一种新型DSCNN-GRU结构的减速机轴承故障诊断方法

结合深度学习理论,将一维卷积神经网络运用于振动信号故障诊断,相较于传统方法,提取特征简单且高效。为进一步优化一维卷积结构,弥补其在信号所有位置的寻找模式,联系周期内的故障特征,提出一种新型DSCNN-GRU网络。该模型融合了深度可分离卷积的轻量快捷,降低了一维卷积结构参数;加入门控机制,可记忆分析故障点的信号特征,联系周期内的信号关系,更好地捕捉信号故障特征,提升对时间序列的敏感性。提出一种跟踪梯度优化Adam算法,解决模型随时间窗振荡问题。通过采集的减速机滚动轴承数据研究表明,该算法平均故障识别率可达94%以上,分类效果明显,泛化能力强。     

基于DRSA和BP神经网络风电机组检修决策

为缩减运维成本,降低检修资源配置,提出一种基于优势粗糙集DRSA和BP神经网络的风电机组检修决策新方法。基于风电机组多因素序信息系统表,采用优势粗糙集理论方法进行知识约简,获得检修决策规则集,将提取的规则集作为输入样本对BP神经网络进行训练,提高处理不确定性知识的能力。与基于DRSA的检修决策方法进行对比,该方法实现了风电机组的智能检修预测,更能优化机组检修资产的管理,为增加机组检修决策的透明性、合理性及科学性提供了依据。     

基于张量分解融合RGB-D图像的物体识别

为了充分利用RGB-D图像的深度图像信息，提出了基于张量分解的物体识别方法。首先将RGB-D图像构造成一个四阶张量，然后将该四阶张量分解为一个核心张量和四个因子矩阵，再利用相应的因子矩阵将原张量进行投影，获得融合后的RGB-D数据，最后输入到卷积神经网络中进行识别。RGB-D数据集中三组相似物体的识别结果表明，利用张量分解融合RGB-D图像的物体识别准确率高于未采用张量分解的物体识别准确率，并且单一错分实例的准确率最高可提升99%。