基于小样本深度学习的齿轮表面损伤识别研究

齿轮表面损伤是影响齿轮传动的重要因素,提高齿轮表面损伤的识别效率和准确率极为重要。基于Pytorch架构建立齿轮表面损伤的ResNet识别模型,利用数据增强的方式扩大数据集,使用迁移学习方式优化模型训练,并对比了4种ResNet结构。结果表明,将64张原始图像数据增强后得到的由640张图像组成的数据集不足以满足模型训练对大量数据的需要;使用迁移学习能够提高模型训练速度和准确率,满足齿轮表面损伤的识别要求;ResNet-101模型在本框架中是最优结构。研究对齿轮表面损伤的检测具有重要的科学意义和工程价值。     

负载不平衡下小样本数据的轴承故障诊断

针对轴承振动信号易受负载不平衡干扰以及轴承故障样本量少的问题,提出了一种基于梯度惩罚Wasserstein距离生成对抗网络（WGAN-GP）和自注意力卷积神经网络（SeCNN）的轴承故障诊断方法。对轴承振动信号进行短时傅里叶变换,得到易于WGAN-GP处理的时频谱样本,分为训练集、验证集、测试集;将训练集输入到WGAN-GP中进行对抗训练,生成与训练样本分布相似的新样本,并添加到训练集中以扩充训练集;将扩充后的训练集输入到SeCNN中进行学习,并将训练好的模型应用于测试集,输出故障识别结果。对CUT-2平台负载不平衡轴承数据集进行分析,实验结果表明,所提方法能够准确有效地对轴承故障进行分类。     

一种跨公司航天软件缺陷预测方法

为提高航天软件测试的效率和质量,针对同公司航天软件数量少、研制周期长的特点,提出了一种跨公司航天软件缺陷预测方法。从航天软件背景信息复杂、规模大、功能独立等特征出发,提出基于静态分类缺陷预测的模型构建思想。引入迁移学习方法,利用最近邻分类器和数据引力模型,对训练数据的分布特征进行修正,提高训练数据与目标数据的相似性;为提高模型的泛化能力以适应目标数据的多样性,提出在训练数据中加入少量目标数据用于模型训练。将该方法在实际工程中进行应用,实验结果表明,与已有软件缺陷预测方法相比,该方法在保持较低误报率（不高于0.3）的情况下可有效提高召回率（接近0.6）,整体可信度得到有效增强（G- measure超过0.6）,方法稳定度高,泛化能力较强;本方法在实际工程中对测试规模影响可控,测试效率得到提高。     

基于高斯混合模型的流程工厂设备集相似度计算

为了对流程工厂设备集之间的相似性进行度量,提出一种基于高斯混合模型的相似度计算方法。该方法从设备数量和设备构成两方面进行计算,再将二者结合起来得到统一的相似度指标。对于设备数量,利用Jaccard系数思想进行计算;对于设备构成,先通过分类树将设备集映射成二维坐标空间中的点集,再用高斯混合模型描述点集分布规律,最后基于高斯混合模型间的JS(Jensen-Shannon)散度计算相似度。通过流程工厂专家的评级打分及对设备工艺作用的分析,验证了计算结果的合理性和有效性。     

基于CNN-BiLSTM的滚动轴承变工况故障诊断方法

针对变工况和噪声背景下滚动轴承故障难以诊断的问题,提出一种将注意力机制、DropConnect和Dropout混合加入到卷积神经网络?双向长短时记忆网络（convolutional neural network?bidirectional long short?term memory,简称CNN-BiLSTM）模型的滚动轴承故障诊断方法。首先,将滚动轴承不同工况下的各类故障状态的原始振动信号进行预处理,构建标签化的训练数据集和测试数据集;其次,把注意力机制引入到BiLSTM中提取更加重要的深层故障特征,同时将DropConnect和Dropout混合使用分别抑制CNN和BiLSTM网络在训练过程中的过拟合问题,从而得到改进的CNN?BiLSTM模型;然后,将处理后的标签化数据集输入改进的模型中训练;最后,利用Softmax分类器进行故障类别诊断。通过选取不同数据集验证,证明该方法均有较好的泛化性和抗噪能力。     

基于二次迁移学习和EfficientNetV2的滚动轴承故障诊断

针对工程实际故障诊断环境下，可用数据稀缺，导致智能诊断模型对轴承健康状态识别精度较低这一问题，提出一种基于二次迁移学习和EfficientNetV2(Two-Step Transfer of EfficientNetV2,TSTE)的滚动轴承故障诊断新方法。首先，将模型在轴承全寿命周期数据集中训练，之后冻结模型浅层权重，将其在多工况轴承数据集中训练，进行第一次迁移学习。其次，通过构造类不平衡数据集，研究实际故障环境下可用数据稀缺对故障诊断性能的影响。然后，基于合成少数类过采样技术（Synthetic Minority Oversampling Technique,SMOTE）过采样方法与编辑最近邻（Edited Nearest Neighbors,ENN）欠采样方法对故障数据进行扩充，使类不平衡数据集重构为类平衡数据集。最后，将模型在类平衡数据集中训练，冻结模型底层权重，训练模型深层，进行第二次迁移学习，使模型掌握平衡数据集故障特征。通过多种指标进行实验评估，同时与其他方法进行对比，并使用GradCAM方法进行了特征可视化。结果表明，所提方法能够将模型在实验室环境下积累的故障诊断知识应...     

基于聚类和自适应神经模糊推理系统的数控机床绿色度评价方法

为了实现对数控机床绿色度的智能评价,提高数控机床绿色度预测精度,提出了一种基于聚类和自适应神经模糊推理系统（ANFIS）的评价方法。采用改进的粒子群优化模糊C均值聚类算法实现样本的自适应分类,生成辅助ANFIS学习的训练样本集;建立基于ANFIS的评价模型,通过对训练样本集的学习自动生成模糊规则,消除评价指标的模糊性和随机性对评价结果的影响;训练后的评价模型可用于评价样本的自适应推理。最后利用提出的评价方法对数控机床绿色度进行实例分析,验证了该评价方法的有效性。     

基于一维CNN迁移学习的滚动轴承故障诊断

由于在工程实际中采集的故障振动数据分布不同且难以标记,使得卷积神经网络（convolutional neural network,简称CNN）在故障诊断过程中难以发挥最佳作用。针对此问题,提出了一种基于一维卷积神经网络迁移学习的滚动轴承故障诊断方法。首先,建立了可直接处理轴承振动信号的一维卷积神经网络模型并使用源域数据对其进行预训练;其次,利用最大均值差异（maximum mean discrepancy,简称MMD）度量源域和目标域在预训练模型中各层上的特征分布距离,并通过MMD判断卷积层和全连接层能否迁移,若不能迁移则使用初始化方式补全模型;最后,使用少量标记的目标域数据再次训练模型,进而对目标域故障数据进行分类辨识。利用故障轴承数据对方法有效性进行验证,结果显示,该方法在目标域只有少量标签的情况下能够实现变工况滚动轴承故障分类,并达到较高的诊断准确率。     

一种面向肥胖人群的无袖带血压测量方法研究

肥胖人群是特殊人群，通过实时检测血压，可以预防高血压，大大降低由高血压引起的各种并发症。为了解决现有算法对肥胖人群血压测量准确度不高的问题，提出一种基于Stacking集成机器学习的血压计算模型，该模型将K近邻、极端随机树、lightGBM回归模型作为初级学习器，线性回归模型作为次级学习器。通过使用长桑技术设备提取并建立PPG特征值数据集，将数据集分成非肥胖人群（BMI<25）和肥胖人群（BMI>25），并把身体质量指数（BMI）作为新的特征参数加入到模型进行训练和测试。实验结果：在非肥胖人群中，Stacking模型测量收缩压和舒张压的评价指标RMSE/MAE分别为6.611/5.410和4.368/3.242；在肥胖人群中，Stacking模型测量收缩压（SBP）和舒张压（DBP）的评价指标RMSE/MAE分别为6.394/4.979和4.350/3.233。实验结果表明，该Stacking模型对肥胖人群的血压计算精度明显高于非肥胖人群，且测量结果符合AAMI国际电子血压计标准（RMSE<8 mmHg,MAE<5 mmHg），提高了肥胖人群血压测量的准确度，可...     

小样本条件下轴承故障的DCGAN诊断方法

针对基于故障数据图像的诊断方法所需训练数据严重不足以及在小样本故障库条件下诊断准确率较低等问题,提出了一种基于深度卷积生成对抗网络（deep convolutional generative adversarial networks, 简称DCGAN）的扩充滚动轴承故障小样本库的方法,以丰富故障信息,在小样本故障库条件下提高故障诊断准确率。为了改善传统算法易产生的棋盘格效应,设计上采样卷积（up-sampling convolution, 简称USCONV）层,将传统DCGAN算法与双线性插值的上采样及卷积相结合,对故障数据小波变换图像进行训练学习,输出逼真的生成样本。该模型针对多种故障情况,在小样本故障库条件下能准确完善数据集,缓解过拟合等问题,提高了再诊断的准确性。实验结果表明,USCONV层对棋盘格问题有明显改善,小样本库扩充后诊断模型对包含多种故障情况的测试集识别率由91.67%提升至98.96%,证明了该方法的可行性和有效性。     

基于深度学习的产品色彩情感化设计

为准确把握用户对于产品色彩的情感意象感知规律，创新性生成符合用户情感偏好的产品色彩设计方案，提出一种基于深度学习的产品色彩情感化设计方法。首先运用语义差异法和GoogLeNet模型构建产品色彩情感意象数据集；然后，基于产品色彩情感意象数据集与条件深度卷积生成对抗网络(C-DCGAN)搭建产品色彩设计方案生成模型，创新性生成产品色彩设计方案。最后，以出租车色彩设计为例，验证了所提方法的有效性与适用性。     

基于改进CNN和Kmeans的双转子轴承半监督故障诊断

针对双转子轴承复杂信号故障特征难提取、工程中某些类型的故障数据缺乏时卷积神经网络（convolution neural network,简称CNN）难训练的问题,提出一种基于改进CNN和Kmeans的双转子轴承半监督故障诊断方法。首先,利用自回归（autoregressive,简称AR）模型对双转子轴承信号去噪,并基于傅里叶变换得到信号频谱作为CNN输入;其次,以Morlet小波基频域函数作为激活函数构建CNN,结合Softmax损失和提出的权重内积最小化损失在少类别训练数据下训练CNN;最后,基于Kmeans聚类算法分析CNN线性输出确定无标签数据伪标签,并结合半监督学习中自训练思想迭代CNN更新伪标签,继而依据伪标签划分双转子轴承正常、已知故障和未知故障状态。利用双转子轴承故障模拟试验台数据进行验证,结果表明,在少类别训练数据下,其诊断效果相较于人工神经网络（artificial neural network,简称ANN）等方法更佳,诊断准确率达到了100%,验证了所提方法的有效性。     

基于Dropout-多尺度空洞卷积神经网络的轴承故障诊断

为了提高故障诊断模型对故障轴承低信噪比信号的特征提取能力,使模型在强噪声环境下仍能发挥作用,提出了一种基于Dropout-多尺度空洞卷积神经网络(D-MDCNN)的滚动轴承故障诊断模型。首先,通过Dropout数据预处理,对训练数据进行“损坏”,强迫模型仅依靠少量特征便可进行故障诊断,以提高模型的抗噪声能力;然后,使用不同扩张率的空洞卷积扩充了多尺度信息,并利用CNN模块来完成对特征的提取与故障诊断;同时,在模型中加入批量归一化处理操作,用来加快模型训练的收敛速度,提高了模型的性能;最后,利用美国凯斯西储大学轴承数据集和东南大学齿轮箱数据集对基于D-MDCNN的模型进行了实验验证,并将实验结果与采用其他深度学习模型所得的实验结果进行了对比分析。实验结果表明：在无噪声至4dB的噪声环境下,D-MDCNN在西储大学和东南大学两个数据集上均可取得99%的诊断准确率;相比于其他同类模型,基于D-MDCNN的模型具有更高的诊断准确率和抗噪声能力。研究结果表明：基于D-MDCNN的模型是一种有效的轴承故障诊断模型。     

改进抗干扰CNN的变负载滚动轴承损伤程度识别

针对强噪声、变负载工况下滚动轴承损伤程度难以识别的问题,提出了一种基于改进抗干扰卷积神经网络(anti-interference convolutional neural network,简称ACNN)的变负载工况下轴承损伤程度识别新方法。首先,对滚动轴承的一维振动信号进行预处理,得到标签化的数据样本,分为训练集和测试集;其次,将注意力机制引入到卷积神经网络的各个特征提取层中以建立特征提取通道之间的联系,得到基于改进ACNN的变负载工况下轴承损伤程度识别模型;然后,将训练集数据输入到改进ACNN中进行学习,将得到的识别模型应用于测试集,输出损伤程度识别结果,在训练过程中,为了提高模型的抗干扰能力,将Dropout算法引入到卷积层,为抑制过拟合,对原始训练样本进行加噪处理;最后,通过滚动轴承损伤程度模拟试验,在变工况下进行测试。结果表明,在噪声环境中所提方法能更准确地实现变负载工况下的轴承损伤程度识别。     

基于深度融合策略的转子轴心轨迹识别研究

针对以人工特征为输入的旋转机械故障的传统智能识别方法的精度较低及深度学习方法对数据量依赖性强的问题,鉴于Hu不变矩具有伸缩、平移及旋转不变性的特点及无监督深度学习模型在小样本数据特征提取方面的优势,提出了一种融合Hu不变矩及深度卷积自动编码特征的故障诊断模型（deep convolutional auto?encoder fault diagnosis model,简称DCAE?FDM）。首先,采用有效奇异值法对原始振动信号进行提纯,得到提纯的轴心轨迹集,并按一定比例划分为训练集和测试集,分别计算出它们的Hu不变矩特征;其次,利用所构造的DCAE?FDM模型对轴心轨迹进行自适应特征提取,得到深度自动编码特征;然后,将Hu不变矩与深度自动编码特征进行融合,并将训练集的融合特征作为输入对BP神经网络进行训练;最后,采用测试集的融合特征对训练好的模型进行测试。试验结果表明,所提方法的识别效果明显优于深度学习方法及传统识别方法,所提方法的平均准确率达98.5%,比次优模型高出约6个百分点。     

融合双注意力机制EfficientNet的沥青路面状态分类方法

针对现有EfficientNet模型应用于沥青路面状态分类时，卷积操作易导致高层特征信息丢失问题，在现有EfficientNet模型的深层结构中引入一种双注意力机制，包含通道注意力模块和位置注意力模块，借助Sigmoid线性单元（Sigmoid linear unit，SiLU）激活函数和余弦学习率衰减策略，提出一种融合双注意力机制EfficientNet （Dual attention network based on EfficientNet，DAEfficientNet）的沥青路面状态分类方法。首先，建立不同天气下5种沥青路面共5 938张图像作为数据集，积雪样本来自开源数据集（Canadian adverse driving conditions dataset，CADCD）。然后，对所提出模型进行训练，并得到沥青路面图像分类结果。最后，利用准确率（Accuracy）、精确率（Precision）、召回率（Recall）、F1 score和特异度（Specificity），将所提出模型与其他现有卷积神经网络模型进行分类效果对比分析。试验结果表明：所提出模型优于其他对比模型，能准确、有效地对不同天气下的沥青路面状态进行分类。     

基于cGAN的刀具磨损状态监测数据集增强方法

在刀具磨损过程中,通常采集的正常磨损阶段的样本数据比初始磨损阶段和急剧磨损阶段的样本数据量多,这导致刀具磨损状态数据集不平衡,从而使深度学习网络模型对刀具磨损状态预测准确性降低。针对问题,文章提出一种基于cGAN的刀具磨损状态监测数据集增强方法。在cGAN中添加了类别条件信息,有利于生成器更好的捕捉刀具磨损样本的数据分布特点,从而生成和真实刀具磨损样本分布相似的样本。采集铣削加工过程中的振动信号,将振动信号转换成频谱数据输入到c GAN中,cGAN通过生成器和鉴别器之间的对抗训练,学习数据分布特点,生成刀具磨损状态样本数据。将增强的数据集输入到深度学习网络模型中进行分类,测试生成数据的可用性。实验结果显示,由增强的刀具磨损状态数据集训练深度学习网络模型,可以有效提高模型对刀具磨损状态监测的准确性,其预测精度达到98.1%。     

基于混合域相对特征和FOA⁃XGBoost滚动轴承退化评估

针对使用多域特征进行滚动轴承退化评估建模时准确度较低的问题,提出一种基于果蝇优化算法（fruit fly optimization algorithms,简称FOA）集成极限梯度提升树（extreme gradient boosting,简称XGBoost）的轴承退化状态评估方法。提取滚动轴承全寿命周期的时域、频域及时频域等多维特征参数,构建混合域相对特征集,利用相对方均根值初始化轴承退化相应参数,进而利用混合域特征训练XGBoost模型并结合FOA算法对退化评估模型进行参数调优。结果表明：所构建的退化评估模型比常用的支持向量回归（support vactor regerssion,简称SVR）模型在2个数据集上的性能分别提高了27.15%和34.96%,所提方法可以准确有效地评估轴承退化状态。     

基于卷积GRU注意力的设备剩余寿命预测

为了直接利用神经网络从采集的全寿命振动信号中自动提取特征信息,避免对人工提取特征的依赖,提出了一种基于卷积门控循环单元（convolutional gated recurrent unit,简称ConvGRU）注意力的剩余寿命预测方法。首先,对于采集的设备振动信号预处理,输入ConvGRU注意力模型,ConvGRU通过卷积神经网络（convolutional neural networks,简称CNN）提取设备状态的空间局部特征,门控循环神经单元（gate recurrent unit,简称GRU）提取时序特征信息,从而有效提取设备状态特征;其次,利用注意力机制对特征信息分配不同的权重;然后,进行中间网络层特征输出的可视化实验,验证了本研究方法特征提取的有效性;最后,进行了2个机械设备数据集PHM2012轴承数据集和NASA发动机数据集的实验,并与已有方法进行对比。实验结果表明,笔者提出的基于ConvGRU注意力的剩余寿命预测方法预测准确性更好,并具有较好的泛化性。     

生成式对抗网络研究综述

深度学习领域一个十分活跃的分支—生成式对抗网络（GAN）已经成为人工智能学界一个热门的研究方向。生成式对抗网络采用无监督的学习方式,自动从源数据中进行学习,在不需要人工对数据集进行标记的情况下就可以产生令人惊叹的效果。阐述了GAN的背景、基本思想,对其相关理论、训练机制和应用研究进行了梳理,总结了GAN的常见网络构架、训练技巧与模型评估标准,还进行了GAN与其他生成模型VAE、衍生模型的对比,最后进行分析总结,指出GAN的优缺点并对未来发展方向进行展望。