基于长短期记忆神经网络的刀具磨损状态监测

刀具磨损状况的实时检测是目前机床加工状态监测的难点,而对刀具的振动信号分析的常用方法是利用神经网络模型来判断刀具磨损状态。为解决循环神经网络(RNN)模型训练过程中梯度容易消亡的现象,提出基于长短期记忆神经网络的刀具磨损状态在线监测。刀具在进行切削加工时,首先通过加速度传感器采集刀具振动信号,然后对振动信号小波包变换进行分解是让信号通过不同的滤波器进行有条件的选择,由此形成不同的能量值,用作为长短期记忆神经网络的特征输入,从而诊断出刀具磨损状态的3种状态故障;最后利用长短期记忆神经网络模型对处理时间序列的数据有比较好的效果,它可以捕捉长期的依赖关系和非线性动态变化。此外,通过与多层(BP)神经网络和(BP)神经网络故障诊断方法进行比较,结果表明,LSTM网络对刀具磨损状态在线监测更加有效。     

基于强化学习算法的水下滑翔机路径跟踪研究

针对洋流影响下水下滑翔机实际路径与预定路径偏差较大的问题，在传统的长短期记忆网络模型的基础上引入注意力机制，建立了具有长短期记忆与注意力机制的神经网络洋流预测模型；利用深度神经网络生成水下滑翔机运动的动态Q表，并通过强化学习算法选择最优运动姿态，同时考虑洋流的影响，构造了基于深度强化学习的水下滑翔机路径跟踪算法。结果表明，基于注意力机制的长短期记忆网络相较于传统的整合移动平均自回归模型与长短期记忆网络，其洋流预测具有更小的均方误差与均方根误差，具有良好的预测能力；相较于传统的PID控制，深度强化学习模型可使水下滑翔机轨迹均方根误差降低50.9%,显著提高了路径跟踪精度。     

面向激光跟踪仪跟踪恢复的合作目标视觉检测

为了实现复杂场景下激光跟踪仪跟踪恢复过程中合作目标靶球的检测,本文研究了基于深度学习的靶球检测方法。首先,分析靶球自身特点、应用环境及它在跟踪恢复过程中的作用,然后根据Faster R-CNN模型原理与跟踪恢复应用需求提出基于超特征与浅层高分辨率特征信息复用的改进方法生成新的融合特征图,并优化区域建议提取参数,协同解决图像中目标多尺度变化与小尺寸导致目标漏检率高的问题;同时提出一种基于强背景干扰的困难样本挖掘方法提高模型对外形颜色等与目标近似的干扰物识别能力,解决模型误检测率高的问题。最后,本文构建了目标靶球数据集并进行了对比训练与测试。测试实验结果表明:本文提出的基于强背景干扰困难样本挖掘方法的改进Faster R-CNN模型在目标多尺度、小尺寸检测,以及对复杂背景中相似干扰物的辨别能力都有提升,最终对测试集的检测精度达到了90.11%,能够满足激光跟踪仪跟踪恢复过程对合作目标靶球的视觉检测精度要求。     

基于二次相似性度量的即时学习转炉炼钢终点碳温软测量方法

转炉炼钢过程中碳、温连续实时预报是终点控制的关键,针对炉次间的时间序列样本差异度大进而影响模型预测精度的问题,提出一种二次相似性度量的即时学习策略加具有反馈补偿机制的长短期记忆网络混合模型预测终点碳温方法.利用灰色关联度准则进行一次度量建立初始局部模型,在其局部模型中定位出"质心"样本进行二次度量,从而获取最优局部模型;长短期记忆网络训练时,将输出反馈回输入端,使其二次训练能够提高泛化能力.通过钢厂转炉炼钢生产过程的实际数据对方法进行测试和验证,结果表明,按照炼钢工艺要求,温度预测误差在±5℃的精度为76.7％,碳预测误差在±0.01的精度为86.7％.     

基于机器学习的航天器滚动轴承故障诊断分析

滚动轴承作为航天器的基本零件,诊断其损坏类型具有重要意义。其中的深沟球轴承在航天器中应用广泛。采用西储大学轴承数据进行训练来模拟航天器轴承故障,分析航天器此类轴承故障。使用的机器学习方法有长短期记忆网络(LSTM)和卷积神经网络(CNN)。实验表明,用驱动端和风扇端内圈数据分别训练,单层卷积神经网络用时最少,平均为16.1 s和25 s。长短期记忆网络时间较长,精度平均可达0.94。多层卷积神经网络训练用时较少为7′01″,平均可达0.99,综合性能好。     

融合Mar-G LSTM的流程生产工艺质量预测算法

针对流程生产连续性强、时序耦合复杂等特点,传统神经网络不具备长期记忆能力,且在深层次网络训练时易出现训练参数灾难、梯度爆炸等问题,提出基于马尔可夫优化的融合门控循环单元(GRU)与长短期记忆网络(LSTM)的组合预测模型(Mar-G LSTM)。首先在循环神经网络结构中融入门控机制构建深度LSTM神经网络模型,对流程生产时序数据信息进行选择性记忆,学习时序数据序列的信息依赖,进而解决训练过程中的梯度爆炸问题;同时结合马尔可夫链对GRU-LSTM模型的预测结果进行修正优化,在降低模型的复杂度的情况下进一步提高了模型的预测精度。最后,结合某流程生产线的工艺数据进行分析验证,结果表明,Mar-G LSTM算法在预测精度上较随机森林模型、门控循环单元神经网络模型(GRU)、长短期记忆神经网络模型(LSTM)和卷积神经网络与门控循环单元网络组合模型(CNN-GRU)分别提高了37.42%、21.32%、17.91%和12.56%,所提Mar-G LSTM算法可实现流程生产质量的准确预测,为降低工艺参数调控任务的完成时间提供了思路和实现途径。     

一种基于Elman神经网络的液压泵故障诊断技术

针对传统BP网络进行液压泵故障诊断时，网络学习具有收敛速度慢和学习、记忆不稳定的缺陷，提出将Elman神经网络应用于液压泵故障诊断，建立Elman神经网络的结构模型，介绍了该网络的训练算法，阐明了液压泵故障诊断的实现过程。通过试验验证了该神经网络收敛速度快，学习记忆稳定，具有很好的学习功能；测试结果表明该诊断方法具有高可靠性，达到了预期的结果，可以用于液压泵故障诊断。     

基于足底压力的不规范深蹲姿势识别

深蹲被称为力量训练之王,但不正确的姿势会对人体产生不可逆转的伤害。 提出了一种利用足底压力来检测常见不 正确的蹲姿的方法。 使用带 8 个压力传感器的鞋垫收集了 1 组正确蹲姿和 4 组常见错误蹲姿的数据,提出了对这些连续蹲 姿数据进行分割的算法,并对压力云图进行了分析。 然后设计了 3 组深度神经网络作为分类器,分别是引入注意力机制的 长短期记忆网络( att-LSTM) 、长短期记忆网络(LSTM)和卷积神经网络(CNN) 。 实验结果表明,3 组模型的测试准确率分别 为 90. 2% 、83. 0% 和 79. 8% 。 结果表明,采用引入注意力机制的 LSTM 作为分类算法是一种有效的蹲姿检测方法。     

特征点辅助的时空上下文目标跟踪与定位

针对动态目标跟踪中快速运动和目标遮挡而跟踪失败问题,提出了一种特征点辅助的时空上下文跟踪算法。首先提取目标特征点,通过特征点匹配和光流跟踪方法进行目标追踪,获得目标预估位置;其次,建立特征点变化率和时空上下文模型更新率关系模型,实时调控更新率,防止引入错误信息;最后,在预估位置区域内,构建局部上下文外观模型,计算与时空上下文模型的相关性获取置信图,进一步精确定位目标。算法在一组测试视频集中进行验证,相比目前4种主流算法(平均跟踪成功率最高为60%,平均跟踪误差最小为26.14 pixel),本算法综合性能达到最优,平均跟踪成功率为90%,平均跟踪误差为7.47 pixel,平均跟踪速率25.31 f/s。在双目视觉移动机器人平台上对随机运动目标进行跟踪实验,在背景干扰、遮挡、目标旋转和快速运动等组合情况下,跟踪成功率97.4%,跟踪距离平均相对误差为4.05%。     

气动准零非线性隔振器的刚度特性与参数调控

为解决滚动轴承剩余寿命预测问题，提出一种基于长短期记忆网络（long short-term memory, 简称LSTM）的剩余寿命预测方法。首先，从时域、频域及时频域特征中提取特征参数；其次，定义三个评价指标定量评估表征轴承退化过程的特征参数效果，筛选得到退化特征参数集，搭建长短期记忆网络预测模型并以归一化寿命值为标签训练神经网络；最后，用训练好的神经网络实现滚动轴承剩余寿命预测。通过滚动轴承全寿命试验证明，该方法可以准确预测滚动轴承剩余寿命，并与反向传播(back propagation machine,简称BP)神经网络和支持向量回归机（support vector regression machine，简称SVRM）的预测效果对比，验证了提出方法的有效性。