基于深度学习卷积神经网络图像识别技术的研究与应用

深度学习目前在计算机视觉、语音识别等领域有着广泛的应用。基于深度学习算法的卷积神经网络(Convolutional Neural Network,以下简称CNN)以其独特的优势,目前已被应用于图像识别之中。本文主要介绍CNN的基本概念、结构以及两种经典网络模型,同时通过实验探究CNN和一般的神经网络的区别及CNN的优势。     

利用单传感器数据基于GAF-CNN的结构损伤识别

为了减少损伤识别所需传感器数量,降低监测系统造价及海量数据的处理成本,提出了基于单传感器数据结合格拉姆角场（Gramian angular field, 简称GAF）和卷积神经网络（convolutional neural networks,简称CNN）的结构损伤识别方法。采用GAF理论将原始振动信号分别转换为格拉姆角和场（Gramian angular summation field,简称GASF）和格拉姆角差场（Gramian angular difference field,简称GADF）二维图像,以转换后的GASF和GADF两类图像数据集为输入,基于LeNet-5结构下的浅层卷积神经网络模型,训练最优二维CNN模型用于结构损伤识别。以国际桥梁维护和安全协会提出的结构健康监测基准模型结构及一榀钢框架结构为例,研究振动信号转化为二维图像算法、卷积神经网络模型参数、传感器布置位置及测量噪声对识别结果的影响。结果表明：所提算法仅需单个传感器数据即可实现损伤识别的目的,数值模拟及模型试验的损伤识别准确率均为100%,单条样本测试时间为8.5ms左右,满足结构健康监测在线损伤识别的需求,且受传感器布置位置和噪声程度影响较小;GADF图较GASF图收敛效率更高,震荡幅度更小,受局部最优值影响较小,在样本数量规模一致的状态下,更易训练生成最优二维CNN模型。     

基于深度学习的导波特征提取及其激光超声检测

针对激光超声检测中波场的三维数据处理计算量大且损伤特征提取难的问题,提出了一种基于深度学习模型的导波 波场分析方法. 首先,以 VGG-Net 网络为框架,建立了基于 VGG11(A-LRN)的残差网络模型,用于挖掘时间-空间波场数据中的 导波特征;其次,以局部波数特征为物理机理,采用导波传播的解析式生成训练样本,解决了深度学习大数据获取的问题,获得 了波场特征提取的神经网络模型;最后,以激光超声系统在含损伤结构中的实验数据作为测试样本,验证了所提出的网络模型 能够提取表征损伤的导波特征,实现了结构的损伤成像,其损伤成像精度均在 67% 以上,损伤形貌的可视化效果好。     

基于SCGAN网络的齿轮故障诊断方法

为了提高齿轮箱中齿轮单故障及复合故障的识别精度,克服传统故障特征提取方法过于依赖经验判断的困难,从深度学习领域出发,融合卷积神经网络(convolutional neural network,简称CNN)与对抗神经网络(generative adversarial network,简称GAN)两种深度神经网络特征,提出...     

基于EMD二值化图像和CNN的滚动轴承故障诊断

针对传统故障诊断方法识别准确率低、泛化能力差,而基于深度学习的故障诊断普遍存在需要海量训练数据的问题,提出了一种基于经验模态分解(empirical mode decomposition,简称EMD)与卷积神经网络(convolutional neural networks,简称CNN)的滚动轴承智能故障诊断方法。首先,对轴承振动数据进行EMD,同时对相关系数最大的本征模函数(intrinsic mode function,简称IMF)分量进行频谱分析,获取频谱图,并将频谱图数据压缩成特征二值化图像作为CNN分类网络训练的输入数据;其次,将正常状态下和各类故障状态下的滚动轴承特征二值化图像作为CNN的输入得到训练模型,利用训练好的模型对各类故障进行分类识别。实验结果表明:在较少的训练数据下,轴承故障诊断准确率达到97.61%,远超过使用反向传播神经网络(back propagation,简称BP)和概率神经网络(probabilistic neural network,简称PNN)方法,证明了所提出方法与传统故障诊断方法相比能够更加准确地识别各类故障类别;对原始信号加入6 dB白噪声后的识别准确率也达到了96.19%,证明了所提出方法具有良好的泛化能力与抗噪性能。     

导波受载荷影响补偿的深度学习神经网络方法

针对基于导波的结构健康监测（structural health monitoring，简称SHM）中急需解决的环境载荷影响问题，开展碳纤维复合材料板结构与加筋结构载荷影响实验，研究了载荷对导波的影响规律。在此基础上，提出了一种基于深度学习神经网络的载荷补偿方法，该方法通过建立补偿标准，对网络结构及网络参数进行设计，有效减少了参考信号存储，实现了大范围载荷补偿。通过实验数据验证了该方法的有效性，结果表明，在补偿范围0~90 MPa内，补偿精度达到-20 dB。将补偿方法结合损伤成像方法应用在碳纤维复合材料板结构的损伤监测，结果表明，补偿前无法实现损伤定位，补偿后损伤定位误差≤0.9 cm，有效提高了载荷影响下的损伤诊断可靠性。     

样本不均衡时轴承故障的非平衡卷积网络诊断

为了提高样本不均衡条件下轴承故障诊断精度,提出了基于VAE-SNN的样本增广方法和基于非平衡损失网络的故障诊断方法。首先,使用变分自编码器用于数据生成,并依据孪生神经网络对生成数据的类别进行判定,实现了基于变分自编码器和孪生神经网络的样本增广;其次,分析了卷积神经网络无差别对待样本的缺点,针对不均衡样本的特殊性,提出了非平衡损失函数卷积网络,该网络能够自动关注数量少、难分的样本训练。经实验验证,生成对抗网络增广的样本相似度为0.847,孪生神经网络增广的样本相似度比对抗网络提高了6.61%,说明孪生神经网络的样本增广效果更好;在相同诊断方法前提下,样本增广后比增广前的准确率提高了9.42%,说明样本增广有利于提高轴承的故障诊断准确率;非均衡损失网络比卷积神经网络的诊断精度提高了7.17%,比自适应深度学习提高了4.12%,验证了非均衡损失网络的高准确率和优越性。     

基于BP神经网络的截齿磨损程度在线监测

为实现截齿截割过程中磨损程度的实时精准在线监测,提出了一种基于BP神经网络的截齿磨损程度多特征信号融合的检测方法。通过提取截割过程中不同磨损程度截齿的三向振动信号、红外温度信号和电流信号,建立了不同磨损程度截齿的多特征信号样本数据库,采用多特征信号样本对BP神经网络进行学习和训练,建立截齿磨损程度的识别模型,实现截齿磨损程度在线监测与精确识别。实验结果表明:基于BP神经网络的截齿磨损程度监测系统,网络判别结果和测试样本的实际磨损程度类别相符,该BP神经网络系统能够对截齿磨损程度类型进行准确的监测和识别。     

基于三级级联架构的接触网定位管开口销缺陷检测

针对高铁接触网定位管开口销在列车长期运行振动中容易松脱并且松脱样本数量匮乏的问题,本文提出一种基于深度卷积生成对抗网络(DCGAN),扩充缺陷样本集后,再训练卷积神经网络(CNN)检测开口销缺陷的三级级联架构。该架构首先采用中心点法提取训练需要的相同规格开口销图像。然后通过改进的DCGAN生成模拟缺陷样本,并搭建轻量级CNN网络对生成的模拟缺陷样本进行筛选。最后将添加了模拟缺陷样本的扩充缺陷样本集与正样本集输入优化后的VGG16卷积神经网络中,以训练分类模型,检测开口销缺陷。实验结果表明,本文所提方法检测接触网定位管开口销缺陷的准确率高达99%。     

基于深度学习理论的发动机气门机构故障识别

为了正确诊断和识别发动机气门机构故障,提出一种基于经验模态分解和堆栈式稀疏自编码器深度学习模型的发动机气门机构故障识别算法。以发动机缸盖振动信号为信号源,对振动信号做经验模态分解,提取各个本征模态分量的时域和频域特征构成故障特征向量集,作为故障识别的样本变量。通过稀疏自编码非监督学习网络对输入向量进行特征学习,并将单层网络堆栈成深度网络,最后采用少量有标签数据对整个深度学习模型进行微调训练,建立气门机构故障识别模型。试验结果表明,EMD-SSAE混合深度学习模型能够有效的识别气门机构的故障状态,并且比EMD-SVM和EMD-BPNN模型获得更高的识别准确率。     

面向石质文物裂隙的超声定位系统及算法研究

面向石质文物多年风化、干裂，急需修复的场景，针对深度学习在文物裂隙检测应用中的不足，提出一种基于缺陷特征增强和卷积神经网络(CNN)的石质文物缺陷定位算法。算法通过小波包分解进行特征提取并选择包含丰富特征信息的有效频段，作为CNN网络的输入，通过模型训练和波形分类识别，缩小定位范围，提高缺陷定位算法的泛化能力和识别率。本文搭建了以现场可编程门阵列(FPGA)为核心的超声检测平台，并在边长为40 cm的立方体试件上进行了实验验证，实验结果表明，波形识别准确率相较传统算法提高了11.3%,平均定位误差小于10%,为石质文物裂隙检测提供了可靠依据，有助于文物保护和修复。     

基于深度置信网络的大数据制造过程实时智能监控

针对基于浅层学习模型的过程监控方法难以对大数据制造过程运行状态进行实时智能监控的问题,提出了基于深度置信网络的大数据制造过程实时智能监控方法。利用灰度图建立大数据制造过程质量图谱,以精准表达其过程的运行状态;构建用于识别大数据制造过程质量图谱的深度置信网络;应用离线训练好的深度置信网络模型对当前监控窗口内的过程质量图谱进行识别,实现大数据制造过程实时智能监控。最后,应用该方法对某注塑件大数据制造过程进行实时质量智能监控,结果表明：所提方法的识别性能明显优于基于主成分分析与BP神经网络、支持向量机的识别模型,能有效应用于大数据制造过程实时质量智能监控。     

基于小波包变换的支持向量机损伤诊断方法

针对结构损伤识别中缺少实际损伤样本的问题,提出基于小波包特征提取的支持向量机结构损伤诊断方法.该方法将结构振动信号小波包分解后的频带能量,经过多传感器数据融合后作为特征向量,输入到多分类的支持向量机中,实现了结构多损伤的识别和定位.应用该方法对IASC-ASCE模型进行了分析,试验结果表明,小波包分解频带能量能够较好地反映结构的损伤特征.多传感器数据融合能够使不同传感器的信息相互补充,减小了损伤检测信息的不确定性,提高了损伤诊断准确率.     

空调冷凝器管道激光超声导波跨能量层级映射迁移检测方法

空调冷凝器是空调设备的关键部件,其弯管连接部位由于损伤类型多和几何形状复杂等原因造成传统接触式损伤检测手段难以应用,本文提出一种基于能量映射迁移网络的非接触式激光超声导波无损检测方法。首先,通过小波分解提取烧蚀信号和热弹信号的概貌波形,设计自编码能量映射函数将热弹信号特征空间映射到烧蚀信号特征空间,获得更接近烧蚀信号特征的映射热弹信号。其次,通过能量映射迁移网络对齐映射热弹信号和烧蚀信号特征空间,将网络模型中的域转换误差和样本标签误差之和用作特征空间对齐误差值。最后,对空调冷凝器泄漏、分层和裂纹等损伤进行检测实验验证所提新方法性能,结果表明其损伤识别精度为93.09%,比传统激光热弹激励检测方法提高了7.23%。     

一种基于深度学习理论的齿轮系统故障诊断方法

分别建立了基于快速傅里叶变换和深度置信网络的FFT-DBN模型、基于小波变换和深度卷积神经网络的WT-CNN模型以及基于希尔伯特-黄变换和深度卷积神经网络的HHT-CNN模型,通过将3种深度学习模型有机融合,进一步构建了基于深度学习理论的齿轮系统故障诊断综合评判模型。通过搭建功率封闭齿轮系统振动测试试验台,加工不同故障模式的测试齿轮副并提取其振动加速度信号作为样本,将基于深度学习理论的综合评判模型的故障识别效果与其他模型进行了对比。结果表明,基于深度学习理论的综合评判模型能够有效地辨识出多种齿轮故障;与其他模型相比,基于深度学习理论的综合评判模型的故障识别准确度更高。     

结合双模多尺度CNN特征及自适应深度 KELM的浮选工况识别

针对可见光图像特征驱动的浮选工况识别方法的不足,提出一种基于双模态图像多尺度CNN特征及自适应深度自编码核极限学习机(Kernel Extreme Learning Machine,KELM)的浮选工况识别方法。先对泡沫的可见光、红外图像进行非下采样剪切波多尺度分解,设计双通道CNN网络对双模态多尺度图像进行特征提取及融合,将多个双隐层自编码极限学习机串联成深度学习网络对CNN特征逐层抽象提取,然后通过核极限学习机映射到更高维空间进行决策,最后改进量子细菌觅食算法并应用于深度自编码KELM识别模型参数优化。实验结果表明:采用双模多尺度CNN特征较单模多尺度、双模单尺度CNN特征的识别精度提高了2.65%,自适应深度自编码KELM模型具有较好的分类精度和泛化性能,各工况识别的平均准确率达到95.98%,识别精度和稳定性较现有方法有较大提升。     

基于卷积神经网络的异步电机故障诊断

由于电机内部结构的复杂性,使得其故障特征与故障类型之间存在较强的非线性关系;目前用于异步电机故障诊断的方法都是人工手动提取特征,这需要大量的先验知识、丰富的信号处理理论和实际经验作为支撑,诊断效率不高;同时用于模式识别时的样本量过少,会导致网络过拟合等问题。针对以上问题,提出了基于短时傅里叶变换(short-time fourier transform,简称STFT)和卷积神经网络(convolutional neural networks,简称CNN)的电机故障诊断方法。该方法以单一振动信号为监测信号,使用STFT将故障信号转换成时频谱图,构建大量不同故障样本,以确保样本多样性,提高网络鲁棒性。将预处理后的样本作为CNN的输入,有监督地调整网络参数,以实现准确的电机故障诊断。将所提出的STFT+CNN算法分别与传统的电机故障诊断方法及堆叠降噪自编码进行比较分析。试验结果表明,该方法能够更有效地进行电机故障诊断。     

基于深度学习的分布式光纤损伤识别方法

航空航天复合材料结构服役环境恶劣,为保证结构安全运行需要发展结构健康监测技术,基于背向瑞利散射的分布式光纤传感器因其便于埋入、抗干扰能力强等优点被广泛应用于结构健康监测领域。如何从复杂的光纤数据中识别结构损伤是健康监测的研究难点之一,基于此问题提出一种用于损伤识别的深度学习方法,采用一维卷积神经网络对复合材料层合板中的脱粘和裂纹损伤进行识别。为了验证方法的可靠性,设置预制损伤的酚醛树脂层合板的悬臂加载试验,其埋入的分布式光纤传感器很好地监测到了损伤区域的应变变化特征,采用试验数据对网络结构进行参数调整,最终确定卷积核大小和卷积层数目。试验结果表明,训练后的一维卷积神经网络能够从复杂的应变曲线中识别出损伤特征,并对损伤特征进行准确定位。在目前的研究中,该方法能够准确识别3 cm2的脱粘损伤和20 mm长的裂纹损伤,同时定位精度小于4 mm。     

刀具切削变工况数字孪生模型构建方法

针对历史工况条件下建立的刀具数字孪生模型对新工况监测的准确度降低,且新工况下缺乏足够训练样本重新训练模型的问题,将深度迁移学习策略引入刀具数字孪生模型,建立刀具切削变工况数字孪生模型。该模型基于边缘分布适配规则,使模型学习到分布相似的源域数据特征和目标域数据特征,只需较少的目标域样本即可将源域训练好的模型迁移到目标域进行监测,从而提高刀具数字孪生模型在目标域的监测精度和适应性。实验验证,相比未引入迁移策略的模型,所建模型能够提高变工况条件下的磨损监测精度和对新工况的泛化能力。     

基于改进对比学习和并行融合神经网络的室内WiFi定位算法

机器学习在WiFi指纹定位技术中扮演着重要角色。针对信号波动对指纹辨识力的影响往往被忽略以及如何从样本中提取更广泛的表征信息的问题,提出了一种基于改进对比学习(CL)和并行融合神经网络的WiFi定位算法。该算法首先利用改进对比学习来提高指纹辨识力,其在增加不同类别指纹间的区分度的同时能减小同类别指纹间的差异。其次,构建基于卷积神经网络(CNN)和长短期记忆(LSTM)的并行融合网络,与传统的串行融合方式相比,网络可以从原始样本中提取更多的有效特征。此外,在池化层后增加Flatten层以进一步考虑网络的中间层信息,从而利用更广泛的特征信息来提高模型的泛化性能。结果表明,所提算法的定位性能比其他定位算法提高26%。