多工况下基于EEMD-ICNN的输油管道泄漏识别

针对多工况下管道泄漏信号预处理繁琐、误报率高的问题，提出了一种集合经验模态分解(EEMD)结合改进卷积神经网络(ICNN)的泄漏识别模型。所用识别方法采用EEMD将泄漏信号分解成若干个具有稳态性能的固有模态分量(IMF),通过相关系数划分出噪声主导向量并予以去除实现信号重构；提取重构信号的一系列指标特征作为ICNN模型的输入进行特征提取，实现管道多工况分类；ICNN在每个卷积层和池化层之间加入批量归一化层，以此加快网络训练速度。结果表明：所提模型能够快速准确识别出停泵、调阀、泄漏、正常工况，且在较少训练数据下平均识别准确率可达98.25%。与未改进的CNN和SVM分类识别模型相比，该方法有效提高了识别准确率。     

改进CNN的供水管道泄漏声音识别

为了检测供水管道是否出现泄漏,同时针对人工检测精度低、背景噪音难以去除和现有检测设备的实用性低等问题,研究了一种基于卷积神经网络(convolutional neural network, CNN)的供水管道泄漏声音识别方法。首先设计水下机器人的供水管道内部声音实时采集系统,并利用用户数据报协议(user datagram protocol/internet protocol, UDP/IP)通信技术将该系统采集的声音信息上传至上位机,并对供水管道内的声音进行泄漏和不泄漏的划分且制作成数据集,提取泄漏音频和不泄漏音频样本的梅尔谱特征图,根据实时性选用轻量级卷积神经网络ShuffleNet V2进行训练和识别;其次引入卷积注意力模块(convolution block attention module, CBAM)到网络模型中,并对ShuffleNet V2的Unit1单元进行改进,提出了Unit1＿y单元;最后将改进后的网络与MobileNet V3、ResNet18等轻量级网络进行对比。试验结果表明,改进后的网络模型相较于其他的模型对供水管道漏泄声音识别效果最佳且参数量低,占用上位机...     

基于稀疏轻量卷积神经网络的管道泄漏检测

针对传统供水管网泄漏检测问题,本文提出了一种基于稀疏轻量卷积神经网络的管道泄漏检测算法。首先通过声音传感器采集管道泄漏的声音信号,经过立体声转换、重采样、长度对齐等预处理操作后,将其转换成梅尔频谱图。然后,构建一种稀疏轻量化的卷积神经网络模型来对梅尔频谱图进行特征抽取和泄漏检测。针对声音特征图的稀疏和时延性质,本文采用Inception网络结构来进行提高模型的特征抽取能力。此外,因为该模型需要被部署到边缘侧,因此设计了一种基于SqueezeNet的轻量化卷积神经网络模型来减少模型的参数,降低模型复杂度。实验结果表明,提出的管道泄漏检测算法在保证复杂度较低的同时具有较高的识别准确率。     

融合 CNN 和 Transformer 的机器人室内场景识别

为了提高机器人在复杂的室内环境中场景识别的准确率,本文提出一种融合卷积神经网络(convolutional neural network, CNN)和视觉Transformer结构的机器人室内场景识别模型。本文模型利用CNN提取场景局部特征,然后使用视觉Transformer结构捕捉特征中远距离依赖关系,其中提出的视觉Transformer结构包括3个部分,分别是特征编码结构(Attention Embedding)、Encoder结构和一个将高层语义特征转化成像素级特征的结构(Attention Project)。本文研究的机器人场景识别模型利用CNN提高视觉Transformer局部细节特征的描述能力,同时通过视觉Transformer帮助CNN构建远距离特征的依赖关系,从而能够有效的表征和利用机器人工作场景图像的视觉特征。最后,通过机器人在实际工作环境中采集的数据集和开源的COLD数据集进行实验,验证了本文研究模型的有效性,场景识别精度更高。     

基于CNN的平波电抗器声纹模式识别方法

为实现对平波电抗器运行状态的准确识别，引入一种基于CNN（卷积神经网络）的深度学习方法，建立了使用Mel时频谱的电抗器绕组声纹模式识别模型。以干式平波电抗器作为实验对象采集声音信号，使用Mel滤波器方法将采集到的声音信号转化为时频谱图，以不同的工况类型作为数据集的标签，基于CNN算法识别不同信号所对应的工况类型。结果表明，CNN可用于干式平波电抗器声纹模式的准确识别，优化后的神经网络对正弦激励、谐波激励和直流偏磁激励下的声纹信号识别准确率高达98.4%。研究结果为实现电网信号的智能化检测提供了潜在的技术方案。     

基于深度卷积和门控循环神经网络的 传感器运动识别

用于可穿戴传感器的人体运动识别任务的传统机器学习方法通常需要手工提取特征,可以自动提取人体运动数据特征的深度神经网络正成为新的研究热点。目前将卷积神经网络(CNN)和长短期记忆(LSTM)循环神经网络组合而成的DeepConvLSTM在识别精度方面有着优于其他识别方法的表现。针对带有长短期记忆循环单元的神经网络的训练较为困难的问题,提出了一种基于卷积神经网络和门控循环单元(GRU)的融和模型,并在3个公开数据集(ACT数据集、UCI数据集和OPPORTUNITY数据集)上与卷积神经网络和DeepConvLSTM进行了性能对比。实验结果显示,该模型在3个公开数据集上的识别精度都高于卷积神经网络,与DeepConvLSTM相当,但是收敛速度比DeepConvLSTM更快。     

基于CNN的轴承变工况故障识别系统

为了保证工业机械设备运行安全,避免轴承损伤引起的设备严重损害,实现对机械设备上滚动轴承的变工况故障诊断,设计了基于卷积神经网络的变工况滚动轴承故障诊断系统。该系统使用格拉姆矩阵方法将一维时序数据转换为二维特征图,卷积神经网络训练最大化的学习数据中的特征信息,将训练好的模型部署于LabVIEW编写的上位机中实现实时故障诊断,将所提方法在美国凯斯西储大学轴承数据中心数据集进行实验,实验验证：在美国凯斯西储大学轴承数据集上,所使用的方法变工况下无故障运行数据识别准确率达到99.85%,变工况下综合识别准确率达到91.67%,实验结果表明该方法取得了较为准确的识别效果且具有不错的泛化能力,为变工况下滚动轴承的故障诊断积累了应用经验。     

复杂工况下基于时频图像和CNN SVM的管道堵塞识别研究

针对复杂工况下管道系统堵塞状态识别模型精度出现偏差的问题,提出一种基于时频图像和卷积神经网络(CNN)对管道内的堵塞物和三通件个体识别方法.首先,利用声波检测管道得到不同工况的低频声压信号,滤波处理后进行平滑伪Wigner-Ville时频分析得到声信号时频分布图;然后,采用大津阈值分割法对单一和复杂工况时频分布图像进行...     

基于捷径的卷积神经网络在人脸识别中的应用研究

人脸识别的特征要求具有区分性和识别性,传统的卷积神经网络(CNN)无法将低层次特征与高层次特征进行融合,识别准确率难以进一步提高。提出了一种基于附加惩罚函数和捷径连接的卷积神经网络模型,算法通过将第一层的卷积特征与原有网络模型最后一层的全连接层直接连接,增加了深层次特征的识别能力,减少了浅层主要特征的损失;为了提高已学习到的深度特征的识别能力,算法在原有的softmax损失函数项添加一个惩罚项,使已学习到的同类特征到该类特征中心之间的距离最小化。在CASIA-web、Facescrub数据集上的实验结果表明,改进算法分类准确率优于深度卷积神经网络(DCNN)、GRCC等算法。     

基于 FCN 的阀门内泄漏声发射信号识别方法

针对石化工业中输气管道阀门的内泄漏故障,将声发射检测技术与深度学习技术相结合,提出了一种基于全卷积神经 网络(FCN)的阀门内泄漏声发射信号识别方法。 该方法利用声发射技术采集阀门内泄漏的声发射信号,基于 FCN 搭建阀门内 泄漏分类诊断模型,充分发挥了声发射技术在阀门内泄漏检测领域的优越性,以及 FCN 在时间序列分类任务上的高性能。 该 方法相较于传统的识别方法,无需对原始采集数据进行特征提取或繁重复杂的预处理,而是将特征提取的任务也交于神经网络 模型来学习和完成,可实现端到端的阀门内泄漏声发射信号分类识别。 搭建阀门内泄漏检测实验平台,采集并制作阀门内泄漏 声发射信号数据集,建立了基于 FCN 的阀门内泄漏声发射信号的二分类模型,实验结果表明,该模型的分类识别准确率可达 98. 72%,相比较于其他先进的分类模型在数据集上表现出了更加优越的分类识别性能和训练效率,同时对环境噪声具有良好 的抗干扰性能。     

一种改进卷积神经网络的逆变器故障诊断

针对传统二极管钳位式三电平逆变器故障诊断方法存在的诊断效率低且准确率不高的问题,将一种自适应正则化系数引入卷积神经网络CNN(convolutional neural network),对逆变器进行故障诊断。在传统CNN模型引入正则化去拟合中,正则化系数常采用全局统一的常数型参数,训练过程中需不断试错且效果甚微,针对此提出根据目标损失函数梯度变化,自适应调整正则化系数的CNN模型,能够加快其在逆变器故障诊断中的收敛速度,增强模型泛化能力,提高故障识别准确率。实验表明,与传统BP神经网络和原始CNN模型相比,改进的CNN模型能对逆变器复杂故障做出实时准确诊断。     

基于卷积神经网络的多层域自适应滚动轴承故障诊断

针对基于卷积神经网络(CNN)的域自适应技术在提取可迁移特征的训练过程中,存在内部协变量移位的问题,提出一种多层域自适应滚动轴承故障诊断方法.首先,利用CNN提取原始振动数据的可迁移特征;其次,提出了多层域自适应和权重正则化项约束CNN参数,进一步减少可迁移特征的分布差异,从而解决域移位问题;最后,利用凯斯西储大学的滚...     

基于SincNet网络结合注意力机制齿轮箱故障诊断

针对传统卷积神经网络(CNN)在齿轮箱中故障诊断准确率不高、特征提取方面表现欠佳的问题,提出了SincNet网络结合注意力机制齿轮箱故障诊断方法。首先,采用参数化的Sinc函数设计滤波器作为卷积层来代替传统CNN的第1个卷积层,得到SincNet网络结构,提取输入数据的特征信息;其次,结合具有Softmax的注意力机制(Att)增强特征信息。最后,采用齿轮箱故障数据集对所提出的方法进行实验验证,结果表明,所提方法平均诊断准确率达到99.68%,均高于对比方法。此外,通过特征图可视化分析,该方法能够准确定位输入数据中的识别信息,能更好地理解神经网络的特征提取过程,为机械振动信号的特征提取过程提供了参考。     

基于卷积神经网络的直线同步电动机电枢绕组故障诊断

通过绕组函数理论对直线同步电动机进行分析,提出一种基于卷积神经网络(CNN)的直线同步电动机故障诊断方法。从直线同步电动机的数学模型出发,基于绕组函数理论对电动机正常状态和匝间短路故障状态进行仿真,对电流波形图进行快速傅里叶变换(FFT)得到不同状态的数据集。利用CNN中的GoogLeNet网络结构,在保持网络空间维度的同时不增加故障诊断的计算量。将数据集输入到网络模型进行故障诊断,仿真结果表明GoogLeNet网络结构对直线同步电动机电枢绕组的短路故障识别率达到了96.5%以上。     

基于并联CNN-LSTM的弱受端直流输电系统故障诊断

现有的故障诊断手段面对复杂电网时,难以精确提取故障特征,急需适应性强、识别率高的故障诊断方法。鉴于此,提出一种基于压缩感知与并联卷积神经网络(CNN)和长短期记忆网络(LSTM)结合的电网故障诊断方法。搭建永富直流输电系统模型采集原始故障数据,原始故障数据应用压缩感知原理进行压缩采样,获得压缩域故障信号,以提高网络的计算效率。然后搭建了麻雀搜索算法（SSA）优化的并联CNN-LSTM深度学习模型。通过SSA确定并联CNN-LSTM的网络结构及参数,利用并联CNN-LSTM深度学习模型直接在故障的压缩域挖掘故障波形特征和时序特征,并对故障进行识别。仿真结果表明该模型相较于传统方法具有更高的故障诊断精度。     

基于 1DCNN-BiLSTM 组合模型的 S700K 转辙机故障诊断

针对S700K转辙机故障诊断有效特征提取困难,信号处理与分类算法难以联合优化的问题,提出了一维卷积神经网络(1DCNN)与双向长短期记忆神经网络(bidirectional long short-term memory, BiLSTM)结合的转辙机故障诊断方法。首先,对微机监测系统采集的转辙机功率曲线进行处理;其次,通过卷积神经网络(convolution neural networks, CNN)的卷积层和池化层对处理后的数据自适应提取故障特征;再经过扁平层(Flatten)把提取的故障特征作为BiLSTM层的输入,进一步挖掘深层次的特征;最后使用Softmax函数实现智能故障诊断。以某铁路局提供的真实数据验证模型,结果显示所提模型的精确率、召回率和F₁值等评价指标分别达到98.99%、98.89%和98.89%,相较于其他经典故障诊断模型,1DCNN-BiLSTM模型在保证训练速度较快的情况下,将故障诊断的准确率至少提升了1.08%。