动编码器、深度降噪自动编码器和深度信念网络等深度学习方法,适用于滚动轴承故障的自动识别。     

基于多模态特征融合的自主驾驶车辆低辨识目标检测方法#br#

针对自主驾驶车辆在真实驾驶环境下对低辨识目标的识别问题,提出了基于多模态特征融合的目标检测方法。基于Faster R-CNN算法设计多模态深度卷积神经网络,融合彩色图像、偏振图像、红外图像特征,提高对低辨识目标的检测性能;开发多模态（3种）图像低辨识度目标实时检测系统,探索多模态图像特征融合在自动驾驶智能感知系统中的应用。建立了人工标注过的多模态（3种）图像低辨识目标数据集,对深度学习神经网络进行训练,优化内部参数,使得该系统适用于复杂环境下对行人、车辆目标的检测和识别。实验结果表明,相对于传统的单模态目标检测算法,基于多模态特征融合的深度卷积神经网络对复杂环境下的低辨识目标具有更好的检测和识别性能。     

基于多模态特征融合的自主驾驶车辆低辨识目标检测方法

针对自主驾驶车辆在真实驾驶环境下对低辨识目标的识别问题,提出了基于多模态特征融合的目标检测方法。基于Faster R-CNN算法设计多模态深度卷积神经网络,融合彩色图像、偏振图像、红外图像特征,提高对低辨识目标的检测性能;开发多模态(3种)图像低辨识度目标实时检测系统,探索多模态图像特征融合在自动驾驶智能感知系统中的应用。建立了人工标注过的多模态(3种)图像低辨识目标数据集,对深度学习神经网络进行训练,优化内部参数,使得该系统适用于复杂环境下对行人、车辆目标的检测和识别。实验结果表明,相对于传统的单模态目标检测算法,基于多模态特征融合的深度卷积神经网络对复杂环境下的低辨识目标具有更好的检测和识别性能。     

基于SSDAE深度神经网络的钛板电涡流检测图像分类研究

钛板电涡流成像检测易受工业现场中的噪声影响,包含噪声的检测图像往往难以提取较好的特征,从而影响分类识别精度。针对以上问题,提出了一种基于栈式稀疏降噪自编码(SSDAE)深度神经网络的钛板缺陷电涡流检测图像分类方法。将稀疏性限制引入降噪自编码器并进行逐层无监督自学习,然后将自编码器栈式组合后添加逻辑识别(LR)层,构建出SSDAE深度神经网络,网络在有监督微调后可实现钛板缺陷电涡流图像特征自动提取与分类识别。稀疏性限制的引入提高了特征学习能力,降噪自编码器的栈式组合提高了深度网络的鲁棒性。实验结果表明,相比其他常规方法,所提出方法不仅在理想环境下有更高的分类准确率,且该方法能有效抵抗噪声,在复杂工况下能更有效地对钛板缺陷进行分类识别。     

采用深度级联卷积神经网络的三维点云识别与分割

三维目标识别和模型语义分割在自动驾驶、机器人导航、3D打印和智能交通等领域均有着广泛应用。针对PointNet++未能结合三维模型的上下文几何结构信息的问题,提出一种采用深度级联卷积神经网络的三维点云识别与分割方法。首先,通过构建深度动态图卷积神经网络捕捉点云的深层语义几何特征;其次,通过将深度动态图卷积神经网络作为深度级联卷积神经网络的子网络递归地应用于输入点集的嵌套分区,以充分挖掘三维模型的深层细粒度几何特征;最后,针对点集特征学习中的点云采样不均匀问题,构建一种密度自适应层,利用循环神经网络编码每个采样点的多尺度邻域特征以捕捉上下文细粒度几何特征。实验结果表明,本算法在三维目标识别数据集ModelNet40和MoelNet10上的识别准确率分别为91.9%和94.3%,在语义分割数据集ShapeNet Part,S3DIS和vKITTI上的平均交并比分别为85.6%,58.3%和38.6%。该算法能够提高三维点云目标识别和模型语义分割的准确率,且具有较高的鲁棒性。     

基于萤火虫优化的核自动编码器在中介轴承故障诊断中的应用

随着科技进步与工业规模的快速壮大,现代工业监测领域步入大数据时代,如何自动地从大规模原始信号中提取故障特征并诊断是一个重要课题。为了提高深度自动编码网络处理非线性问题的能力,提出一种基于核函数与去噪自动编码器(Denosingauto-encoder,DAE)的深度神经网络方法。采用径向基核函数改进传统的去噪自动编码器,提出核去噪自动编码器(Kernel denosing auto-encoder, KDAE);构建包含一个KDAE层与多个AE层的深度神经网络对故障特征进行层层提取,并添加softmax分类层;采用误差反向传播算法对网络参数进行微调,并采用混沌萤火虫算法优化核参数与深度网络中的待定参数,得到故障诊断模型。针对传统自动编码器泛化性较差的问题,在目标函数中添加L2惩罚项。通过航空发动机中介轴承典型故障试验数据,验证了所提方法与传统去噪自动编码网络相比能够得到更高的准确率。     

一种用于深度补全的双分支引导网络

深度信息在机器人、自动驾驶等领域中有着重要作用,通过深度传感器获取的深度图较为稀疏,研究人员为了补全缺失的深度信息提出了大量方法。但现有方法大多是针对不透明对象,基于卷积神经网络的强大表征能力,设计了一个双分支引导的编解码结构网络模型,通过针对透明物体的以掩码图为引导的编码分支,提升网络对透明物体特征信息的提取能力,并且使用谱残差块连接编解码部分,提高了网络训练稳定性及获取物体结构信息的能力,除此之外,还加入了注意力机制以提升网络空间和语义信息的特征建模能力。该网络在两个数据集上都达到了领先的效果。     

时空神经网络滚动轴承故障诊断方法

深度神经网络在故障诊断领域已有一定应用,为了进一步提高其诊断效率和准确率,本文提出了一种基于时空神经网络的滚动轴承故障诊断方法:该方法使用卷积神经网络(Convolution neural network,CNN)框架,借用深度残差网络(Residual neural network,ResNet)的网络并联法,并联CNN卷积层和循环神经网络(Recurrent neural network,RNN)的LSTM层,构建新的时空神经网络,对传感器采集的信号进行特征提取。该网络同时具备对空间域的强大学习能力和时域信号的学习能力,并且在每一层中权值共享,这使得时空神经网络参数数量较低,从而极大地避免了过拟合现象的产生,也降低了系统所占用的内存,可以高效地提取故障特征,从而提高诊断的准确率。试验结果表明:该方法比单个网络的诊断正确率提高了1.01个百分点。     

量子神经网络在旋转机组状态趋势预测中的应用

神经网络具有非线性函数逼近能力,常用于非线性趋势预测。为了预测旋转机组故障特征量的非线性发展趋势,提出指数加权量子神经网络。参考传统的BP(backpropagation)神经网络及指数平滑的预测方法,将量子计算与神经网络相结合,选择误差修正学习算法,并在神经网络输入层进行指数加权,构建三层指数加权量子神经网络。该网络具有非线性逼近能力,并且能通过指数加权系数反映近期和远期历史数据对将来预测值的不同贡献程度。在将指数加权量子神经网络应用于大型旋转机组故障特征量的非线性趋势预测时,实验结果表明该网络训练的速度与预测的精度均好于传统的BP神经网络预测。     

基于稀疏自动编码深度神经网络的感应电动机故障诊断

针对目前感应电动机故障诊断大多采用监督学习提取故障特征的现状,提出一种将去噪编码融入稀疏自动编码器的深度神经网络,实现非监督学习的特征提取并用于感应电动机的故障诊断。稀疏自动编码器通过自动学习复杂数据的内在特征来提取简明的数据特征表达。为提高特征表达的鲁棒性,在稀疏编码器的基础上融入去噪编码,提取更有效的特征表达用来训练神经网络分类器进而完成整个深度神经网络的构建,并结合反向传播算法对深度神经网络进行整体微调,提升故障分类的准确度。整个训练过程引入"dropout"训练技巧,减少因过拟合带来的预测误差。试验结果表明,相比传统反向传播(Back propagation,BP)神经网络,提出的深度神经网络能更有效地实现感应电动机故障诊断。     

基于特征融合的双模态低辨识度目标识别

针对单一彩色相机对低辨识度目标识别准确率低的问题,提出了一种利用彩色相机和红外热成像仪同时检测自动驾驶目标的方案。为了同时提取彩色图像的颜色特征与红外图像的温度特征,在单模态YOLOv3网络基础上改进网络结构得到双模态YOLOv3神经网络,并设计四种特征融合对比实验以确定最佳融合方案;建立双模态数据集同步采集系统,采集彩色图像与红外图像对并用于双模态网络的训练与测试;使用未经网络训练的验证集得到4种双模态特征融合模型的平均精度值与损失值。实验结果表明,在训练30次后,该双模态网络模型的平均精度值最高可达59.42%。     

Ridge-following control for agricultural tractors using deep learning and stereo camera

The furrow irrigation, which forms a ridge-furrow and grows several crops on the ridge, involves the seeding work using the tractor that follows the path of the ridge. This work requires long hours labor from human, and there is a possibility that the work efficiency may decrease. In this paper, we propose deep learning and stereo image-based algorithms for sowing tasks on ridges via autonomous path-following of the tractor. The collected stereo image is converted into a depth image through a matching algorithm, and the depth image is input to a MobileNetV2-based deep learning network model to obtain a center line of the ridge. In addition, the target value of steering angle control is calculated by waypoint preview control concept. so that the tractor can follow the estimated center line of the ridge. The proposed algorithm is verified by GPS-based path information of autonomous driving and comparing it with human-operated driving path.

     

基于深度卷积网络和在线学习跟踪的驾驶员打哈欠检测

提出了一种基于多信息融合的驾驶员打哈欠检测方法。首先,建立驾驶员面部图像数据库并训练深度卷积神经网络来依次检测驾驶员的面部和鼻子;然后,采用局部二比特特征和随机森林分类器训练生成在线鼻子检测器,以此来校正光流跟踪器在鼻子跟踪过程中产生的漂移误差等参数;最后,分析鼻子下方嘴部区域的边界梯度变化情况,并结合鼻子跟踪器置信度、面部横向运动等信息来判断驾驶员是否打哈欠。实验结果表明,深度卷积网络相对于其他面部分类方法,可以获得更好的分类检测效果;基于在线学习的跟踪方法可以很好地减小光流跟踪引起的漂移误差;整个算法可以在多种驾驶环境下以较高准确率检测驾驶员打哈欠事件的发生。     

Brain tumor segmentation in multi‐spectral MRI using convolutional neural networks (CNN)

A tumor could be found in any area of the brain and could be of any size, shape, and contrast. There may exist multiple tumors of different types in a human brain at the same time. Accurate tumor area segmentation is considered primary step for treatment of brain tumors. Deep Learning is a set of promising techniques that could provide better results as compared to nondeep learning techniques for segmenting timorous part inside a brain. This article presents a deep convolutional neural network (CNN) to segment brain tumors in MRIs. The proposed network uses BRATS segmentation challenge dataset which is composed of images obtained through four different modalities. Accordingly, we present an extended version of existing network to solve segmentation problem. The network architecture consists of multiple neural network layers connected in sequential order with the feeding of Convolutional feature maps at the peer level. Experimental results on BRATS 2015 benchmark data thus show the usability of the proposed approach and its superiority over the other approaches in this area of research.     

基于小波变换和ICA特征提取的开关电流电路故障诊断

提出了采用小波变换和独立成分分析(ICA)作为预处理器来进行特征提取的神经网络开关电流电路故障诊断方法。该方法对采集到的故障响应信号进行Haar小波正交滤波器分解,获得低频近似信息和高频细节信息;然后利用独立成分分析方法进行ICA故障特征提取;最后将所得到的最优故障特征输入到BP神经网络中进行故障分类。对六阶切比雪夫低通滤波器和六阶椭圆带通滤波器电路进行了仿真实验验证,获得了100%的故障诊断准确率,与其他方法进行比较,实验结果显示了该方法的优越性。     

Investigation of deep neural network with drop out for ultrasonic flaw classification in weldments

Ultrasonic signal classification of defects in weldment, in automatic fashion, is an active area of research and many pattern recognition approaches have been developed to classify ultrasonic signals correctly. However, most of the developed algorithms depend on some statistical or signal processing techniques to extract the suitable features for them. In this work, data driven approaches are used to train the neural network for defect classification without extracting any feature from ultrasonic signals. Firstly, the performance of single hidden layer neural network was evaluated as almost all the prior works have applied it for classification then its performance was compared with deep neural network with drop out regularization. The results demonstrate that given deep neural network architecture is more robust and the network can classify defects with high accuracy without extracting any feature from ultrasonic signals.     

基于多头注意力的CNN-LSTM的换道意图预测

自动驾驶车辆与传统车辆混行的交通环境中,车辆的换道意图预测能够为自动驾驶车辆安全行驶提供有效保证。为了更准确地预测车辆的换道意图,将多头注意力与卷积神经网络(Convolution neural network,CNN)和长短时记忆(Long-short term memory,LSTM)网络结合,提出一种新型车辆换道意图预测算法。首先对NGSIM(Next generation Simulaion)数据集进行处理,提取车辆横向位置信息和周围环境信息。然后输入基于多头注意力(Multi-headattention)的CNN-LSTM模型,提高对输入序列特征的提取能力和预测精度。最后在NGSIM数据集验证该模型的有效性。试验结果表明,该模型能够从大量数据中提取到重要特征,同时通过特征对比试验发现,横向位置信息作为预测的主要特征,而周围环境信息作为预测的辅助特征。最后通过模型的对比试验得出,该模型的换道意图预测准确率在换道前1s、2s、3s相比于LSTM、CNN、CNN-LSTM模型具有更好的预测精度,可以为自动驾驶汽车设计先进的意图预测算法提供帮助和参考。     

A sparse auto-encoder-based deep neural network approach for induction motor faults classification

This paper presents a deep neural network (DNN) approach for induction motor fault diagnosis. The approach utilizes sparse auto-encoder (SAE) to learn features, which belongs to unsupervised feature learning that only requires unlabeled measurement data. With the help of the denoising coding, partial corruption is added into the input of the SAE to improve robustness of feature representation. Features learned from the SAE are then used to train a neural network classifier for identifying induction motor faults. In addition, to prevent overfitting during the training process, a recently developed regularization method called “dropout” which has been proved to be very effective in neural network was employed. An experiment performed on a machine fault simulator indicates that compared with traditional neural network, the SAE-based DNN can achieve superior performance for feature learning and classification in the field of induction motor fault diagnosis.